CN117094435A - 一种云制造自适应鲁棒服务组合与优化选择新方法 - Google Patents

一种云制造自适应鲁棒服务组合与优化选择新方法 Download PDF

Info

Publication number
CN117094435A
CN117094435A CN202311041708.7A CN202311041708A CN117094435A CN 117094435 A CN117094435 A CN 117094435A CN 202311041708 A CN202311041708 A CN 202311041708A CN 117094435 A CN117094435 A CN 117094435A
Authority
CN
China
Prior art keywords
service
foraging
flight
algorithm
adaptive robust
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.)
Pending
Application number
CN202311041708.7A
Other languages
English (en)
Inventor
李少波
张黔富
周鹏
蒲睿强
陈光林
李开心
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.)
Guizhou University
Original Assignee
Guizhou 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 Guizhou University filed Critical Guizhou University
Priority to CN202311041708.7A priority Critical patent/CN117094435A/zh
Publication of CN117094435A publication Critical patent/CN117094435A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种云制造自适应鲁棒服务组合与优化选择新方法，属于云制造技术领域，该方法包括以下步骤：1)建立自适应鲁棒服务组合与优化选择(ARSCOS)模型；2)采用增强型多目标人工蜂鸟算法(EMOAHA)求解步骤1)中的模型。本发明的自适应鲁棒服务组合与优化选择模型(ARSCOS)，能增强CMS的抗干扰能力，减轻不确定性对任务执行过程的负面影响。

Description

一种云制造自适应鲁棒服务组合与优化选择新方法
技术领域
本发明属于优化算法技术领域，涉及一种云制造自适应鲁棒服务组合与优化选择新方法。
背景技术
云制造(Cloud Manufacturing，CMfg)作为一种新型的智能制造模式，借助云计算、物联网等信息技术，实现了地理上分散制造资源的协同利用。其中，服务组合与优化选择(Service Composition and Optimization Selection，SCOS)是实现CMfg平台资源优化配置的关键，获得了众多学者的关注。然而，在复合制造服务(Composite ManufacturingService，CMS)的实际执行过程中，经常面临各种不确定性，如设备故障、服务退出、任务取消等，这些不确定性是随机且不可预测的，可能对任务顺利执行产生重大影响。特别是对于航空装备制造这种具有多级复杂供应链、质量要求高、多品种、小批量特点的复杂云制造任务，通常包括数十项甚至上百项子任务需要不同企业承担，且制造周期往往长达一年以上。在任务执行过程中经常需要进行临时性的调整或重组，这不可避免地会导致任务执行成本增加、订单延期、服务质量下降等情况发生，甚至可能造成任务失效。因此，确保CMS在不确定环境下能顺利执行至关重要。
然而，现有的SCOS方法在针对实际环境中不确定性事件导致CMS效率低下甚至失效的研究非常有限。一些研究关注于理论架构和服务异常之后的紧急应对方法。这些方法的性能很大程度上依赖于预定义的CMS和实时资源状态，所以很容易产生质量较低的临时调整方案，甚至找不到可行的方案。所以，在CMfg系统中，CMS能否抵抗一定程度的异常事件成为一个重要的考虑因素。因此，本文提出一种自适应鲁棒服务组合与优化选择模型(Adaptive Robust Service Composition and Optimal Selection Model,ARSCOS)，旨在SCOS规划阶段增强CMS抵抗一定不确定事件的能力。
此外，随着CMfg平台中用户需求与服务资源急剧增加，云制造候选服务集(CloudManufacturing Candidate Service Set,CMCSS)的规模越来越大。如何从海量云服务资源中高效地为用户选择符合需求的最优服务组合，提高服务资源利用率和制造能力，便成为增强CMfg平台核心竞争力、提高用户满意度，促进区域协同制造的关键因素。然而，尽管人们对SCOS问题的求解方法进行了大量的研究，但仍存在效率低、效果不理想等问题。
近年来，多目标人工蜂鸟优化算法(Multi-objective Artificial HummingbirdAlgorithm，MOAHA)因结构简单、全局搜索能力强等优点，已被应用于解决能源系统管理，多水库运行等复杂工程问题，其在解决SCOS问题上表现出巨大潜力。
服务组合与优化选择(SCOS)作为云制造的重要组成部分，是通过从候选服务集(CMCSS)中按照一定的流程和规则选择一系列云服务来完成复杂任务，从而提高云制造系统中服务资源的价值和效率。众所周知，SCOS问题本质上是一个具有NP-Hard复杂性的约束组合优化问题，近十多年以来，众多学者从不同的角度对SCOS模型进行了广泛研究。在基于单目标SCOS模型方面，研究包括地理位置、服务相关性、任务相似性与可信度、众包模式和可持续性等。对于多目标SCOS模型的研究涉及云熵、客户偏好属性、能耗、用户短期利润和供应商长期利润以及多利益相关方利益等。
尽管学者们已经从多个角度对SCOS问题模型的优化目标和约束条件进行了研究，但对于处理CMfg任务执行过程中的不确定性的方法的研究相对较少。有学者提出了一些解决方法，如文献“魏乐,赵秋云,舒红平.云制造环境下基于QoS的组合云服务自适应调整[J].兰州大学学报(自然科学版),2012,48(04):98-104.DOI:10.13885/j.issn.0455-2059.2012.04.015”提出了一个高服务质量的云服务自适应调整模型，通过动态调整服务组合方案来适应云制造环境中的服务质量变化和用户需求变化。文献“赵秋云,魏乐,舒红平.云制造环境下制造设备云服务异常处理模型[J].图学学报,2014,35(06):840-846”提出了一种制造设备云服务的异常处理模型，通过对异常事件进行分类、识别和处理来保证云制造环境中的服务可靠性和稳定性。另外，文献“GAO B,WANG S,KANG L,et al.云制造中的异常诊断与处理[C/OL]//2018诊断与系统健康管理大会(PHM-重庆).2018:866-870.DOI:10.1109/PHM-Chongqing.2018.00155”提出了一种基于云制造的异常诊断和处理模型，包括异常检测、原因分析和异常处理三个阶段。文献“WANG Y,WANG S,YANG B,et al.云制造中服务组成异常处理的有效自适应调整方法[J/OL].