CN114172963B - 基于资源利用率的多粒度的任务与服务匹配方法和系统 - Google Patents

基于资源利用率的多粒度的任务与服务匹配方法和系统 Download PDF

Info

Publication number
CN114172963B
CN114172963B CN202111205736.9A CN202111205736A CN114172963B CN 114172963 B CN114172963 B CN 114172963B CN 202111205736 A CN202111205736 A CN 202111205736A CN 114172963 B CN114172963 B CN 114172963B
Authority
CN
China
Prior art keywords
service
task
grained
tasks
representing
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.)
Active
Application number
CN202111205736.9A
Other languages
English (en)
Other versions
CN114172963A (zh
Inventor
任明仑
魏杏
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202111205736.9A priority Critical patent/CN114172963B/zh
Publication of CN114172963A publication Critical patent/CN114172963A/zh
Application granted granted Critical
Publication of CN114172963B publication Critical patent/CN114172963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供一种基于资源利用率的多粒度的任务与服务匹配方法和系统，涉及任务调度技术领域。本发明通过获取客户需求和服务资源，并对客户需求进行分解和聚类，得到包括多个任务的制造任务集；基于所述服务资源为所述制造任务集中的任务匹配服务，得到每个任务相应的候选服务集；基于所述制造任务集中子任务执行顺序，从候选服务集选择相应的服务，生成组合服务方案；基于满足QoS的条件下，以最大化资源利用率的为目标，从组合服务方案中选择最优组合服务方案。本发明既考虑需求方的需求，又考虑服务方的资源利用率，在满足QoS的条件下，提升资源利用率。

