CN113238866A - 一种云制造模式下制造任务的分解方法 - Google Patents

一种云制造模式下制造任务的分解方法 Download PDF

Info

Publication number
CN113238866A
CN113238866A CN202110542660.2A CN202110542660A CN113238866A CN 113238866 A CN113238866 A CN 113238866A CN 202110542660 A CN202110542660 A CN 202110542660A CN 113238866 A CN113238866 A CN 113238866A
Authority
CN
China
Prior art keywords
manufacturing
task
candidate service
service set
candidate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202110542660.2A
Other languages
English (en)
Inventor
方周
吴其林
张瑞松
张伟豪
关大帅
黄芯芮
吴自祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chaohu University
Original Assignee
Chaohu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chaohu University filed Critical Chaohu University
Priority to CN202110542660.2A priority Critical patent/CN113238866A/zh
Publication of CN113238866A publication Critical patent/CN113238866A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5061—Partitioning or combining of resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及制造任务分解方法，具体涉及一种云制造模式下制造任务的分解方法，建立统一的形式化描述，将需求建模为制造任务，将若干资源的组合建模成用于完成指定制造任务的制造服务，利用服务池中制造服务的特点，自适应完成制造任务的分解，以及与制造服务的匹配，获取匹配后得到的候选服务集，并基于候选服务集内部各制造服务的相互关系，构建候选服务集状态树，采用基于广度优先遍历的组合策略对候选服务集状态树中的子节点进行裁剪，同时合并相应的子任务；本发明提供的技术方案能够有效克服现有技术所存在的不能对制造任务进行有效分解、无法对分解后子任务进行候选服务集有效匹配的缺陷。