智能制造期刊,2022,33(3):735-751.DOI:10.1007/s10845-020-01652-4”研究了云制造服务组合的异常处理模型，并提出了3种不同的方法：第一种方法是在CMfg中使用服务异常替换的方法来自适应调整服务组合，以解决单个服务异常的问题。然而，这种方法受到CMfg服务数量的限制，很难找到有效的解决方案。因此，文献“WANG Y,WANG S,KANG L,et al.现实云制造中出现服务异常时的有效动态服务组成重构方法[J/OL].机器人与计算机集成制造,2021,71:102143.DOI:10.1016/j.rcim.2021.102143”提出了第二种方法，即在云制造中使用动态服务组合重构的方法来处理服务异常，这种方法可以在考虑特定约束条件的情况下重构云制造服务组合，但是不能很好显示多个目标之间的关系。最后，文献“WANG Y,WANG S,GAO S,et al.考虑云制造中动态实际约束的自适应多目标服务组成重构方法[J/OL].基于知识的系统,2021,234:107607.DOI:10.1016/j.knosys.2021.107607”进一步考虑了制造资源耦合关系、加工方式和运输方式的选择以及制造资源重构调整的实际约束，提出了一个包含现实云制造中多个实际约束的鲁棒服务组合重构方法。
不难发现，在这些研究中，主要集中于当服务异常发生后如何进行紧急处理，其性能很大程度上依赖于CMS和实时资源状态，很容易产生质量较低的临时调整方案，甚至因为找不到可行的方案而导致整个任务不能顺利执行。因此，在CMfg系统中，在SCOS阶段获得的CMS能否抵抗一定程度的异常事件，便成为一个重要的考虑因素。
发明内容
本发明要解决的技术问题是：提供一种云制造自适应鲁棒服务组合与优化选择新方法，以解决现有技术中存在的技术问题。
本发明采取的技术方案为：一种云制造自适应鲁棒服务组合与优化选择新方法，该方法包括以下步骤：
1)建立自适应鲁棒服务组合与优化选择(ARSCOS)模型；
2)采用增强型多目标人工蜂鸟算法(EMOAHA)求解步骤1)中的模型。
进一步地，上述自适应鲁棒服务组合与优化选择(ARSCOS)模型建立方法步骤为：
101)需求分析和任务分解阶段：将复杂的云制造任务根据实际需求分解为有限的ST，每个ST由合适的MCS执行；
102)服务搜索与匹配：针对每个子任务，检索出所有满足功能需求的MCSs，形成其候选制造云服务集(CMCSS)，表示CMCSS中MCSs的个数；
103)服务组合与优化选择(SCOS)：从CMCSS中为每个子任务(ST)选择一个候选MCS，生成具有最优整体服务质量(QoS)的复合制造服务(CMS)；
104)任务执行：用户确认后，按照最优CMS执行任务；
其中，步骤103)中为每个子任务ST分配一个首选MCS和一个备选AMCS，子任务数设为n，假设每个ST对应的MCS数量相同，设为m，首选MCSs构成优选复合制造服务(preferredCMS,pCMS)，如果没有异常发生，任务将按照pCMS完成；反之，如果某个ST的首选MCS出现异常，该ST将进行修复异常或者由其AMCS替代；当服务发生异常时，考虑以下3种决策造成的任务执行的延迟时间：
A)选择调用备选服务：(1-Pf)×Rt(i)，其中，Pf来表示服务i发生异常时选择等待服务i进行异常修复的概率，Rt(i)为第i个ST的首选MCSi发生异常且其AMCSi被调用时的延迟时间；
B)选择等待服务i进行异常处理，并且服务i能够完成异常处理：Pf×Pc×Rf(i)，其中，Pc表示服务能够成功修复异常的概率，Rf(i)为第i个ST的首选MCSi进行异常处理所需时间；
C)选择等待服务i进行异常处理，若服务i无法完成异常处理，然后调用备选服务：Pf×(1-Pc)×(Rf(i)+Rt(i))。
进一步地，上述使用服务异常发生时任务执行的延迟时间来描述CMS的鲁棒性，作为CMS抵抗异常事件能力的象征，在此基础上，在SCOS过程中应满足以下假设和前提条件：
(a)服务发生异常的概率E(i)选择等待服务进行异常处理的概率Pf、服务能够成功完成异常处理的概率Pc可以通过统计分析得到；
(b)忽略某个ST的首选MCS和AMCS同时失效的情况；
根据CMS的鲁棒性定义，ARSCOS的定量鲁棒性准则定义如下：
进一步地，上述自适应鲁棒服务组合与优化选择(ARSCOS)模型中平均服务质量QoS的最大值和最大鲁棒性，用以下函数表示:
使用Pareto最优集来对多目标解F进行比较。
进一步地，上述增强型多目标人工蜂鸟算法步骤如下：
201)初始化种群；采用基于反向学习(the Opposition Based Learning，OBL)的种群初始化方法初始化种群；当原始解xi在搜索空间中随机生成时，其镜像解xi′将在下边界Low和上边界Up之间生成，且它们之间的关系满足：
其中，Low和Up分别是d维问题的上边界和下边界，r是[0,1]中的随机向量，xi表示给定问题解的第i个食物源的位置，N表示种群数量；
202)食物来源访问表初始化；
203)在觅食过程中，MOAHA算法充分利用了三种飞行技巧，包括全向飞行、对角线飞行和轴向飞行；
204)引导觅食：在引导觅食阶段，目标食物来源确定后，这只蜂鸟就朝它飞去觅食，每只蜂鸟倾向于从花蜜量最大的食物源中访问访问级别最高的食物源；引导觅食的数学模型如下：
vi(t+1)＝xi,tar(t)+D·a·(xi(t)-xi,tar(t)) (11)
其中，xi(t)是在第t次迭代时第ith食物源的位置，xi,tar(t)是第ith蜂鸟打算访问的目标食物源的位置，a是服从标准正态分布N(0,1)的引导因子；D是用来控制蜂鸟飞行的方向矩阵；执行引导觅食之后，更新访问表；
205)改进的领域觅食：通过轮盘赌策略从外部存档中选择一个全局领导者α，然后使用α来引导种群个体向最有希望的区域进行搜索，α的选择是通过轮盘赌方法完成的，每个超立方体的概率如下：
其中，c是一个大于1的常数，N是第i段中获得的帕累托最优解的数量；搜索总是朝着搜索空间最有希望的区域进行；
改进后的领域觅食公式为：
其中，xα(t)为通过轮盘赌策略从外部存档中选出的全局领导者α对应的位置向量，b是区域因子，服从标准正态分布N(0,1)，执行领域觅食策略后，更新访问表。
206)迁移觅食：当蜂鸟所在地区的食物变得稀缺时，它们倾向于迁徙到远离现在所在地的区域觅食，在MOAHA中，基于非支配排序(Non-Dominated Sorting，NDS)的最差前沿的解决方案定义为最差的食物来源，因此，MOAHA中的蜂鸟迁徙觅食行为表示如下：
其中，Fend是最坏的前沿，r是[0,1]中的随机数，Up和Low是上下边界；当迁移觅食完成时，访问表被更新，更新过程与其他两种觅食策略相似；
207)改进差分进化策略：将差分进化算法(Differential Evolution，DE)嵌入MOAHA，标准的差分进化算法包括变异操作、交叉操作和选择操作；执行改进差分进化策略后，更新访问表。
进一步地，上述变异操作中个体xi(t)产生变异个体vi(t)的表达式为：
vi(t)＝xbest(t)+F'·(xr1(t)-xr2(t)) (25)
式中，xbest(t)表示当前的最优解，本发明中使用xα(t)作为xbest(t)；xr1(t)和xr2(t)是在当前代中随机选择的两个个体，r1≠r2≠best；莱维飞行步长F'如下：
式中，α0是步长因子；
进一步地，上述交叉操作是根据交叉因子CR，将变异个体vi(t)和父代个体xi(t)按照公式(18)进行操作得到试验个体ui(t)：
式中，j＝1,2,...,d；j＝jrand是在[1，d]内随机选择的一个整数，保证试验个体ui(t)至少要从变异个体中获vi(t)得一个元素，CR值取值范围[0.1,0.9]，取交叉因子CR＝0.5*(1+Rand)，目的是使CR取值在0.75左右动态变化，增加算法随机性、提高种群多样性。Rand是在[0,1]之间的随机数；