Description

基于资源利用率的多粒度的任务与服务匹配方法和系统
技术领域
本发明涉及任务调度技术领域，具体涉及一种基于资源利用率的多粒度的任务与服务匹配方法和系统。
背景技术
随着工业互联网与制造过程的深度融合，不同层次的制造资源能够以不同粒度封装为制造服务并通过云平台共享，使得多层级制造服务组合成为新型制造过程的组织方式。拥有制造资源的企业将设备、生产线、生产车间、生产设备等不同层次的制造能力封装为制造服务，并提供给云制造平台。制造商接收客户订单，通过订单分解和重新组合，将客户需求转化为制造服务需求，通过调用云制造平台中的制造服务形成动态制造系统。
现有方法的主要包括以下方案：构建以最大化QoS(Quality of Service，服务质量)为目标的组合服务选择模型，利用元启发式算法(遗传算法GA和粒子群优化算法PSO)求解最优组合服务方案将任务分解为一系列不能分解的子任务；或者，通过一定的规则获得每个子任务的候选服务集，构建以性能、成本、效率为目标的多目标选择优化模型，并基于粒子群算法求解；或者，提供细粒度服务的同时提供额外的粗粒度服务，构建了以QoS为目标的多粒度组合服务模型，并通过遗传算法(GA)获得最优组合服务等方案。综上所述，现有研究的优化大多是以QoS为目标，忽略了资源的利用效率。
即现有优化方法大多是以QoS为目标，导致资源的利用率低。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于资源利用率的多粒度的任务与服务匹配方法和系统，解决了现有的优化方法资源的利用率低的技术问题。
(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：
第一方面，本发明提供一种基于资源利用率的多粒度的任务与服务匹配方法，包括以下步骤：
S1、获取客户需求和服务资源，并对客户需求进行分解和聚类，得到包括多个任务的制造任务集；
S2、基于所述服务资源为所述制造任务集中的任务匹配服务，得到每个任务相应的候选服务集；
S3、基于所述制造任务集中子任务执行顺序，从候选服务集选择相应的服务，生成组合服务方案；
S4、基于满足QoS的条件下，以最大化资源利用率的为目标，从组合服务方案中选择最优组合服务方案。
优选的，所述客户需求包括功能属性、QoS和需求能力。
优选的，所述制造任务集包括粗粒度任务和细粒度任务，
所述粗粒度任务为任务中包含不止一个原子任务，能进一步进行任务分解；
所述细粒度任务只包含一个原子任务，不能进一步进行任务分解。
优选的，所述S3包括：
按照原子任务之间的执行顺序，依次从各原子任务的候选服务集中选择相应的服务，一个粗粒度任务可由一个粗粒度服务或一组细粒度服务执行，细粒度任务只能选择一个服务，生成可以执行总任务的组合服务方案。
优选的，所述S4包括：
S401、基于满足QoS的条件下，以最大化资源利用率的为目标，构建多粒度服务组合优化模型；
S402、通过改进的粒子群优化算法对多粒度服务组合优化模型进行求解，得到最优组合服务方案。
优选的，所述多粒度服务组合优化模型包括：
maxRU(1)
s.t. Cdk≤Cpkm (3)
Cdkn≤Cpkm (4)
Cdkn≤Cpknl (5)
xkm+x'k＝1 (9)
其中：
k表示粗粒度任务数，k＝1，2，…，K；
n表示第k个粗粒度任务所分解的细粒度任务数，n＝1，2，…，Nk；
m表示第k个粗粒度任务对应的候选服务数，m＝1，2，…，Mk；
l表示第k个粗粒度任务分解的第n个细粒度任务的细粒度候选服务数，l＝1，2，…，Lkn；
T0表示客户期望时间值；
C0表示客户期望成本值；
R0表示客户期望可靠性值；
tknl表示服务Sknl的消耗时间；
cknl表示服务Sknl的花费成本；
rknl表示服务Sknl的可靠性；
tkm表示服务Skm的消耗时间；
ckm表示服务Skm的花费成本；
rkm表示服务Skm的可靠性；
Cd表示任务的需求能力；
Cp表示服务的提供能力；
xkm表示决策变量，Skm被选中，xkm＝1；否则，xkm＝0；
yknl表示决策变量，Sknl被选中，yknl＝1；否则，yknl＝0；
x'k表示虚拟变量，一组细粒度服务被选中，x'k＝1,即否则x'k＝0；
zk表示虚拟变量，CTk被选中，zk＝1；否则，zk＝0；
fkn表示虚拟变量，FTkn被选中，fkn＝1；否则，fkn＝0；
z'k表示虚拟变量，一组细粒度任务被选中，z'k＝1；否则z'k＝0；
公式(1)为目标函数，表示最大化服务资源利用率；
公式(2)为资源利用率的具体计算公式，主要包括两部分：一部分为完成粗粒度任务的资源利用率，其中分母为选择粗粒度任务所需要的能力，分子为所选择的服务所提供的能力；另一部分为完成细粒度任务的资源利用率，其中分母为选择细粒度任务所需要的能力，分子为所选择的服务所提供的能力，细粒度任务可以由粗粒度服务完成也可以由细粒度服务完成。最后用平均资源利用率来计算整个服务组合的资源利用率；
公式(3)-(5)是对能力的限制，表示任务所选择的服务所能提供的能力不低于任务所需要的能力，是服务提供方的约束；
公式(6)-(8)分别表示对时间、成本和可靠性的阈值约束，是服务需求方的约束；
公式(9)表示对于粗粒度任务以及等价的一组细粒度任务只能选择其中之一；
公式(10)表示一个细粒度服务只能被选择一次。
优选的，所述改进的粒子群优化算法的改进包括：
采用惯性权重非线性递减的策略，公式如下：
采用Sigmod函数对位置进行更新，公式如下：
假设xij(k)＝1，则
运用改进后的惯性权重即用公式(13)替换速度更新公式vij(k+1)＝ωvij(k)+r1(k)c1(pbestij(k)-xij(k))+r2(k)c2(gbest(k)-xij(k))中的ω；