Description

一种云制造模式下制造任务的分解方法
技术领域
本发明涉及制造任务分解方法，具体涉及一种云制造模式下制造任务的分解方法。
背景技术
近年来，在云计算、物联网、网络物理系统、大数据分析和人工智能等新兴技术的推动下，以全球化、个性化、数字化、云计算、协作、集成等为核心特征的新工业制造模式，即云制造，被提出。作为一种新兴制造模式，云制造可有效解决我国制造行业中出现的制造资源缺乏与闲置现象并存、制造能力不足与过剩现象同在的问题，实现资源共享协同与按需使用的服务模式，为制造业转型升级提供新的推动力。
到目前为止，云制造已经吸引了世界范围内大量学者的研究兴趣。在已有的这些研究中，提出并讨论了未来需要解决的许多问题，如云制造服务平台体系架构、商业模式、监控系统等。其中，资源的优化配置作为云制造平台实现的主要功能，主要包括任务分解、任务/服务匹配、服务优化组合、任务/服务调度等核心过程。
任务分解作为资源优化配置中极为重要的环节，旨在将任务分解成具有可执行性且任务组间相关性低的子任务，以便云制造平台匹配合适的服务满足用户需求，其分解质量与整个云制造平台的工作质量和效率紧密相关。然而，任务分解是一项极具挑战的任务，不仅具有跨行业的高度异构特征，而且需要同时考虑服务的状态(如服务的粒度和相关性)，故当前只有少数研究者关注了这个问题。
现有关于任务分解的研究中，一部分方法利用设计结构矩阵(DSM)来表示任务间的交互信息和关联程度，比如：1)使用DSM对产品开发项目中的任务进行聚类分析，将相应的开发任务匹配给合适的研究小组和开发小组；
2)结合可调整的任务粒度，提出基于DSM的任务分解和重组方法，然而DSM不论是在不确定信息的定量分析能力上，还是在处理复杂任务的分解能力上都存在不足；
3)为了有效执行无人地面车辆的地面测量任务，提出一种基于动态网格的测量任务分解算法。
而另一部分任务分解方法的研究主要根据任务层次与任务相关度，将任务分解为具有合适粒度大小的子任务。但是，这些方法都只是利用任务本身的特性或任务间的相关性对任务进行分解，并没有考虑服务的状态(如服务的粒度和相关性)，存在任务分解与任务/服务匹配脱节的问题。
针对以上问题，易树平提出了一种基于聚类算法的任务分解策略，首先根据预先定义的分解规则将任务分解为原子任务，然后综合考虑任务相关性、任务/服务匹配度以及服务之间的竞争性，利用聚类算法对原子任务进行重组。虽然该算法考虑了服务的状态，但是倒置了任务和服务的依赖关系，一方面，原子任务的分解过程严重依赖专家系统，对于不同行业、不同类别的海量异构任务来说，全面的专家系统的实现不现实；另一发面，即使原子性子任务可以成功分解得到，原子性子任务匹配不到合适候选服务集的概率也很大。
发明内容
(一)解决的技术问题
针对现有技术所存在的上述缺点，本发明提供了一种云制造模式下制造任务的分解方法，能够有效克服现有技术所存在的不能对制造任务进行有效分解、无法对分解后子任务进行候选服务集有效匹配的缺陷。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
一种云制造模式下制造任务的分解方法，包括以下步骤：
S1、建立统一的形式化描述，将需求建模为制造任务，将若干资源的组合建模成用于完成指定制造任务的制造服务；
S2、利用服务池中制造服务的特点，自适应完成制造任务的分解，以及与制造服务的匹配；
S3、获取匹配后得到的候选服务集，并基于候选服务集内部各制造服务的相互关系，构建候选服务集状态树；
S4、采用基于广度优先遍历的组合策略对候选服务集状态树中的子节点进行裁剪，同时合并相应的子任务。
优选地，S1中建立统一的形式化描述，将需求建模为制造任务，将若干资源的组合建模成用于完成指定制造任务的制造服务，包括：
在现有制造任务和制造服务的形式化描述的基础上，对功能信息进行进一步简化描述。
优选地，S2中利用服务池中制造服务的特点，自适应完成制造任务的分解，以及与制造服务的匹配，包括：
S21、根据总任务T总的输出要求，在服务池中匹配符合输出要求的服务集合；
S22、若未能匹配到服务集合，则结束算法，否则获取k级子任务Tk及匹配的候选服务集RSSk，并判断k级子任务Tk的输入是否为空；
S23、若k级子任务Tk的输入为空，则结束算法并得到候选服务集RSSk，否则计算k级子任务Tk的输入与总任务T总的输入之间的相似度；
S24、判断相似度是否满足截止的阈值要求，若满足截止的阈值要求，则结束算法，否则进入S25；