进一步地，上述选择操作采用的是“贪婪”选择策略，即在父代个体xi(t)与试验个体ui(t)之间选择更优的个体作为下一代的种群个体。选择操作表达式为：
式中，f(ui(t))＜f(xi(t))表示个体ui(t)优于xi(t)。
进一步地，上述步骤202)中食物来源访问表初始化如下：
其中，i＝j，VTi,j＝null表示蜂鸟在其特定食物源处进食；对于i≠j，VTi,j＝0表示在当前迭代中，第j个食物源刚刚被第ith蜂鸟访问过。
本发明的有益效果：与现有技术相比，本发明效果如下：
1)本发明的自适应鲁棒服务组合与优化选择模型(ARSCOS)，旨在增强CMS的抗干扰能力，减轻不确定性对任务执行过程的负面影响；
2)为每个ST分配了一个首选MCS和一个备选AMCS。首选MCSs构成了优选复合制造服务(preferred CMS,pCMS)，如果没有异常发生，任务将按照pCMS完成。由于首选MCSs已经预定，可以提前做好生产准备，因此不需要额外的时间。反之，如果某个ST的首选MCS出现异常，该ST将进行修复异常或者由其AMCS替代；
3)考虑到在实际环境中多种因素影响生产决策，引入变量Pf来表示服务发生异常时选择等待服务进行异常修复的概率。此外，由于现实环境中的各种不确定性，服务发生异常之后不一定能够成功修复异常。所以，引用变量Pc来表示服务能够成功修复异常的概率；
4)使用服务异常发生时任务执行的延迟时间来描述CMS的鲁棒性，作为CMS抵抗异常事件能力的象征，鲁棒性越大越好；
5)当考虑两个或两个以上的优化目标时，决策变量之间往往存在冲突，使用Pareto最优集的概念来对多目标解进行比较；
6)MOAHA算法是一种基于生物的元启发式算法，通过多次迭代搜索空间的初始种群来解决优化问题。初始种群的多样性对搜索效率有积极影响。然而，在种群初始化阶段，随机生成的初始位置可能导致搜索效率和质量的不确定性。为了解决这个问题，采用了基于反向学习(the Opposition Based Learning，OBL)的种群初始化方法来提高初始种群的质量和多样性。具体而言，OBL能够生成与原解相反的新解，并选择更好的解作为初始解，从而提高种群的搜索效率和多样性；
7)在标准的MOAHA的领域觅食阶段，蜂鸟利用从外部存档中随机选择的解决方案进行领域搜索，外部存档用于存储迄今为止获得的最佳非支配解决方案。然而，随机选择的方法存在一定的局限性，因为它没有考虑到外部存档中解集的拥挤情况，可能导致种群一直朝向某一区域搜索，从而使求解结果过于集中而陷入局部最优。因此，在本节中首先通过轮盘赌策略[49]从外部存档中选择一个全局领导者α，然后使用α来引导种群个体向最有希望的区域进行搜索；
8)在每次迭代过程中，通过使用轮盘赌选择方法代替原始的随机选择，将迄今为止获得的最好解决方案和最有希望解决方案的位置信息与种群中个体的位置信息进行交流，有效地增强算法的全局搜索能力和解的多样性；
9)将差分进化算法(Differential Evolution，DE)嵌入MOAHA，通过增加个体之间和个体与外部存档之间的信息交流，提高MOAHA的种群多样性和收敛速度；
10)随着种群的不断进化，每个个体的位置通过与迄今为止最好的位置在小范围内交换信息来更新。然而，这可能导致算法过早陷入局部最优。莱维飞行策略是一种特殊的随机游走策略，它在游走过程中伴随着频繁的短距离游走和偶尔长距离游走，从而能有效均衡算法的局部开发与全局探索能力，帮助算法跳出局部最优。因此，在DE算法的变异操作阶段引入莱维飞行策略，并使用莱维飞行步长代替常规变异算法中的变异因子F；取α0＝0.3，运行100次，分为20组时，F'取值直方图如图3所示。可以看到，大部分值位于区间[-0.5,0.5]内，有助于提高算法收敛速度。同时，少部分值位于区间[-0.5,0.5]外，又能帮助算法以一定概率跳出局部最优解。在使用F'代替原本的F之后，既能提高算法的收敛速度，又能以一定概率帮助算法跳出局部最优。
附图说明
图1为CMfgCMfg中的SCOS示意图；
图2为CMfgCMfg中ARSCOS的示意图；
图3为在α0＝0.3时的直方图；
图4为不同算法在测试函数UF2上的结果图；
图5为UF3不同算法在测试函数UF3上的结果图；
图6为不同算法在测试函数ZDT1上的结果图；
图7为不同算法在测试函数ZDT2上的结果图；
图8为不同算法在测试函数CF1上的结果图；
图9为不同算法在测试函数CF6上的结果图；
图10为任务分解的示意图；
图11为最佳解决方案的分布图；
图12为不同算法对解决ARSCOS问题的统计结果图；
图13为不同算法的时间消耗比较图；
图14为本发明的流程图。
具体实施方式
下面结合具体的实施例对本发明进行进一步介绍。
实施例1：如图1-14所示，一种云制造自适应鲁棒服务组合与优化选择新方法，该方法包括以下步骤：
首先建立了一个自适应鲁棒服务组合与优化选择(ARSCOS)模型，旨在服务组合与优化选择(SCOS)的规划阶段提高CMS抵抗一定不确定事件的能力；
在CMfg平台中，服务需求者提交的复杂制造需求可以被视为一个任务T，然后将其分解为多个子任务(ST)，由不同的制造云服务MCS执行，从而实现地理上分散的制造资源的协同，以产生最高的用户满意度，自适应鲁棒服务组合与优化选择(ARSCOS)模型建立方法步骤为：
101)需求分析和任务分解阶段：将复杂的云制造任务根据实际需求分解为有限的ST，每个ST由合适的MCS执行；
102)服务搜索与匹配：针对每个子任务，检索出所有满足功能需求的MCSs，形成其候选制造云服务集(CMCSS)，表示CMCSS中MCSs的个数；
103)服务组合与优化选择(SCOS)：从CMCSS中为每个子任务(ST)选择一个候选MCS，生成具有最优整体服务质量(QoS)的复合制造服务(CMS)；
104)任务执行：用户确认后，按照最优CMS执行任务；
可见，SCOS阶段得到的最优CMS的质量直接关系到任务执行的效率和准确性，本发明的重点是第三阶段，子任务数设为n，为了简化模型，假设每个ST对应的MCS数量相同，设为m。
编码方式：应用整数编码方法对候选服务进行编码，并将组合服务映射到位置向量中，其中每个向量维度的整数值表示对应候选集中具体服务的索引。假设一个任务由n个子任务组成。在整数数组编码方案下，蜂鸟i位置向量由n维数组xi＝{xi1,xi2,...,xin}，i＝1,2,...,N表示，其中每个元素xij表示对应候选集中具体服务的索引,N表示种群数量。例如图1所示位置向量对应的数组为xi＝{1,m,...,i,...1}。
服务质量(Quality of Service，QoS)是衡量基本云服务和组合云服务的重要标准，并已广泛应用于SCOS问题。目前，用于衡量MCSs服务质量(QoS)的评价指标很多，选取SCOS中最常用的四个指标为：时间、成本、可靠性、质量作为度量指标。由于在其他许多文献中已有上述指标的定义和描述，本发明不再重复赘述。此外，在文献“QUE Y,ZHONG W,CHENH,et al.用于云制造中最优QoS感知服务组成选择的改进型自适应免疫遗传算法[J/OL].国际先进制造技术杂志,2018,96:4455-4465.DOI:10.1007/s00170-018-1925-x”中已经考虑了四种经典云制造内部结构的转换。因此，本发明只考虑顺序结构的情况。所以，SCOS的平均QoS计算公式如下:
其中，ωc,ωT,ωRe,ωQ分别表示成本、时间、声誉和产品质量的权重，ωc,ωT,ωRe,ωQ∈[0,1],且ωc+ωT+ωRe+ωQ＝1。以上四个QoS属性和聚合函数的描述如表1所示。