利用Sigmod函数更新粒子群的位置，即用公式(14)和公式(15)替换位置更新公式xij(k+1)＝xij(k)+vij(k+1)。
第二方面，本发明提供一种基于资源利用率的多粒度的任务与服务匹配系统，所述系统包括：
获取模块，用于获取客户需求和服务资源，并对客户需求进行分解和聚类，得到包括多个任务的制造任务集；
匹配模块，用于基于所述服务资源为所述制造任务集中的任务匹配服务，得到每个任务相应的候选服务集；
组合服务方案生成模块，用于基于所述制造任务集中子任务执行顺序，从候选服务集选择相应的服务，生成组合服务方案；
选择模块，用于基于满足QoS的条件下，以最大化资源利用率的为目标，从组合服务方案中选择最优组合服务方案。
第三方面，本发明提供一种计算机可读存储介质，其存储用于基于资源利用率的多粒度的任务与服务匹配的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的基于资源利用率的多粒度的任务与服务匹配方法。
第四方面，本发明提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的基于资源利用率的多粒度的任务与服务匹配方法。
(三)有益效果
本发明提供了一种基于资源利用率的多粒度的任务与服务匹配方法和系统。与现有技术相比，具备以下有益效果：
本发明通过获取客户需求和服务资源，并对客户需求进行分解和聚类，得到包括多个任务的制造任务集；基于所述服务资源为所述制造任务集中的任务匹配服务，得到每个任务相应的候选服务集；基于所述制造任务集中子任务执行顺序，从候选服务集选择相应的服务，生成组合服务方案；基于满足QoS的条件下，以最大化资源利用率的为目标，从组合服务方案中选择最优组合服务方案。本发明既考虑需求方的需求，又考虑服务方的资源利用率，在满足QoS的条件下，提升资源利用率。
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为本发明实施例中一种基于资源利用率的多粒度的任务与服务匹配方法的框图；
图2为验证过程中不同粒度制造服务组合方法的RU优化过程的折线图；
图3为验证过程中不同目标下的QoS值优化过程的折线图；
图4为验证过程中不同目标下的RU优化过程的折线图。
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，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。
本申请实施例通过提供一种基于资源利用率的多粒度的任务与服务匹配方法和系统，解决了现有的优化方法资源的利用效率低的技术问题，实现在保障服务质量的同时，提高资源利用率。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
多粒度服务是指企业将自身拥有的不同类型的资源进行虚拟化和服务化封装，以制造服务的形式在云制造平台发布，这些服务能够满足某项特定制造任务的要求。制造企业通过发现、匹配与组合这些多粒度服务，形成动态制造系统来满足客户需求。本发明实施例针对不同粒度的服务组合过程中资源无法充分利用的问题，提出了基于服务效率系数的多粒度的任务与服务匹配方法。该方法基于任务和服务资源的多层次多粒度特点，把服务需求和服务资源的多粒度特性作为影响服务系统效率的关键因素，通过服务效率系数定义了服务资源利用率的概念，构建了以最大化服务资源利用率为目标的组合服务优化模型，以满足客户需求和提升资源使用效率。使用离散粒子群优化算法(DPSO)对模型进行求解，在提升资源使用效率的条件下，为需求方提供最优组合服务方案。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种基于服务效率系数的多粒度的任务与服务匹配优化方法，如图1所示，包括：
S1、获取客户需求和服务资源，并对客户需求进行分解和聚类，得到包括多个任务的制造任务集；
S2、基于所述服务资源为所述制造任务集中的任务匹配服务，得到每个任务相应的候选服务集；
S3、基于所述制造任务集中子任务执行顺序，从候选服务集选择相应的服务，生成组合服务方案；
S4、基于满足QoS的条件下，以最大化资源利用率的为目标，从组合服务方案中选择最优组合服务方案。
本发明实施例既考虑需求方的需求，又考虑服务方的资源利用率，在满足QoS的条件下，提升资源利用率。
下面对本发明实施例的各个步骤进行详细描述：
在步骤S1中，获取客户需求和服务资源，并对客户需求进行分解和聚类，得到包括多个任务的制造任务集，具体实施过程如下：
计算机获取客户需求和服务资源。
客户需求表示为TT＝{功能属性、QoS、需求能力}。
将客户需求进行分解和聚类，形成包括多个任务的制造任务集。
需要说明的是，制造任务集包括粗粒度任务和细粒度任务。所述粗粒度任务(第一层任务)为任务包含不止一个原子任务，即可进一步分解的中间任务。所述细粒度任务(第二层任务)只包含一个原子任务，不可再进行划分。
在步骤S2中，基于所述服务资源为所述制造任务集中的任务匹配服务，得到每个任务相应的候选服务集，具体实施过程如下：
这一步骤分为两个阶段，第一阶段是根据需求方的功能属性描述进行语义匹配，获得满足需求功能的服务；第二阶段是根据服务需求方的质量属性QoS筛选满足条件的服务，最终得到每个任务相应的候选服务集。在此粗粒度任务的候选服务集也可以作为其对应的细粒度任务的候选服务集。
在步骤S3中，基于所述制造任务集中子任务执行顺序，从候选服务集选择相应的服务，生成组合服务方案，具体实施过程如下：
按照原子任务之间的执行顺序，依次从各原子任务的候选服务集中选择相应的服务，并且一个粗粒度任务可由一个粗粒度服务或一组细粒度服务执行，细粒度任务只能选择一个服务，生成可以执行总任务的组合服务方案。