S25、将k级子任务Tk的各个输入分别作为匹配条件，在服务池中匹配符合输出要求的服务集合，重复S22至S24，得到k+1级子任务Tk+1及匹配的候选服务集RSSk+1；
其中，所述k级子任务Tk的输出为总任务T总的输出，所述k级子任务Tk的输入为候选服务集RSSk中各制造服务输入的交集，1≤k≤n－1。
优选地，S3中基于候选服务集内部各制造服务的相互关系，构建候选服务集状态树，包括：
分别计算候选服务集的内部竞争性、候选服务集之间的依赖程度、候选服务集之间的协同难度、候选服务集的粒度大小，并根据计算结果构建候选服务集状态树。
优选地，所述候选服务集的内部竞争性采用制造任务分解后，与各子任务对应的候选服务集中可选择服务的相对个数N来表征，所述相对个数N的计算公式如下：
Figure BDA0003072280750000041
其中，S为候选服务集中指定的匹配个数，即在制造任务分解时指定按照匹配度从高到低排序候选服务集的个数，similarityi表示候选服务集中第i个服务与相应子任务之间的匹配度。
优选地，所述候选服务集之间的依赖程度表示服务之间的相关性，以任务依赖方的输入个数和类别为参数，计算候选服务集之间的依赖程度：
Figure BDA0003072280750000042
其中，M表示任务依赖方的类别个数，Qi表示类别为i的输入个数，wi表示类别为i输入的关联系数，0≤wi≤1，该值的实际取值采用专家评估初定，在日常运行时根据运营结果进行修正。
优选地，所述候选服务集之间的协同难度采用并行任务中，最长服务时间与最短服务时间之间的差值来表征，可采用下式计算：
Ti＝∑N(tmax-tmin) (3)
其中，Ti表示第i个任务的协同服务难度，N表示第i个任务中所有子任务的层级个数，tman、tmin分别表示指定层级中执行任务的最长时间、最短时间。
优选地，所述候选服务集的粒度大小表示完成指定任务的候选服务集粒度大小的合适程度，可采用下式计算：
G＝N×R-(1-N)×T (4)
其中，T为制造任务的分解粒度，即子任务数量，N、R、T均进行正则化处理。
优选地，所述候选服务集状态树中的节点为制造任务的分解后得到的元任务，所述候选服务集状态树中节点的数值表示该节点对应候选服务集的内部竞争性，所述候选服务集状态树中边与边的权重表示候选服务集相对于父节点的粒度大小，可根据公式(4)计算得到。
优选地，S4中采用基于广度优先遍历的组合策略对候选服务集状态树中的子节点进行裁剪，同时合并相应的子任务，包括：
S41、遍历候选服务集状态树中第m层的所有节点，判断第k个节点是否含有子节点；
S42、若第k个节点含有子节点，则赋值k＝k+1，并返回S41，否则进入S43；
S43、计算第k个节点的粒度大小G，并判断粒度大小G是否小于0；
S44、若粒度大小G小于0，则说明第k个节点中所有子节点不需要合并，并赋值k＝k+1，返回S41，否则进入S45；
S45、合并对应任务下的所有子任务，同时删除候选服务集状态树中对应的子节点；
S46、重新计算候选服务集状态树中节点和边的值，并赋值m＝m+1，返回S41，直至遍历完候选服务集状态树中的所有节点。
(三)有益效果
与现有技术相比，本发明所提供的一种云制造模式下制造任务的分解方法，具有以下优点：
(1)任务的初步分解过程中，对任务和服务的描述进行扩充，从具体描述中引入输入、输出的概念，同时在具体分解过程中没有引入任何专家系统提供的额外行业信息库，完全依赖服务池中现有服务的特点；
(2)任务重组过程中，对依赖程度的定义考虑了物流相关性和信息相关性，对协同难度的定义考虑了并行任务的等待时间，对候选服务集粒度大小的定义，考虑了相应候选服务集之间的依赖程度和协同难度；
(3)基于服务内部竞争性和外部协同性构建候选服务集状态树，同时采用基于广度优先遍历的组合策略对候选服务集状态树进行遍历，实现对制造任务地有效分解。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中制造任务分解以及与制造服务匹配的流程示意图；
图2为本发明中采用基于广度优先遍历的组合策略对候选服务集状态树进行遍历的流程示意图；
图3为军用电动汽车生产流程的依赖关系示意图；
图4为军用电动汽车生产流程中驱动电机系统分解后子任务的示意图；
图5为军用电动汽车生产流程中电气传动系统分解后子任务的示意图；
图6为对图5中的子任务进行合并后的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种云制造模式下制造任务的分解方法，如图1和图2所示，包括以下步骤：