表1顺序类型的总的QoS属性
考虑到QoS中各属性的值域、量纲不同，因此在计算整体QoS值之前，需要将每个指标的QoS值进行归一化处理，根据实际意义，QoS属性指标可以分为积极属性指标和消极属性指标，通过式(2)，可以将考虑的四个属性指标归一化到[0,1]之间。
式中，xmax和xmin分别为评价指标的最大值和最小值。此外，当xmax＝xmin时，qk＝1。
其中，步骤103)中自适应鲁棒服务组合与优化选择模型(ARSCOS)结构如图2所示。该结构为每个子任务ST分配一个首选MCS和一个备选AMCS，子任务数设为n，假设每个ST对应的MCS数量相同，设为m，首选MCSs构成优选复合制造服务(preferred CMS,pCMS)，如果没有异常发生，任务将按照pCMS完成；由于首选MCSs已经预定，可以提前做好生产准备，因此不需要额外的时间；反之，如果某个ST的首选MCS出现异常，该ST将进行修复异常或者由其AMCS替代；
考虑到在实际环境中多种因素影响生产决策，本发明引入变量Pf来表示服务i发生异常时选择等待服务i进行异常修复的概率。此外，由于现实环境中的各种不确定性，服务发生异常之后不一定能够成功修复异常。所以，引用变量Pc来表示服务能够成功修复异常的概率。因此，可以将服务发生异常之后的可能面对决策使用概率表示如下：
·选择调用备选服务：1-Pf；
·选择等待服务i进行异常处理，并且服务i能够完成异常处理：Pf×Pc
·选择等待服务i进行异常处理，但是服务i无法完成异常处理，然后调用备选服务：Pf×(1-Pc)
由于所有的AMCSs都做好生产准备是不现实的，因此在调用AMCSs时需要一些额外的时间来进行生产调度和材料配送，使用来Rt(i)表示。同样，服务进行异常处理所需要的时间用Rf(i)表示。
综上，当服务发生异常时，考虑以下3种决策造成的任务执行的延迟时间：
A)选择调用备选服务：(1-Pf)×Rt(i)，其中，Pf来表示服务i发生异常时选择等待服务i进行异常修复的概率，Rt(i)为第i个ST的首选MCSi发生异常且其AMCSi被调用时的延迟时间；
B)选择等待服务i进行异常处理，并且服务i能够完成异常处理：Pf×Pc×Rf(i)，其中，Pc表示服务能够成功修复异常的概率，Rf(i)为第i个ST的首选MCSi进行异常处理所需时间；
C)选择等待服务i进行异常处理，若服务i无法完成异常处理，然后调用备选服务：Pf×(1-Pc)×(Rf(i)+Rt(i))。
上述使用服务异常发生时任务执行的延迟时间来描述CMS的鲁棒性，作为CMS抵抗异常事件能力的象征，鲁棒性越大越好。在此基础上，在SCOS过程中应满足以下假设和前提条件：
(a)服务发生异常的概率E(i)选择等待服务进行异常处理的概率Pf、服务能够成功完成异常处理的概率Pc可以通过统计分析得到；
(b)忽略某个ST的首选MCS和AMCS同时失效的情况；
根据CMS的鲁棒性定义，ARSCOS的定量鲁棒性准则定义如下：
进行简化后：
其中：n为ST的数量，Rt(i)为第i个ST的首选MCSi发生异常且其AMCSi被调用时的延迟时间，Rf(i)为第i个ST的首选MCSi进行异常处理所需时间，qt(j)表示由其首选MCS执行第j个ST的持续时间，E(i)为第i个ST的异常概率，Pf为服务发生异常时选择等待服务进行异常处理的概率，Pc为服务进行异常处理且能成功修复异常的概率。本发明中取Rt(i)范围为(0.01,20]，qt为[0.65,0.8]，第i个ST的异常概率E(i)在统计分析得到的[0.02,0.1]范围内随机生成，参数设置不失一般性，本发明中Rf(i)、Pf、Pc的取值范围分别为(0.01,20]、[0.7,1]、[0.7,1]。有一点需要说明，这些参数可以根据实际情况进行取值而不影响所提方法的有效性。
上述自适应鲁棒服务组合与优化选择(ARSCOS)模型中平均服务质量QoS的最大值和最大鲁棒性，用以下函数表示:
其中，
式(1)中，ωc、ωT、ωRe和ωQ分别表示成本、时间、声誉和产品质量的权重，ωc∈[0,1]、ωT∈[0,1]、ωRe∈[0,1]和ωQ∈[0,1]，且ωc+ωT+ωRe+ωQ＝1；
当考虑两个或两个以上的优化目标时，决策变量之间往往存在冲突，使用Pareto最优集来对多目标解F进行比较。
其次，采用增强型多目标人工蜂鸟算法(EMOAHA)求解步骤1)中的模型；增强型多目标人工蜂鸟算法(EMOAHA)改进策略包括：使用基于反向学习的策略进行种群初始化、使用轮盘赌策略改进领域觅食、使用改进的差分进化算法嵌入标准MOAHA。
多目标人工蜂鸟算法(multi-objective artificial hummingbird algorithm，MOAHA)是在标准人工蜂鸟算法(Artificial hummingbird algorithm，AHA)的基础上扩展得到的一种高效的多目标优化算法，其采用基于拥挤距离的动态消除法(dynamicelimination-based crowding distance，DECD)维护外部存档，模拟了引导觅食、领域觅食和迁徙觅食三种觅食行为，以及轴向飞行、对角线飞行和全向飞行三种飞行技能。此外，该算法还利用访问表来表示蜂鸟在选择理想食源时的记忆能力。
增强型多目标人工蜂鸟算法步骤如下：
201)初始化种群；MOAHA算法是一种基于生物的元启发式算法，通过多次迭代搜索空间的初始种群来解决优化问题。初始种群的多样性对搜索效率有积极影响。然而，在种群初始化阶段，随机生成的初始位置可能导致搜索效率和质量的不确定性。为了解决这个问题，采用了基于反向学习(the Opposition Based Learning，OBL)的种群初始化方法来提高初始种群的质量和多样性。具体而言，OBL能够生成与原解相反的新解，并选择更好的解作为初始解，从而提高种群的搜索效率和多样性。当原始解xi在搜索空间中随机生成时，其镜像解xi′将在下边界Low和上边界Up之间生成，且它们之间的关系满足：
其中，Low和Up分别是d维问题的上边界和下边界，r是[0,1]中的随机向量，xi表示给定问题解的第i个食物源的位置，N表示种群数量；
202)食物来源访问表初始化；食物来源访问表初始化如下：
其中，i＝j，VTi,j＝null表示蜂鸟在其特定食物源处进食；对于i≠j，VTi,j＝0表示在当前迭代中，第j个食物源刚刚被第ith蜂鸟访问过；
203)在觅食过程中，MOAHA算法充分利用了三种飞行技巧，包括全向飞行、对角线飞行和轴向飞行；
其中，轴向飞行：轴向飞行意味着蜂鸟沿着搜索空间中的任何坐标轴飞行，蜂鸟的轴向飞行给出如下：
对角飞行：对角飞行意味着蜂鸟从矩形的一角飞到搜索空间的对角，蜂鸟的对角飞行给出如下：
/>
全向飞行：全向飞行意味着蜂鸟在搜索空间中投影到每个坐标轴的方向上飞行，蜂鸟的全向飞行给出如下：
D(i)＝1 i＝1,...,d (10)
204)引导觅食：在引导觅食阶段，目标食物来源确定后，这只蜂鸟就朝它飞去觅食，每只蜂鸟倾向于从花蜜量最大的食物源中访问访问级别最高的食物源；引导觅食的数学模型如下：
vi(t+1)＝xi,tar(t)+D·a·(xi(t)-xi,tar(t)) (11)
其中，xi(t)是在第t次迭代时第ith食物源的位置，xi,tar(t)是第ith蜂鸟打算访问的目标食物源的位置，a是服从标准正态分布N(0,1)的引导因子；D是用来控制蜂鸟飞行的方向矩阵，也就是步骤203中的三种飞行技巧中一种得到的方向矩阵；执行引导觅食之后，更新访问表；