在步骤S4中，基于满足QoS的条件下，以最大化资源利用率的为目标，从组合服务方案中选择最优组合服务方案。具体实施过程如下：
每个服务S的QoS信息可以描述为SQoS＝(TS,CS,RS)，分别为服务S的消耗时间、花费成本和可靠性。由于QoS的计算和服务组合的执行路径有着密不可分的关系，因此要确定任务的结构类型。任务之间一般存在四种基本结构，即顺序、并行、选择和循环，考虑到制造的垄断性、高成本和长生命周期，选择和循环结构在大多数情况下不会出现在服务组合路径中，为了便于计算，本发明实施例以任务之间的均为顺序结构进行说明。
S401、基于满足QoS的条件下，以最大化资源利用率的为目标，构建多粒度服务组合优化模型。具体包括：
在整个制造服务组合过程中，服务需求方对服务组合的QoS指标提出要求，传统的优化模型仅追求需求方的利益最大化，忽略了服务提供方的利益。而实际组合过程中，服务提供方也会对服务需求方进行筛选，考虑自身利益。因此，本发明实施例主要考虑服务提供方的利益构建多粒度服务组合优化模型，同时以供需双方的要求为约束，从而达到双方共赢。
多粒度服务组合优化模型如下：
maxRU (1)
s.t. Cdk≤Cpkm (3)
Cdkn≤Cpkm (4)
Cdkn≤Cpknl (5)
xkm+x'k＝1 (9)
其中：
k表示粗粒度任务数，k＝1,2，…，K；
n表示第k个粗粒度任务所分解的细粒度任务数，n＝1，2，…，Nk；
m表示第k个粗粒度任务对应的候选服务数，m＝1，2，…，Mk；
l表示第k个粗粒度任务分解的第n个细粒度任务的细粒度候选服务数，l＝1,2，…，Lkn；
T0表示客户期望时间值；
C0表示客户期望成本值；
R0表示客户期望可靠性值；
tknl表示服务Sknl的消耗时间；
cknl表示服务Sknl的花费成本；
rknl表示服务Sknl的可靠性；
tkm表示服务Skm的消耗时间；
ckm表示服务Skm的花费成本；
rkm表示服务Skm的可靠性；
Cd表示任务的需求能力；
Cp表示服务的提供能力；
xkm表示决策变量，Skm被选中，xkm＝1；否则，xkm＝0；
yknl表示决策变量，Sknl被选中，yknl＝1；否则，yknl＝0；
x'k表示虚拟变量，一组细粒度服务被选中，x'k＝1,即否则x'k＝0；
zk表示虚拟变量，CTk被选中，zk＝1；否则，zk＝0；
fkn表示虚拟变量，FTkn被选中，fkn＝1；否则，fkn＝0；
z'k表示虚拟变量，一组细粒度任务被选中，z'k＝1；否则z'k＝0；
公式(1)为目标函数，表示最大化服务资源利用率；
公式(2)为资源利用率的具体计算公式，主要包括两部分：一部分为完成粗粒度任务的资源利用率，其中分母为选择粗粒度任务所需要的能力(Cpkm＝akm×bkm×ekm)，分子为所选择的服务所提供的能力，akm为服务Skm功能数，bkm为服务Skm中所包含的可执行服务设备或产线数量，ekm为服务Skm效率系数；另一部分为完成细粒度任务的资源利用率，其中分母为选择细粒度任务所需要的能力Cpknl＝aknl×bknl×eknl)，分子为所选择的服务所提供的能力，细粒度任务可以由粗粒度服务完成也可以由细粒度服务完成。最后用平均资源利用率来计算整个服务组合的资源利用率；
公式(3)-(5)是对能力的限制，表示任务所选择的服务所能提供的能力不低于任务所需要的能力，是服务提供方的约束；
公式(6)-(8)分别表示对时间、成本和可靠性的阈值约束，是服务需求方的约束；
公式(9)表示对于粗粒度任务以及等价的一组细粒度任务只能选择其中之一；
公式(10)表示一个细粒度服务只能被选择一次。
需要说明的是，在本发明实施例中，资源利用率(Resource Utilization，RU)：是指在资源配置中已选服务资源的负荷占用程度，是通过每个任务所需要的能力与其所选择服务提供能力的比值的算术平均数计算的，其中任务所需要的能力从客户需求中获得，服务能力(Cp)是通过服务功能数a以及服务中所包含的可执行服务设备或产线数量(b)和服务效率系数e计算的，其中，e表示某一服务单位时间内实际完成的任务数量与根据需求而得的单位时间内完成的任务数量之比。服务能力Cp的数学表达式为Cpi＝ai×bi×ei，当ai＝1时，表示第i个服务为细粒度服务，只可提供一种功能，执行一个细粒度任务；当ai>1时，表示第i个服务为粗粒度服务，可提供多种功能，执行多个细粒度任务。若有q个任务则资源利用率为其中，Cdi表示第i个任务所需要的能力大小，Cpi表示第i个任务所选择的服务所提供的能力大小，且Cdi≤Cpi。
S402、基于组合服务方案，通过改进的粒子群优化算法对多粒度服务组合优化模型进行求解，最优组合服务方案，
最大化资源利用率的组合服务选择是一个单目标、多约束的离散问题，且组合服务方案共有种，当K比较大时，组合服务方案数会呈指数型增长，因此，如何选择最优组合服务方案是一个NP-hard问题。粒子群优化算法(PSO)以及各种启发式算法可以有效解决此类问题，与遗传算法等启发式算法相比，PSO易于理解、容易实现、没有太多的参数需要调整，且一般用于求解连续性问题。由于本发明实施例是离散问题，采用改进的粒子群优化算法对多粒度服务组合优化模型进行求解。求解过程如下：
(1)根据种群大小、粒子个数及变量之间的约束条件随机生成初始化粒子群体，包括随机位置和速度，设置初始最优值为0；
(2)根据目标函数，评价每个粒子的适应度；
(3)将其当前最优适应度值与全局最优位置(gbest)对应的适应度值做比较，如果当前的适应度值更高，则将用当前粒子的位置更新全局最优位置(gbest)。
(4)更新粒子的速度与位置：
速度更新公式：
vij(k+1)＝ωvij(k)+r1(k)c1(pbestij(k)-xij(k))+r2(k)c2(gbest(k)-xij(k))(11)