S1、建立统一的形式化描述，将需求建模为制造任务，将若干资源的组合建模成用于完成指定制造任务的制造服务；
S2、利用服务池中制造服务的特点，自适应完成制造任务的分解，以及与制造服务的匹配；
S3、获取匹配后得到的候选服务集，并基于候选服务集内部各制造服务的相互关系，构建候选服务集状态树；
S4、采用基于广度优先遍历的组合策略对候选服务集状态树中的子节点进行裁剪，同时合并相应的子任务。
S1中建立统一的形式化描述，将需求建模为制造任务，将若干资源的组合建模成用于完成指定制造任务的制造服务，包括：
在现有制造任务和制造服务的形式化描述(CloudService＝{ID，TypeInfo，BaseInfo，ResourceInfo，FunInfo，AssessInfo，StatuInfo},分别代表服务标识、服务类型、基本信息、资源信息、功能信息、评价信息、状态信息)的基础上，对功能信息FunInfo进行进一步简化描述，FunInfo＝{FunProfile，InputParams，OutputParams}。
FunProfile：功能概要，对该服务提供的功能进行简单描述；
InputParams：功能的输入信息，表示该服务执行过程中，需要需求方提供必要的信息或者材料，如某个制造特殊扳手的服务，可能需要需求方提供相应的设计图纸；
OutputParams：功能的输出内容，表示该服务执行完成后，向需求方提供的服务结果，如某个软件开发的服务，其输出的内容可能为可执行源码，使用说明书为期一年的服务。
为了避免对行业知识库的过分依赖，同时也为了避免分解后的子任务无法匹配到合适服务，将任务分解和任务/服务匹配两个环节合二为一，利用服务池中现有服务的特点自适应完成任务的分解。
S2中利用服务池中制造服务的特点，自适应完成制造任务的分解，以及与制造服务的匹配，包括：
S21、根据总任务T总的输出要求，在服务池中匹配符合输出要求的服务集合；
S22、若未能匹配到服务集合，则结束算法，否则获取k级子任务Tk及匹配的候选服务集RSSk，并判断k级子任务Tk的输入是否为空；
S23、若k级子任务Tk的输入为空，则结束算法并得到候选服务集RSSk，否则计算k级子任务Tk的输入与总任务T总的输入之间的相似度；
S24、判断相似度是否满足截止的阈值要求，若满足截止的阈值要求，则结束算法，否则进入S25；
S25、将k级子任务Tk的各个输入分别作为匹配条件，在服务池中匹配符合输出要求的服务集合，重复S22至S24，得到k+1级子任务Tk+1及匹配的候选服务集RSSk+1；
其中，k级子任务Tk的输出为总任务T总的输出，k级子任务Tk的输入为候选服务集RSSk中各制造服务输入的交集，1≤k≤n－1。
S3中基于候选服务集内部各制造服务的相互关系，构建候选服务集状态树，包括：
分别计算候选服务集的内部竞争性、候选服务集之间的依赖程度、候选服务集之间的协同难度、候选服务集的粒度大小，并根据计算结果构建候选服务集状态树。
候选服务集的内部竞争性采用制造任务分解后，与各子任务对应的候选服务集中可选择服务的相对个数N来表征，相对个数N的计算公式如下：
Figure BDA0003072280750000091
其中，S为候选服务集中指定的匹配个数，即在制造任务分解时指定按照匹配度从高到低排序候选服务集的个数，similarityi表示候选服务集中第i个服务与相应子任务之间的匹配度。
竞争性原则为任务分解引入服务竞争要求，保证当选定某个资源后，因为意外情况，导致其无法提供服务时快速找到替代品。从长远角度考虑，预留竞争空间将使制造资源所有者给出的定价更加合理，同时督促资源所有者积极提高服务质量，促进云制造平台健康发展。
候选服务集之间的依赖程度表示服务之间的相关性，以任务依赖方的输入个数和类别为参数，计算候选服务集之间的依赖程度：
Figure BDA0003072280750000092
其中，M表示任务依赖方的类别个数，Qi表示类别为i的输入个数，wi表示类别为i输入的关联系数，0≤wi≤1，该值的实际取值采用专家评估初定，在日常运行时根据运营结果进行修正。
候选服务集之间的协同难度采用并行任务中，最长服务时间与最短服务时间之间的差值来表征，可采用下式计算：
Ti＝∑N(tmax-tmin) (3)
其中，Ti表示第i个任务的协同服务难度，N表示第i个任务中所有子任务的层级个数，tman、tmin分别表示指定层级中执行任务的最长时间、最短时间。
候选服务集的粒度大小表示完成指定任务的候选服务集粒度大小的合适程度，可采用下式计算：
G＝N×R-(1-N)×T (4)