205)改进的领域觅食：在标准的MOAHA的领域觅食阶段，蜂鸟利用从外部存档中随机选择的解决方案进行领域搜索，外部存档用于存储迄今为止获得的最佳非支配解决方案。然而，随机选择的方法存在一定的局限性，因为它没有考虑到外部存档中解集的拥挤情况，可能导致种群一直朝向某一区域搜索，从而使求解结果过于集中而陷入局部最优，因此，通过轮盘赌策略从外部存档中选择一个全局领导者α，然后使用α来引导种群个体向最有希望的区域进行搜索，α的选择是通过轮盘赌方法完成的，每个超立方体的概率如下：
其中，c是一个大于1的常数，N是第i段中获得的帕累托最优解的数量；搜索总是朝着搜索空间最有希望的区域进行；式(15)中可以看出，α被选中的概率与超立方体中的拥挤程度成反比，超立方体越拥挤，被选为领导者的概率越低。因此，搜索总是朝着搜索空间最有希望的区域进行；
改进后的领域觅食公式为：
其中，xα(t)为通过轮盘赌策略从外部存档中选出的全局领导者α对应的位置向量，b是区域因子，服从标准正态分布N(0,1)，执行领域觅食策略后，更新访问表，在每次迭代过程中，通过使用轮盘赌选择方法代替原始的随机选择，将迄今为止获得的最好解决方案和最有希望解决方案的位置信息与种群中个体的位置信息进行交流，有效地增强算法的全局搜索能力和解的多样性。
206)迁移觅食：当蜂鸟所在地区的食物变得稀缺时，它们倾向于迁徙到远离现在所在地的区域觅食，在MOAHA中，基于非支配排序(Non-Dominated Sorting，NDS)的最差前沿的解决方案定义为最差的食物来源，因此，MOAHA中的蜂鸟迁徙觅食行为表示如下：
其中，Fend是最坏的前沿，r是[0,1]中的随机数，Up和Low是上下边界；当迁移觅食完成时，访问表被更新，更新过程与其他两种觅食策略相似；
207)改进差分进化策略：将差分进化算法(Differential Evolution，DE)嵌入MOAHA，通过增加个体之间和个体与外部存档之间的信息交流，提高MOAHA的种群多样性和收敛速度。差分进化算法是一种基于种群的全局优化算法，具有原理简单、控制参数较少和鲁棒性较好的特点，标准的差分进化算法包括变异操作、交叉操作和选择操作；执行改进差分进化策略后，更新访问表。
上述变异操作是充分体现差分进化思想的关键步骤，存在多种不同形式的策略，最为经典和常用的策略是“DE/best/1”，随着种群的不断进化，每个个体的位置通过与迄今为止最好的位置在小范围内交换信息来更新。然而，这可能导致算法过早陷入局部最优。莱维飞行策略[54,55]是一种特殊的随机游走策略，它在游走过程中伴随着频繁的短距离游走和偶尔长距离游走，从而能有效均衡算法的局部开发与全局探索能力，帮助算法跳出局部最优。因此，在DE算法的变异操作阶段引入莱维飞行策略，并使用莱维飞行步长代替变异因子F。
莱维飞行的位置更新公式如下：
其中，xi(t)表示第t代第i个个体的位置；表示点对点乘法；α表示步长控制量，可以表示为：
α＝α0·(xi(t)-xbest(t)) (21)
其中，α0是步长因子，一般取0.01，xi(t)表示第t代的第i个解，xbest(t)表示当前的最优解，本发明中使用xα(t)作为xbest(t)，Levy(s)表示服从莱维分布的随机路径，s是莱维飞行的步长，实际工程中常用Mantegna算法模拟莱维飞行，步长s计算公式为：
其中，μ和v服从正态分布，定义如下：
在公式(23)中，Γ表示伽马函数；β通常取值为1.5。
引用莱维飞行步长F'来代替变异因子F，变异操作中个体xi(t)产生变异个体vi(t)的表达式为：
vi(t)＝xbest(t)+F'·(xr1(t)-xr2(t)) (25)
式中，xbest(t)为当前代适应度最优的个体，本发明中使用xα(t)作为xbest(t)；xr1(t)和xr2(t)是在当前代中随机选择的两个个体，r1≠r2≠best；莱维飞行步长F'如下：
式中，α0是步长因子；
变异因子F的取值范围通常在[0,2]之间，一般而言，较小的取值能够在已发现的良好解附近进行精细搜索，以进一步优化个体。较大的取值能够更广泛地搜索搜索空间，有助于发现新的解或跳出局部最优。取α0＝0.3，运行100次，分为20组时，F'取值直方图如图3所示。可以看到，大部分值位于区间[-0.5,0.5]内，有助于提高算法收敛速度。同时，少部分值位于区间[-0.5,0.5]外，又能帮助算法以一定概率跳出局部最优解。在使用F'代替原本的F之后，既能提高算法的收敛速度，又能以一定概率帮助算法跳出局部最优。
上述交叉操作是根据交叉因子CR，将变异个体vi(t)和父代个体xi(t)按照公式(18)进行操作得到试验个体ui(t)：
式中，j＝1,2,...,d；j＝jrand是在[1，d]内随机选择的一个整数，保证试验个体ui(t)至少要从变异个体中获vi(t)得一个元素，CR值取值范围[0.1,0.9]，取交叉因子CR＝0.5*(1+Rand)，目的是使CR取值在0.75左右动态变化，增加算法随机性、提高种群多样性。Rand是在[0,1]之间的随机数；
上述选择操作采用的是“贪婪”选择策略，即在父代个体xi(t)与试验个体ui(t)之间选择更优的个体作为下一代的种群个体。选择操作表达式为：
式中，f(ui(t))＜f(xi(t))表示个体ui(t)优于xi(t)。
进一步地，上述步骤202)中食物来源访问表初始化如下：
其中，i＝j，VTi,j＝null表示蜂鸟在其特定食物源处进食；对于i≠j，VTi,j＝0表示在当前迭代中，第j个食物源刚刚被第ith蜂鸟访问过。
针对提出的ARSCOS问题，设计了EMOAHA算法，其伪代码如下1所示。
/>
EMOAHA算法的计算复杂度主要取决于蜂鸟种群的大小(N)、最大迭代次数(T)和目标数(M)、种群维度为(D)、外部存档的大小与种群大小相等(N)。下面的操作符在最坏的情况下度量EMOAHA的计算复杂度。
(1)NDS的复杂度为O(TMN2)。
(2)从存档中删除拥挤距离最小的元素并更新存档需要O(TMN2logN)，计算相邻元素的拥挤距离需要O(2TMN)。DECD方法的计算复杂度为最大(O(TMN2logN)+O(2TMN))。
(3)引导觅食、领地觅食、迁移觅食和差分进化操作的计算复杂度分别为O(0.5TMN)、O(0.5TMN)和O(0.5TM/N)、O(TMND)。
(4)基于反向学习种群初始化复杂度为。O(MND)因此，EMOAHA的计算复杂度为:O(EMOAHA)＝max(O(TMN2),O(TMN2logN+2TMN),O(TMN+0.5TM/N+TMND)，O(MND))。
因此，总体复杂度为:O(EMOAHA)＝O(TMN2logN)。
进行了两组实验，以探索所提出的算法的性能。第一组实验用于评价所提算法在17种知名的测试函数上的有效性。第二组实验旨在评估所提方法在真实云制造案例上的性能。
多目标优化算法的性能一般从多样性和收敛性两个方面进行评价，由于单一的性能指标不能很好地描述这两个评价标准，本发明采用常用的综合指标，反转世代距离(IGD)和超体积(HV)来同时评价算法的收敛性和多样性。
EMOAHA对基准函数的有效性：从以往文献中选取了17种知名标准测试函数，包括UF1-7、ZDT1-3和CF1-7，使用IGD指标和HV指标进行了性能评价，所有算法的参数设置参见表2。
表2各个算法的参数设置
/>
所有算法IGD、HV指标计算结果如表3和表4所示，通过不同算法获得的最优结果用粗体突出显示，并且Mean/Std表示平均值、标准差。结合表3和表4中数据的统计结果可以看出。在IGD指标上，除了UF3、UF7、CF1、CF5，EMOAHA在其余所有基准测试函数上取得最好的结果。对于MOAHA，仅在UF7和CF1上获得最佳IGD值，对于SMOGWO,仅在UF3上取得最佳值，对于NSGA-III仅在CF5上获得最佳值。其余算法均没有取得最佳平均值。所有算法在HV指标上的结果与在IGD指标上相似，因为两者都是从综合性能来评价算法性能。EMOAHA在除了UF3、ZDT3、CF1、CF5之外的基准测试函数上取得最佳值。其中MOAHA在CF1上获得最佳值，SMOGWO在UF3上获得最佳值，NSGA-II在ZDT3上获得最佳值，NSGA-III在CF5上获得最佳值，其余算法均没有取得最佳平均值。表3和表4中结果表明，EMOAHA在求解基准测试函数方面相比其他算法具有明显的优势。