其中，ω表示惯性权重；r1,r2独立恒等分布的随机数；c1，c2分别为认知和社会加速度系数；xij为第i个粒子在第j维的位置坐标；vij为当前速度；pbestij(k)第k次迭代的个体最优；gbest(k)第k次迭代的全局最优。
位置更新公式：
xij(k+1)＝xij(k)+vij(k+1) (12)
(5)当未达到最大迭代次数K时，返回步骤(2)；否则，算法结束。
本发明实施例中改进的粒子群优化算法的改进之处在于：
传统粒子群优化算法更有利于寻找连续性问题的最优解，为了将其更好的应用于多粒度服务组合优化问题中，提出了改进惯性权重和粒子群更新等策略，以提升算法的效果。
惯性权重的改进
搜索多粒度服务组合的最优解是一个复杂、非线性的循环迭代过程，现有的粒子群优化算法均假设惯性权重呈线性递减的分布趋势，难以适应多粒度服务组合问题的实际需求，导致搜索效率低。本文采用惯性权重非线性递减的策略，一种开口向下的抛物线形式，即
公式(13)中惯性权重初期递减较慢，有利于在初始迭代时寻求满足条件的局部最优值，在接近最大迭代次数时，惯性权重变化较快，在寻找到局部最优值之后能够快速地收敛逼近与全局最优值，提高运算效率。
基于Sigmod函数的粒子群更新
本发明实施例为决策变量为0-1的离散问题，如果继续采用传统的粒子群优化算法对粒子群更新，则会大量出现更新后既不是0也不是1的情况，很难得到满足约束条件的粒子群。因此，本文采用Sigmod函数对位置进行更新，以确保决策变量只取0和1。
假设xij(k)＝1，则
运用改进后的惯性权重即用公式(13)替换公式(11)中的ω，以平衡全局搜索和局部搜索能力，避免陷入局部最优；并利用Sigmod函数更新粒子群的位置，即用公式(14)和公式(15)替换公式(12)，以解决模型中只含有0-1变量的问题。
粒子群优化算法中的其他计算过程为现有技术，此处不再赘述。
下面通过对汽车制造过程分析，验证本发明实施例的有效性。
本验证过程通过对汽车制造过程分析，以汽车的生产和制造环节为例，将其分解为产品设计(CT1)和产品制造(CT2)两个粗粒度任务，进一步分解为外观设计(FT11)、功能设计(FT12)、标准件制造(FT21)和定制件制造(FT22)四个细粒度任务，且一个任务只能被选择一次且一个粗粒度任务或相对应的一组细粒度任务不能同时被选择，按照任务之间的顺序关系执行。为了完成总任务，需要为每个子任务在云平台服务池中匹配候选服务，假设每个子任务都有2个候选服务，其QoS属性值(即时间、成本和可靠性)及能力如表1所示。
表1候选服务属性值
本验证过程设计了两组对比实验，实验1将同一粒度的组合服务方案与不同粒度的组合服务方案的资源利用率结果进行比较；实验2将本发实施例所提的模型与常规的QoS模型计算结果进行比较。并运用MATLAB R2017b编程进行运算。设粒子的维度为任务数6；粒子群规模为20；最大迭代次数K＝100；惯性权重ωmax＝0.8；ωmin＝0.2；学习因子c1＝c2＝2。
实验1的计算结果如图2所示，可以看出不同粒度的最优组合服务方案的资源利用率明显高于同一粒度最优组合服务方案的结果，因此，实验1可以验证基于任务层次性的不同粒度服务组合方法可以有效提高资源利用率。实验2的计算结果如表3所示，以最大化资源利用率为目标的最优解为服务S10，S6，S8的组合，以最大化QoS为目标的最优解为服务S10，S4，S6，S8的组合，在图3和图4中，红色的线表示常规QoS模型的计算结果，蓝色的线表示本文所提模型的计算结果，图3为不同模型下QoS值的比较，从图中可以看出，本发明实施例所提的模型QoS值有所下降，但是只下降了5％；图4为不同模型下的资源利用率的比较，从图中可以看出，本文所提模型的资源利用率比常规的QoS模型提高了46.4％，因此，实验2充分说明了在QoS没有大幅下降的同时，资源利用效率得到了有效提升。综上所述，2个实验表明，本发明实施例所提方法可以有效提高资源利用率，同时，服务质量不会有大幅的下降。
表2计算结果对比
本发明实施例还提供一种基于资源利用率的多粒度的任务与服务匹配系统，所述系统包括：
获取模块，用于获取客户需求和服务资源，并对客户需求进行分解和聚类，得到包括多个任务的制造任务集；
匹配模块，用于基于所述服务资源为所述制造任务集中的任务匹配服务，得到每个任务相应的候选服务集；
组合服务方案生成模块，用于基于所述制造任务集中子任务执行顺序，从候选服务集选择相应的服务，生成组合服务方案；
选择模块，用于基于满足QoS的条件下，以最大化资源利用率的为目标，从组合服务方案中选择最优组合服务方案。
本发明实施例还一种计算机可读存储介质，其存储用于基于资源利用率的多粒度的任务与服务匹配的计算机程序，其中，所述计算机程序使得计算机执行如上述所述的基于资源利用率的多粒度的任务与服务匹配方法。
本发明实施例还提供一种电子设备，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上述所述的基于资源利用率的多粒度的任务与服务匹配方法。
可理解的是，本发明实施例提供的基于资源利用率的多粒度的任务与服务匹配系统、存储介质、电子设备与本发明实施例提供的基于资源利用率的多粒度的任务与服务匹配方法相对应，其有关内容的解释、举例和有益效果等部分可以参考基于资源利用率的多粒度的任务与服务匹配方法中的相应部分，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
本发明实施例所提方法不仅可以有效的提高资源利用率，同时，在满足客户需求的前提下，服务质量不会有太大的牺牲。
需要说明的是，在本文中，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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 (7)