其中，T为制造任务的分解粒度，即子任务数量，N、R、T均进行正则化处理。
综合分析公式(2)、(3)可知：候选服务集之间的依赖程度R越高，越不利于协同完成任务，即随着R增加，要适当增加G(即应将任务进行分解)；反之分解粒度越大，其他并行任务的等候时间就越多，越不利于系统完成任务，即随着T增加，要适当减少G(即要合并子任务)。
候选服务集状态树中的节点为制造任务的分解后得到的元任务，候选服务集状态树中节点的数值表示该节点对应候选服务集的内部竞争性，候选服务集状态树中边与边的权重表示候选服务集相对于父节点的粒度大小，可根据公式(4)计算得到。
在子任务合并重组过程中，为保证其对应候选服务集内部的竞争性逐步增加，存在依赖关系的候选服务集之间的依赖程度逐步减少，存在并列关系的候选服务集之间的等候时间逐步减少，采用如图2所示的基于广度优先遍历的剪枝算法。
S4中采用基于广度优先遍历的组合策略对候选服务集状态树中的子节点进行裁剪，同时合并相应的子任务，包括：
S41、遍历候选服务集状态树中第m层的所有节点，判断第k个节点是否含有子节点；
S42、若第k个节点含有子节点，则赋值k＝k+1，并返回S41，否则进入S43；
S43、根据公式(4)计算第k个节点的粒度大小G，并判断粒度大小G是否小于0；
S44、若粒度大小G小于0，则说明第k个节点中所有子节点不需要合并，并赋值k＝k+1，返回S41，否则进入S45；
S45、合并对应任务下的所有子任务，同时删除候选服务集状态树中对应的子节点；
S46、重新计算候选服务集状态树中节点和边的值，并赋值m＝m+1，返回S41，直至遍历完候选服务集状态树中的所有节点。
为了更好地理解本申请技术方案，下面以军用电动汽车为例进行说明。
军用电动汽车完全由车载电源供电，并使用电动机作为驱动车轮的动力。一般来说，军用电气车辆使用高效电池作为动力来源，其主要部件包括电力驱动控制系统、底盘、车身和电气系统，其中，电气传动系统主要包括电驱动、车辆动力、辅助模块等。
为验证本方法的有效性，在深入了解军用电动汽车的生产流程之后，对其进行详细梳理，形成如下表所示较为具体的流程，以及如图3所示的依赖关系示意图。
Figure BDA0003072280750000111
Figure BDA0003072280750000121
为使用本发明方法完成任务分解，需含有充足服务组成相应的服务池。为此，通过网络爬虫得到部分网络数据后，根据现有网络数据的特点，在合理范围内对其进行增容。其中，每个服务的服务时间是根据服务的复杂程度，随机生成大小不一但在指定范围内的数值，对于指定输入类型的依赖值，为简单起见，本案例中只将输入分为物流和沟通两种类型，每种类型输入的依赖值也是给定固定值。
当输入任务“驱动电机系统”，初步分解之后，可得到如图4所示的示意图。综合考虑内部竞争性、组间的依赖性和协同性之后，得到如图4所示的最终分解结果，即不需要合并。
当输入任务“电气传动系统”，初步分解之后，可得到如图5所示的示意图。综合考虑内部竞争性、组间的依赖性和协同性之后，得到如图6所示的最终分解结果，即需要合并。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种云制造模式下制造任务的分解方法，其特征在于：包括以下步骤：
S1、建立统一的形式化描述，将需求建模为制造任务，将若干资源的组合建模成用于完成指定制造任务的制造服务；
S2、利用服务池中制造服务的特点，自适应完成制造任务的分解，以及与制造服务的匹配；
S3、获取匹配后得到的候选服务集，并基于候选服务集内部各制造服务的相互关系，构建候选服务集状态树；
S4、采用基于广度优先遍历的组合策略对候选服务集状态树中的子节点进行裁剪，同时合并相应的子任务。
2.根据权利要求1所述的云制造模式下制造任务的分解方法，其特征在于：S1中建立统一的形式化描述，将需求建模为制造任务，将若干资源的组合建模成用于完成指定制造任务的制造服务，包括：
在现有制造任务和制造服务的形式化描述的基础上，对功能信息进行进一步简化描述。
3.根据权利要求1所述的云制造模式下制造任务的分解方法，其特征在于：S2中利用服务池中制造服务的特点，自适应完成制造任务的分解，以及与制造服务的匹配，包括：
S21、根据总任务T总的输出要求，在服务池中匹配符合输出要求的服务集合；
S22、若未能匹配到服务集合，则结束算法，否则获取k级子任务Tk及匹配的候选服务集RSSk，并判断k级子任务Tk的输入是否为空；
S23、若k级子任务Tk的输入为空，则结束算法并得到候选服务集RSSk，否则计算k级子任务Tk的输入与总任务T总的输入之间的相似度；