为了检验EMOAHA在IGD指标和HV指标上与对比算法之间的显著差异，采用了Wilcoxon符号秩检验(WSRT)来对比EMOAHA和其他算法。WSRT的统计结果分别在表5和表6中给出。在表中，“+”表示EMOAHA的指标优于另一算法，“-”表示EMOAHA的指标劣于另一算法，“≈”表示EMOAHA和另一算法之间没有显著差异。
在表5中，IGD的WSRT结果表明了EMOAHA在17个函数中的13、15、16、17、17、17、16、16、17、16和17个上分别优于MOAHA、SMOGWO、MOGWO、MODE、MOMVO、MOPSO、NSGA-II、NSGA-III、MOEA/D、MAOA和MOAOVA。结果表明，EMOAHA与对比算法存在显著差异，且EMOAHA在IGD指标上具有比其他优化方法更好的综合性能。在表6中，HV的WSRT结果表明了EMOAHA在17个函数中的15、15、16、17、17、17、13、14、17、17和17个上分别优于MOAHA、SMOGWO、MOGWO、MODE、MOMVO、MOPSO、NSGA-II、NSGA-III、MOEA/D、MAOA和MOAOVA。结果表明，EMOAHA与对比算法存在显著差异，且EMOAHA在HV指标上具有比其他优化方法更好的综合性能。
为了更直观比较各算法求解情况，从每个测试函数系列中选取两个函数作为代表。如图4-9所示，给出上述算法在基准函数UF2、UF3、ZDT1、ZDT2、CF2和CF6上获得的最优解的分布。其中黑色实心点表示PF，红色实心点表示算法获得的最优解集。可以发现，对于UF2,与其他算法相比，EMOAHA提供最佳收敛性和覆盖率，其次是MOAHA和NSGA-II。对于UF3，EMOAHA并没有获得一个较好的值，相反，SMOGWO显著更靠近PF，这个结果与表3和表4中结果一致。对于ZDT1、ZDT2和CF1，EMOAHA和MOAHA提供最佳收敛性和覆盖率，可能得益于EMOAHA和MOAHA独特的解更新机制和存档维护方法。对于CF6，EMOAHA提供最佳的收敛性和覆盖率。
为了对所有算法的综合性能进行排名，采用Friedman检验，Friedman检验是在算法提供的平均解决方案上进行的。算法越好，排名越低。表7显示了IGD指标和HV指标的Friedman检验结果。p值小于显著性水平α＝0.05。这里，p值越小，差异越显著。这一结果表明，上述比较算法之间存在明显差异。
从表7中可以看出，EMOAHA在IGD、HV指标方面排名第一，与其他算法相比，显示了强大的竞争力。MOAHA在IGD指标上排名第二，但在HV指标上排名第三。SMOGWO在IGD指标上排名第三，但在HV指标上排名第五。NSGA-III在IGD指标上排名第四，在HV指标上排名第二。NSGA-II在IGD指标上排名第五，在HV指标上排名第四。可见，各算法在两个指标上的排名不同，显示了不同角度的性能变化。可以得出结论，EMOAHA在解决不同的MOPs时显示出优越的收敛性和多样性。
综合所有比较结果，表明EMOAHA在求解测试函数方面具有优越性，同时也验证了本发明设计的策略的有效性。
表3基准函数上的IGD度量结果
表4基准函数上的HV度量结果
/>
表5 IGD指标的WSRT的结果
/>
表6IGD指标的HV的结果
表7基准函数上的IGD和HV度量的Friedman检验(显著性水平α＝0.05)
EMOAHA在ARSCOS问题上的有效性：验证了EMOAHA在解决ARSCOS问题上的实用性。以贵州省某航空装备制造公司生产某型号民用无人机为例。该民用无人机机体结构制造需要通过CMfg服务平台外包合作完成，将该任务需求提交到CMfg平台之后，被分解为10个子任务，如图10所示。包括：机体结构设计、原材料采购、机身制造、机鼻制造、V型尾翼制造、主翼制造、副翼制造、襟翼制造、机体组装、检验测试。
若每个子任务对应的候选服务有50个，则ARSCOS问题的规模可用“n-m”表示，其中n表示子任务的数目，m表示候选服务任务的数目，所以该飞机机体结构制造任务实例可以表示为“10-50”。
在计算QoS之前，成本(C)和时间(T)应通过公式(2)归一化，并且成本、时间、可靠性和质量的权重w设置为0.25。所有算法的参数设置与前述一致，见表2。在不失通用性的前提下，候选服务的相关参数在初始化时在一定范围内随机生成，取值范围见表8。
表8候选服务指数值范围
此外，为了进一步验证模型和算法在不同规模ARSCOS问题上的适用性，考虑将本案例扩展为9个不同规模的ARSCOS问题。其中，子任务(ST)数量在原来基础上扩展为10、20、30个，且每个子任务对应候选服务(MCS)数量扩展为50、100、150个。所以，一共得到9种不同规模ARSCOS问题，表示为：“10-50、10-100、10-150、20-50、20-100、20-150、30-50、30-100、30-150”。
使用IGD指标和HV指标进行评价，因为ARSCOS问题的真实前沿PF未知，将所有算法运行结果中获得的非支配前沿作为问题的近似前沿，用来计算IGD指标。考虑算法的随机性，每个算法独立运行20次。所有算法IGD、HV指标计算结果如表9和表10所示，通过不同算法获得的最优结果用粗体突出显示，并且Mean/std表示平均值、标准差。
结合表9和表10中数据的统计结果可以看出，在IGD指标上，除了“10-50”、“30-100”、“30-150”，EMOAHA在其余所有规模的ARSCOS问题上取得最好的结果。对于MOAHA，仅在“10-50”上获得最佳IGD值。对于NSGA-III仅在“30-100”和“30-150”上获得最佳值，其余算法均没有取得最佳平均值。在HV指标上，EMOAHA在所有9个规模ARSCOS问题上取得最佳值。EMOAHA在IGD指标和HV指标上性能差异较大，有一个可能的原因是因为用来计算IGD指标的近似前沿不均匀。
为了检验EMOAHA在IGD指标和HV指标上与对比算法之间的显著差异，我们采用了Wilcoxon符号秩检验(WSRT)来对比EMOAHA和其他算法。在表11和表12中，“+”表示EMOAHA的指标优于另一算法，“-”表示EMOAHA的指标劣于另一算法，“≈”表示EMOAHA和另一算法之间没有显著差异。
在表11中，IGD的WSRT结果表明了EMOAHA在所有9个规模上都显著优于SMOGWO、MOGWO、MODE、MOPSO、MOEA/D、MAOA、MOAVOA；在9个规模的7、8、6、和3个上分别优于MOAHA、MOMVO、NSGA-II和NSGA-III。在表12中，HV的WSRT结果表明了EMOAHA在所有9个规模上都显著优于MOAHA、SMOGWO、MOGWO、MODE、MOMVO、MOPSO、MOEA/D、MAOA、MOAVOA；在9个规模的7和6个上分别优于NSGA-II和NSGA-III。结果表明，EMOAHA与对比算法存在显著差异，且EMOAHA在IGD和HV指标上具有比其他优化方法更好的综合性能。
表9不同规模的ARSCOS问题上的IGD度量结果
表10不同规模的ARSCOS问题上的HV度量结果
表11IGD指标的WSRT的结果
表12HV指标的WSRT的结果