1.一种基于资源利用率的多粒度的任务与服务匹配方法，其特征在于，包括以下步骤：
S1、获取客户需求和服务资源，并对客户需求进行分解和聚类，得到包括多个任务的制造任务集；
S2、基于所述服务资源为所述制造任务集中的任务匹配服务，得到每个任务相应的候选服务集；
S3、基于所述制造任务集中子任务执行顺序，从候选服务集选择相应的服务，生成组合服务方案；
S4、基于满足QoS的条件下，以最大化资源利用率的为目标，从组合服务方案中选择最优组合服务方案，包括：
S401、基于满足QoS的条件下，以最大化资源利用率的为目标，构建多粒度服务组合优化模型；其中，所述多粒度服务组合优化模型包括：
maxRU (1)
s.t.Cdk≤Cpkm (3)
Cdkn≤Cpkm (4)
Cdkn≤Cpknl (5)
xkm+x′k＝1 (9)
其中：
k表示粗粒度任务数，k＝1，2，…，K；
n表示第k个粗粒度任务所分解的细粒度任务数，n＝1，2，…，Nk；
m表示第k个粗粒度任务对应的候选服务数，m＝1，2，…，Mk；
l表示第k个粗粒度任务分解的第n个细粒度任务的细粒度候选服务数，l＝1，2，…，Lkn；
T0表示客户期望时间值；
C0表示客户期望成本值；
R0表示客户期望可靠性值；
tknl表示服务Sknl的消耗时间；
cknl表示服务Sknl的花费成本；
rknl表示服务Sknl的可靠性；
tkm表示服务Skm的消耗时间；
ckm表示服务Skm的花费成本；
rkm表示服务Skm的可靠性；
Cd表示任务的需求能力；
Cp表示服务的提供能力；
xkm表示决策变量，Skm被选中，xkm＝1；否则，xkm＝0；
yknl表示决策变量，Sknl被选中，yknl＝1；否则，yknl＝0；
x′k表示虚拟变量，一组细粒度服务被选中，x′k＝1，即否则x′k＝0；
zk表示虚拟变量，CTk被选中，zk＝1；否则，zk＝0；
fkn表示虚拟变量，FTkn被选中，fkn＝1；否则，fkn＝0；
z′k表示虚拟变量，一组细粒度任务被选中，z′k＝1；否则z′k＝0；
公式(1)为目标函数，表示最大化服务资源利用率；
公式(2)为资源利用率的具体计算公式，主要包括两部分：一部分为完成粗粒度任务的资源利用率，其中分母为选择粗粒度任务所需要的能力，分子为所选择的服务所提供的能力；另一部分为完成细粒度任务的资源利用率，其中分母为选择细粒度任务所需要的能力，分子为所选择的服务所提供的能力，细粒度任务可以由粗粒度服务完成也可以由细粒度服务完成；最后用平均资源利用率来计算整个服务组合的资源利用率；
公式(3)-(5)是对能力的限制，表示任务所选择的服务所能提供的能力不低于任务所需要的能力，是服务提供方的约束；
公式(6)-(8)分别表示对时间、成本和可靠性的阈值约束，是服务需求方的约束；
公式(9)表示对于粗粒度任务以及等价的一组细粒度任务只能选择其中之一；
公式(10)表示一个细粒度服务只能被选择一次；
S402、通过改进的粒子群优化算法对多粒度服务组合优化模型进行求解，得到最优组合服务方案，具体包括：
(1)根据种群大小、粒子个数及变量之间的约束条件随机生成初始化粒子群体，包括随机位置和速度，设置初始最优值为0；
(2)根据目标函数，评价每个粒子的适应度；
(3)将其当前最优适应度值与全局最优位置对应的适应度值做比较，如果当前的适应度值更高，则将用当前粒子的位置更新全局最优位置；
(4)更新粒子的速度与位置：
速度更新公式：
vij(k+1)＝ωvij(k)+r1(k)c1(pbestij(k)-xij(k))+r2(k)c2(gbest(k)-cij(k)) (11)
其中，ω表示惯性权重；r1(k)，r2(k)为第k次迭代的独立恒等分布的随机数；c1，c2分别为认知和社会加速度系数；cij为第i个粒子在第j维的位置坐标；vij为当前速度；pbestij(k)第k次迭代的个体最优；gbest(k)第k次迭代的全局最优；
位置更新公式：
xij(k+1)＝xij(k)+vij(k+1) (12)
(5)当未达到最大迭代次数K时，返回步骤(2)；否则，算法结束。
2.如权利要求1所述的基于资源利用率的多粒度的任务与服务匹配方法，其特征在于，所述客户需求包括功能属性、QoS和需求能力。
3.如权利要求1所述的基于资源利用率的多粒度的任务与服务匹配方法，其特征在于，所述制造任务集包括粗粒度任务和细粒度任务，
所述粗粒度任务为任务中包含不止一个原子任务，能进一步进行任务分解；
所述细粒度任务只包含一个原子任务，不能进一步进行任务分解。
4.如权利要求3所述的基于资源利用率的多粒度的任务与服务匹配方法，其特征在于，所述S3包括：
按照原子任务之间的执行顺序，依次从各原子任务的候选服务集中选择相应的服务，一个粗粒度任务可由一个粗粒度服务或一组细粒度服务执行，细粒度任务只能选择一个服务，生成可以执行总任务的组合服务方案。
5.一种基于资源利用率的多粒度的任务与服务匹配系统，其特征在于，所述系统包括：
获取模块，用于获取客户需求和服务资源，并对客户需求进行分解和聚类，得到包括多个任务的制造任务集；
匹配模块，用于基于所述服务资源为所述制造任务集中的任务匹配服务，得到每个任务相应的候选服务集；