S24、判断相似度是否满足截止的阈值要求，若满足截止的阈值要求，则结束算法，否则进入S25；
S25、将k级子任务Tk的各个输入分别作为匹配条件，在服务池中匹配符合输出要求的服务集合，重复S22至S24，得到k+1级子任务Tk+1及匹配的候选服务集RSSk+1；
其中，所述k级子任务Tk的输出为总任务T总的输出，所述k级子任务Tk的输入为候选服务集RSSk中各制造服务输入的交集，1≤k≤n－1。
4.根据权利要求1所述的云制造模式下制造任务的分解方法，其特征在于：S3中基于候选服务集内部各制造服务的相互关系，构建候选服务集状态树，包括：
分别计算候选服务集的内部竞争性、候选服务集之间的依赖程度、候选服务集之间的协同难度、候选服务集的粒度大小，并根据计算结果构建候选服务集状态树。
5.根据权利要求4所述的云制造模式下制造任务的分解方法，其特征在于：所述候选服务集的内部竞争性采用制造任务分解后，与各子任务对应的候选服务集中可选择服务的相对个数N来表征，所述相对个数N的计算公式如下：
Figure FDA0003072280740000021
其中，S为候选服务集中指定的匹配个数，即在制造任务分解时指定按照匹配度从高到低排序候选服务集的个数，similarityi表示候选服务集中第i个服务与相应子任务之间的匹配度。
6.根据权利要求5所述的云制造模式下制造任务的分解方法，其特征在于：所述候选服务集之间的依赖程度表示服务之间的相关性，以任务依赖方的输入个数和类别为参数，计算候选服务集之间的依赖程度：
Figure FDA0003072280740000022
其中，M表示任务依赖方的类别个数，Qi表示类别为i的输入个数，wi表示类别为i输入的关联系数，0≤wi≤1，该值的实际取值采用专家评估初定，在日常运行时根据运营结果进行修正。
7.根据权利要求6所述的云制造模式下制造任务的分解方法，其特征在于：所述候选服务集之间的协同难度采用并行任务中，最长服务时间与最短服务时间之间的差值来表征，可采用下式计算：
Ti＝∑N(tmax-tmin) (3)
其中，Ti表示第i个任务的协同服务难度，N表示第i个任务中所有子任务的层级个数，tman、tmin分别表示指定层级中执行任务的最长时间、最短时间。
8.根据权利要求7所述的云制造模式下制造任务的分解方法，其特征在于：所述候选服务集的粒度大小表示完成指定任务的候选服务集粒度大小的合适程度，可采用下式计算：
G＝N×R-(1-N)×T (4)
其中，T为制造任务的分解粒度，即子任务数量，N、R、T均进行正则化处理。
9.根据权利要求8所述的云制造模式下制造任务的分解方法，其特征在于：所述候选服务集状态树中的节点为制造任务的分解后得到的元任务，所述候选服务集状态树中节点的数值表示该节点对应候选服务集的内部竞争性，所述候选服务集状态树中边与边的权重表示候选服务集相对于父节点的粒度大小，可根据公式(4)计算得到。
10.根据权利要求1所述的云制造模式下制造任务的分解方法，其特征在于：S4中采用基于广度优先遍历的组合策略对候选服务集状态树中的子节点进行裁剪，同时合并相应的子任务，包括：
S41、遍历候选服务集状态树中第m层的所有节点，判断第k个节点是否含有子节点；
S42、若第k个节点含有子节点，则赋值k＝k+1，并返回S41，否则进入S43；
S43、计算第k个节点的粒度大小G，并判断粒度大小G是否小于0；
S44、若粒度大小G小于0，则说明第k个节点中所有子节点不需要合并，并赋值k＝k+1，返回S41，否则进入S45；
S45、合并对应任务下的所有子任务，同时删除候选服务集状态树中对应的子节点；
S46、重新计算候选服务集状态树中节点和边的值，并赋值m＝m+1，返回S41，直至遍历完候选服务集状态树中的所有节点。
CN202110542660.2A 2021-05-18 2021-05-18 一种云制造模式下制造任务的分解方法 Withdrawn CN113238866A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110542660.2A CN113238866A (zh) 2021-05-18 2021-05-18 一种云制造模式下制造任务的分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110542660.2A CN113238866A (zh) 2021-05-18 2021-05-18 一种云制造模式下制造任务的分解方法