为了直观比较各算法的求解性能，图11给出了所有算法在9个规模ARSCOS问题下得到的最优解分布。可以看到，EMOAHA得到的红点大部分分布在最外面的部分，且分布较为分散，这反映了其较好的收敛性和多样性。其次NSGA-III、NSGA-II、MOAHA得到的解分布接近EMOAHA。
此外，为了直观展示各算法计算结果的分布情况，图12给出了所有算法的和HV值的箱线图，根据箱线图中所示的均值(圆圈)可以看到，EMOAHA在所有规模上数据分布在图像最上方，表明EMOAHA算法获得的解集质量高于其余算法。此外，在所有规模上MOEA/D箱线图分布在图形最下方区域，表明MOEA/D求解结果质量较差。
表13不同算法的IGD和HV指标的Friedman检验(显著水平α＝0.05)
最后，对不同规模的ARSCOS问题进行了计算时间统计，定量分析了时间消耗。如表14所示，给出了所有算法求解9种不同规模的ARSCOS问题的平均计算成本。为便于直观比较，将各算法时间消耗表示在图13中。
从图13中可以看出，MOMVO、MOPSO、MODE在所有规模问题上都表现出较低的时间消耗。MOGWO、MOAVOA，MOEA/D、MOAHA、SMOGWO、MAOA、MOAVOA在所有规模上时间消耗都低于EMOAHA。仔细观察发现，MOAHA在所有规模上时间消耗高于大部分算法，这是因为MOAHA集成的基于动态消除的拥挤距离(DECD)来维护外部存档的方法而导致的。因此，当EMOAHA在基于MOAHA的基础上加入一些改进策略之后，其时间消耗必然会高于包括MOAHA在内得一部分算法。尽管如此，NSGA-II、NSGA-III的时间消耗在所有规模上仍然远超EMOAHA，约为EMOAHA的3倍。综合所有统计结果来看，虽然NSGA-II、NSGA-III在ARSCOS问题上获得仅次于EMOAHA的最好结果，但是其是以成倍的时间消耗为代价的。在高性能要求的情况下，EMOAHA的计算时间消耗仍然在可接受的范围内。因此，很容易地推断出EMOAHA是求解ARSCOS问题的一个高效算法。
综上所述，通过对实验结果的统计和分析可以看出，在ARSCOS问题上，EMOAHA取得比其他竞争对手更好的综合性能，验证了提出的改进策略的有效性。
表14不同算法在解决不同规模的ARSCOS问题中的时间消耗
随着对云制造中服务组合与优化选择(SCOS)研究的不断深入，迫切需要考虑实际环境中的不确定性对复合制造服务效率的影响，以确保复合制造服务的高效执行。本文首先建立了ARSCOS模型，将鲁棒性作为响应时间的独立优化目标之一，并考虑到服务异常时面临的两种决策。然后，针对标准MOAHA提出了三种改进策略：(a)使用反向学习(OBL)策略提高初始种群的质量；(b)使用轮盘赌策略改进领域觅食策略，提高种群全局搜索能力；(c)引入改进差分进化策略，提高种群多样性和收敛速度。最后，设计了两组实验来验证所提方法的性能。实验结果表明，EMOAHA算法在ARSCOS问题和所选基准函数方面均优于其他算法，表现出最好的综合性能。本发明的研究对于提升CMfg平台中复合制造服务的效率和鲁棒性具有重要意义，为实际应用和进一步研究提供了有价值的参考和指导。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内，因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种云制造自适应鲁棒服务组合与优化选择新方法，其特征在于：该方法包括以下步骤：
1)建立自适应鲁棒服务组合与优化选择模型ARSCOS；
2)采用增强型多目标人工蜂鸟算法EMOAHA求解步骤1)中的模型。
2.根据权利要求1所述的一种云制造自适应鲁棒服务组合与优化选择新方法，其特征在于：自适应鲁棒服务组合与优化选择模型ARSCOS建立方法步骤为：
101)需求分析和任务分解阶段：将复杂的云制造任务根据实际需求分解为有限的ST，每个ST由合适的MCS执行；
102)服务搜索与匹配：针对每个子任务，检索出所有满足功能需求的MCSs，形成其候选制造云服务集CMCSS，m表示CMCSS中MCSs的个数；
103)服务组合与优化选择SCOS：从CMCSS中为每个子任务ST选择一个候选MCS，生成具有最优整体服务质量QoS的复合制造服务CMS；
104)任务执行：用户确认后，按照最优CMS执行任务；
其中，步骤103)中为每个子任务ST分配一个首选MCS和一个备选AMCS，子任务数设为n，假设每个ST对应的MCS数量相同，设为m，首选MCSs构成优选复合制造服务pCMS，如果没有异常发生，任务将按照pCMS完成；反之，如果某个ST的首选MCS出现异常，该ST将进行修复异常或者由其AMCS替代；当服务发生异常时，考虑以下3种决策造成的任务执行的延迟时间：
A)选择调用备选服务：(1-Pf)×Rt(i)，其中，Pf来表示服务i发生异常时选择等待服务i进行异常修复的概率，Rt(i)为第i个ST的首选MCSi发生异常且其AMCSi被调用时的延迟时间；
B)选择等待服务i进行异常处理，并且服务i能够完成异常处理：Pf×Pc×Rf(i)，其中，Pc表示服务能够成功修复异常的概率，Rf(i)为第i个ST的首选MCSi进行异常处理所需时间；
C)选择等待服务i进行异常处理，若服务i无法完成异常处理，然后调用备选服务：Pf×(1-Pc)×(Rf(i)+Rt(i))。
3.根据权利要求2所述的一种云制造自适应鲁棒服务组合与优化选择新方法，其特征在于：使用服务异常发生时任务执行的延迟时间来描述CMS的鲁棒性，作为CMS抵抗异常事件能力的象征，在此基础上，在SCOS过程中应满足以下假设和前提条件：
(a)服务发生异常的概率E(i)选择等待服务进行异常处理的概率Pf、服务能够成功完成异常处理的概率Pc通过统计分析得到；
(b)忽略某个子任务ST的首选MCS和AMCS同时失效的情况；
根据CMS的鲁棒性定义，ARSCOS的定量鲁棒性准则定义如下：
式(3)进行简化后：
其中：n为ST的数量，Rt(i)为第i个ST的首选MCSi发生异常且其AMCSi被调用时的延迟时间，Rf(i)为第i个ST的首选MCSi进行异常处理所需时间，qt(j)为其首选MCS执行第j个ST的持续时间，E(i)为第i个ST的异常概率，Pf为服务发生异常时选择等待服务进行异常处理的概率，Pc为服务进行异常处理且能成功修复异常的概率。
4.根据权利要求3所述的一种云制造自适应鲁棒服务组合与优化选择新方法，其特征在于：自适应鲁棒服务组合与优化选择(ARSCOS)模型中平均服务质量QoS的最大值和最大鲁棒性，用以下函数表示:
其中，
式(1)中，ωc、ωT、ωRe和ωQ分别表示成本、时间、声誉和产品质量的权重，ωc∈[0,1]、ωT∈[0,1]、ωRe∈[0,1]和ωQ∈[0,1]，且ωc+ωT+ωRe+ωQ＝1；
使用Pareto最优集来对多目标解F进行比较。
5.根据权利要求4所述的一种云制造自适应鲁棒服务组合与优化选择新方法，其特征在于：增强型多目标人工蜂鸟算法步骤如下：
201)初始化种群；采用基于反向学习的种群初始化方法初始化种群；反向学习能够生成与原解相反的新解，并选择更好的解作为初始解，当原始解xi在搜索空间中随机生成时，其镜像解xi′将在下边界Low和上边界Up之间生成，且它们之间的关系满足：
其中，Low和Up分别是d维问题的上边界和下边界，r是[0,1]中的随机向量，xi表示给定问题解的第i个食物源的位置，N表示种群数量；
202)食物来源访问表初始化；
203)在觅食过程中，MOAHA算法包括全向飞行、对角线飞行和轴向飞行；
其中，轴向飞行：轴向飞行意味着蜂鸟沿着搜索空间中的任何坐标轴飞行，蜂鸟的轴向飞行给出如下：
对角飞行：对角飞行意味着蜂鸟从矩形的一角飞到搜索空间的对角，蜂鸟的对角飞行给出如下：
全向飞行：全向飞行意味着蜂鸟在搜索空间中投影到每个坐标轴的方向上飞行，蜂鸟的全向飞行给出如下：