组合服务方案生成模块，用于基于所述制造任务集中子任务执行顺序，从候选服务集选择相应的服务，生成组合服务方案；
选择模块，用于基于满足QoS的条件下，以最大化资源利用率的为目标，从组合服务方案中选择最优组合服务方案，包括：
S401、基于满足QoS的条件下，以最大化资源利用率的为目标，构建多粒度服务组合优化模型；其中，所述多粒度服务组合优化模型包括：
maxRU (1)
s.t.Cdk≤Cpkm (3)
Cdkn≤Cpkm (4)
Cdkn≤Cpknl (5)
xkm+x′k＝1 (9)
其中：
k表示粗粒度任务数，k＝1，2，…，K；
n表示第k个粗粒度任务所分解的细粒度任务数，n＝1，2，…，Nk；
m表示第k个粗粒度任务对应的候选服务数，m＝1，2，…，Mk；
l表示第k个粗粒度任务分解的第n个细粒度任务的细粒度候选服务数，l＝1，2，…，Lkn；
T0表示客户期望时间值；
C0表示客户期望成本值；
R0表示客户期望可靠性值；
tknl表示服务Sknl的消耗时间；
cknl表示服务Sknl的花费成本；
rknl表示服务Sknl的可靠性；
tkm表示服务Skm的消耗时间；
ckm表示服务Skm的花费成本；
rkm表示服务Skm的可靠性；
Cd表示任务的需求能力；
Cp表示服务的提供能力；
xkm表示决策变量，Skm被选中，xkm＝1；否则，xkm＝0；
yknl表示决策变量，Sknl被选中，yknl＝1；否则，yknl＝0；
x′k表示虚拟变量，一组细粒度服务被选中，x′k＝1，即否则x′k＝0；
zk表示虚拟变量，CTk被选中，zk＝1；否则，zk＝0；
fkn表示虚拟变量，FTkn被选中，fkn＝1；否则，fkn＝0；
z′k表示虚拟变量，一组细粒度任务被选中，z′k＝1；否则z′k＝0；
公式(1)为目标函数，表示最大化服务资源利用率；
公式(2)为资源利用率的具体计算公式，主要包括两部分：一部分为完成粗粒度任务的资源利用率，其中分母为选择粗粒度任务所需要的能力，分子为所选择的服务所提供的能力；另一部分为完成细粒度任务的资源利用率，其中分母为选择细粒度任务所需要的能力，分子为所选择的服务所提供的能力，细粒度任务可以由粗粒度服务完成也可以由细粒度服务完成；最后用平均资源利用率来计算整个服务组合的资源利用率；
公式(3)-(5)是对能力的限制，表示任务所选择的服务所能提供的能力不低于任务所需要的能力，是服务提供方的约束；
公式(6)-(8)分别表示对时间、成本和可靠性的阈值约束，是服务需求方的约束；
公式(9)表示对于粗粒度任务以及等价的一组细粒度任务只能选择其中之一；
公式(10)表示一个细粒度服务只能被选择一次；
S402、通过改进的粒子群优化算法对多粒度服务组合优化模型进行求解，得到最优组合服务方案，具体包括：
(1)根据种群大小、粒子个数及变量之间的约束条件随机生成初始化粒子群体，包括随机位置和速度，设置初始最优值为0；
(2)根据目标函数，评价每个粒子的适应度；
(3)将其当前最优适应度值与全局最优位置对应的适应度值做比较，如果当前的适应度值更高，则将用当前粒子的位置更新全局最优位置；
(4)更新粒子的速度与位置：
速度更新公式：
vij(k+1)＝ωvij(k)+r1(k)c1(pbestij(k)-xij(k))+r2(k)c2(gbest(k)-xij(k)) (11)
其中，ω表示惯性权重；r1(k)，r2(k)为第k次迭代的独立恒等分布的随机数；c1，c2分别为认知和社会加速度系数；xij为第i个粒子在第j维的位置坐标；vij为当前速度；pbestij(k)第k次迭代的个体最优；gbest(k)第k次迭代的全局最优；
位置更新公式：
xij(k+1)＝xij(k)+vij(k+1) (12)
(5)当未达到最大迭代次数K时，返回步骤(2)；否则，算法结束。
6.一种计算机可读存储介质，其特征在于，其存储用于基于资源利用率的多粒度的任务与服务匹配的计算机程序，其中，所述计算机程序使得计算机执行如权利要求1～4任一所述的基于资源利用率的多粒度的任务与服务匹配方法。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；以及
一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1～4任一所述的基于资源利用率的多粒度的任务与服务匹配方法。
CN202111205736.9A 2021-10-15 2021-10-15 基于资源利用率的多粒度的任务与服务匹配方法和系统 Active CN114172963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111205736.9A CN114172963B (zh) 2021-10-15 2021-10-15 基于资源利用率的多粒度的任务与服务匹配方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111205736.9A CN114172963B (zh) 2021-10-15 2021-10-15 基于资源利用率的多粒度的任务与服务匹配方法和系统