Publications (1)

Publication Number Publication Date
CN113238866A true CN113238866A (zh) 2021-08-10

Family

ID=77135164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110542660.2A Withdrawn CN113238866A (zh) 2021-05-18 2021-05-18 一种云制造模式下制造任务的分解方法

Country Status (1)

Country Link
CN (1) CN113238866A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081831A (zh) * 2022-06-06 2022-09-20 重庆大学 面向工业互联网制造资源分类的事件重组优化方法及系统
CN115243222A (zh) * 2022-06-23 2022-10-25 中国铁道科学研究院集团有限公司电子计算技术研究所 动车组车地协同任务处理方法及其系统、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115081831A (zh) * 2022-06-06 2022-09-20 重庆大学 面向工业互联网制造资源分类的事件重组优化方法及系统
CN115081831B (zh) * 2022-06-06 2024-06-07 重庆大学 面向工业互联网制造资源分类的事件重组优化方法及系统
CN115243222A (zh) * 2022-06-23 2022-10-25 中国铁道科学研究院集团有限公司电子计算技术研究所 动车组车地协同任务处理方法及其系统、设备及存储介质
CN115243222B (zh) * 2022-06-23 2023-12-12 中国铁道科学研究院集团有限公司电子计算技术研究所 动车组车地协同任务处理方法及其系统、设备及存储介质

Similar Documents

Publication Publication Date Title
Weckenborg et al. Balancing of assembly lines with collaborative robots
Gombolay et al. Fast scheduling of robot teams performing tasks with temporospatial constraints
Zhou et al. Deep reinforcement learning-based dynamic scheduling in smart manufacturing
Shen Distributed manufacturing scheduling using intelligent agents
CN108182109B (zh) 一种云环境下的工作流调度与数据分配方法
CN113238866A (zh) 一种云制造模式下制造任务的分解方法
Tian et al. Addressing a collaborative maintenance planning using multiple operators by a multi-objective Metaheuristic algorithm
Mencía et al. Genetic algorithms for the scheduling problem with arbitrary precedence relations and skilled operators
Liang et al. Restart genetic flatworm algorithm for two-sided disassembly line balancing problem considering negative impact of destructive disassembly
CN112580943A (zh) 一种应用于无人机集群的任务分解与能力匹配方法
CN107016110B (zh) 结合Spark平台的OWLHorst规则分布式并行推理算法
Gu et al. Using real-time manufacturing data to schedule a smart factory via reinforcement learning
CN118396294A (zh) 一种基于量子多智能体强化学习的云制造调度方法
Laili et al. Concurrent local search for process planning and scheduling in the industrial Internet-of-Things environment
Dridi et al. A multi-objective optimization approach for resource assignment and task scheduling problem: Application to maritime domain awareness
Saeidlou et al. Agent-based distributed manufacturing scheduling: An ontological approach
Babukarthik et al. Hybrid algorithm for job scheduling: Combining the benefits of aco and cuckoo search
Gómez-Marín et al. Integrating multi-agent system and microsimulation for dynamic modeling of urban freight transport
Siriweera et al. Constraint-driven dynamic workflow for automation of big data analytics based on graphplan
CN116166440A (zh) 一种基于动态管理的flink流批一体数据处理方法
Wang et al. An integrated approach to reactive scheduling subject to machine breakdown
Rokou et al. Multi-project flexible resource profiles project scheduling with Ant Colony Optimization
CN112734107B (zh) 基于误差逆传播的产品协同设计任务数据分解分配方法
Fang et al. Towards optimal resources allocation in cloud manufacturing: new task decomposition strategy and service composition model
Wang et al. An aggregated-tasks oriented manufacturing services scheduling toward industrial Internet platforms

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20210810

WW01 Invention patent application withdrawn after publication