Publications (2)

Publication Number Publication Date
CN114172963A CN114172963A (zh) 2022-03-11
CN114172963B true CN114172963B (zh) 2023-07-28

Family

ID=80476927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111205736.9A Active CN114172963B (zh) 2021-10-15 2021-10-15 基于资源利用率的多粒度的任务与服务匹配方法和系统

Country Status (1)

Country Link
CN (1) CN114172963B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114679498B (zh) * 2022-03-22 2024-04-26 亚信科技（中国）有限公司 意图信息处理方法、装置、电子设备及可读存储介质
CN116610896B (zh) * 2023-07-07 2023-10-27 浙江大学高端装备研究院 一种基于子图同构的制造服务供需匹配方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105468452A (zh) * 2014-09-04 2016-04-06 中国联合网络通信集团有限公司 一种资源池的分配方法及资源调度器
CN108830408A (zh) * 2018-05-31 2018-11-16 中国人民解放军海军工程大学 一种面向任务资源匹配的装备保障任务多目标规划方法
CN110059942A (zh) * 2019-04-02 2019-07-26 南京邮电大学 一种基于模糊多目标优化的云制造资源服务优化调度方法
CN112511346A (zh) * 2020-11-23 2021-03-16 大连理工大学 一种基于可信度筛选的Web服务组合方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851272B (zh) * 2019-10-30 2022-02-11 内蒙古农业大学 基于吞噬的粒子群遗传混合算法的云任务调度方法
CN110930182A (zh) * 2019-11-08 2020-03-27 中国农业大学 基于改进粒子群优化算法的客户分类方法及装置
CN112116058B (zh) * 2020-09-16 2022-05-31 昆明理工大学 一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法
CN113055088B (zh) * 2021-03-09 2022-04-19 西安电子科技大学 基于改进粒子群算法的室内可见光通信系统功率分配方法
CN113222096B (zh) * 2021-04-30 2022-11-11 桂林理工大学 一种面向云计算任务调度的改进粒子群算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105468452A (zh) * 2014-09-04 2016-04-06 中国联合网络通信集团有限公司 一种资源池的分配方法及资源调度器
CN108830408A (zh) * 2018-05-31 2018-11-16 中国人民解放军海军工程大学 一种面向任务资源匹配的装备保障任务多目标规划方法
CN110059942A (zh) * 2019-04-02 2019-07-26 南京邮电大学 一种基于模糊多目标优化的云制造资源服务优化调度方法
CN112511346A (zh) * 2020-11-23 2021-03-16 大连理工大学 一种基于可信度筛选的Web服务组合方法

Also Published As

Publication number Publication date
CN114172963A (zh) 2022-03-11

Similar Documents

Publication Publication Date Title
Mansouri et al. Hybrid task scheduling strategy for cloud computing by modified particle swarm optimization and fuzzy theory
Zhu et al. An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints
Li et al. Scoring and dynamic hierarchy-based NSGA-II for multiobjective workflow scheduling in the cloud
CN114172963B (zh) 基于资源利用率的多粒度的任务与服务匹配方法和系统
Zhou et al. DE-caABC: differential evolution enhanced context-aware artificial bee colony algorithm for service composition and optimal selection in cloud manufacturing
CN101237469B (zh) 运用蚁群算法优化多QoS网格工作流的方法
Xiao et al. A cooperative coevolution hyper-heuristic framework for workflow scheduling problem
CN112053002B (zh) 一种基于效用感知的云制造多任务调度方法
CN112884248B (zh) 一种大规模云服务流程的优化方法
Xhafa A hybrid evolutionary heuristic for job scheduling on computational grids
CN109522104A (zh) 利用差分进化算法优化Iaas两目标任务调度的方法
CN112511346A (zh) 一种基于可信度筛选的Web服务组合方法
Li et al. Service matching and composition considering correlations among cloud services
CN113033100B (zh) 一种基于混合教学优化算法的云制造服务组合方法
Naghavipour et al. Hybrid metaheuristics using rough sets for qos-aware service composition
CN111654396B (zh) 一种面向汇聚任务多维分解的制造服务聚合协作配置方法
CN115713432A (zh) 一种工业互联网环境下面向生产要素的服务推荐方法
Liu et al. Role-oriented task allocation in human-machine collaboration system
Wang et al. Mining bilateral patterns as priori knowledge for efficient service composition
In et al. Policy-based scheduling and resource allocation for multimedia communication on grid computing environment
CN114980216A (zh) 基于移动边缘计算的依赖型任务卸载系统及方法
CN114707808A (zh) 一种基于动态根节点工序集的逆序设备网络综合调度方法
Purohit et al. A QoS-Aware Clustering Based Multi-Layer Model for Web Service Selection
De Carvalho et al. A hybrid strategy to evolve cellular automata rules with a desired dynamical behavior applied to the task scheduling problem
Yu et al. Team formation in business process context

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
GR01 Patent grant
GR01 Patent grant