D(i)＝1 i＝1,...,d (10)
204)引导觅食：在引导觅食阶段，目标食物来源确定后，这只蜂鸟就朝它飞去觅食，每只蜂鸟倾向于从花蜜量最大的食物源中访问访问级别最高的食物源；引导觅食的数学模型如下：
vi(t+1)＝xi,tar(t)+D·a·(xi(t)-xi,tar(t)) (11)
其中，xi(t)是在第t次迭代时第ith食物源的位置，xi,tar(t)是第ith蜂鸟打算访问的目标食物源的位置，a是服从标准正态分布N(0,1)的引导因子；D是用来控制蜂鸟飞行的方向矩阵；执行引导觅食之后，更新访问表；
205)改进的领域觅食：通过轮盘赌策略从外部存档中选择一个全局领导者α，然后使用α来引导种群个体向最有希望的区域进行搜索，α的选择是通过轮盘赌方法完成的，每个超立方体的概率如下：
其中，c是一个大于1的常数，N是第i段中获得的帕累托最优解的数量；搜索总是朝着搜索空间最有希望的区域进行；
改进领域觅食公式为：
其中，xα(t)为通过轮盘赌策略从外部存档中选出的全局领导者α对应的位置向量，b是区域因子，服从标准正态分布N(0,1)，执行领域觅食策略后，更新访问表；
206)迁移觅食：MOAHA中的蜂鸟迁徙觅食行为表示如下：
其中，Fend是最坏的前沿，r是[0,1]中的随机数，Up和Low是上下边界；当迁移觅食完成时，访问表被更新；
207)改进差分进化策略：将差分进化算法(Differential Evolution，DE)嵌入MOAHA，标准的差分进化算法包括变异操作、交叉操作和选择操作；执行改进差分进化策略后，更新访问表。
6.根据权利要求5所述的一种云制造自适应鲁棒服务组合与优化选择新方法，其特征在于：变异操作中个体xi(t)产生变异个体vi(t)的表达式为：
vi(t)＝xbest(t)+F'·(xr1(t)-xr2(t)) (25)
式中，xbest(t)为当前代适应度最优的个体，使用xα(t)作为xbest(t)；xr1(t)和xr2(t)是在当前代中随机选择的两个个体，r1≠r2≠best；莱维飞行步长F'如下：
式中，α0是步长因子。
7.根据权利要求6所述的一种云制造自适应鲁棒服务组合与优化选择新方法，其特征在于：交叉操作是根据交叉因子CR，将变异个体vi(t)和父代个体xi(t)按照公式(18)进行操作得到试验个体ui(t)：
式中，j＝1,2,...,d；j＝jrand是在[1，d]内随机选择的一个整数，交叉因子CR值取值范围[0.1,0.9]，取交叉因子CR＝0.5*(1+Rand)，Rand是在[0,1]之间的随机数。
8.根据权利要求7所述的一种云制造自适应鲁棒服务组合与优化选择新方法，其特征在于：选择操作采用的是“贪婪”选择策略，即在父代个体xi(t)与试验个体ui(t)之间选择更优的个体作为下一代的种群个体。选择操作表达式为：
式中，f(ui(t))＜f(xi(t))表示个体ui(t)优于xi(t)。
9.根据权利要求5所述的一种云制造自适应鲁棒服务组合与优化选择新方法，其特征在于：步骤202)中食物来源访问表初始化如下：
其中，i＝j，VTi,j＝null表示蜂鸟在其特定食物源处进食；对于i≠j，VTi,j＝0表示在当前迭代中，第j个食物源刚刚被第ith蜂鸟访问过。
CN202311041708.7A 2023-08-17 2023-08-17 一种云制造自适应鲁棒服务组合与优化选择新方法 Pending CN117094435A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311041708.7A CN117094435A (zh) 2023-08-17 2023-08-17 一种云制造自适应鲁棒服务组合与优化选择新方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311041708.7A CN117094435A (zh) 2023-08-17 2023-08-17 一种云制造自适应鲁棒服务组合与优化选择新方法

Publications (1)

Publication Number Publication Date
CN117094435A true CN117094435A (zh) 2023-11-21

Family

ID=88780952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311041708.7A Pending CN117094435A (zh) 2023-08-17 2023-08-17 一种云制造自适应鲁棒服务组合与优化选择新方法

Country Status (1)

Country Link
CN (1) CN117094435A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273422A (zh) * 2023-11-23 2023-12-22 西安睿智时代信息技术有限公司 用于数字化生产的供应链协同管控方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117273422A (zh) * 2023-11-23 2023-12-22 西安睿智时代信息技术有限公司 用于数字化生产的供应链协同管控方法及系统
CN117273422B (zh) * 2023-11-23 2024-03-15 西安睿智时代信息技术有限公司 用于数字化生产的供应链协同管控方法及系统

Similar Documents

Publication Publication Date Title
Dong et al. Task scheduling based on deep reinforcement learning in a cloud manufacturing environment
Chiroma et al. Bio-inspired computation: Recent development on the modifications of the cuckoo search algorithm
Almezeini et al. Task scheduling in cloud computing using lion optimization algorithm
Nadimi-Shahraki et al. A systematic review of the whale optimization algorithm: theoretical foundation, improvements, and hybridizations
Goodwin et al. Real-time digital twin-based optimization with predictive simulation learning
Zhang et al. A new fuzzy QoS-aware manufacture service composition method using extended flower pollination algorithm
CN104077634B (zh) 基于多目标优化的主动‑反应式动态项目调度方法
Gao A novel artificial immune system for solving multiobjective scheduling problems subject to special process constraint
CN117094435A (zh) 一种云制造自适应鲁棒服务组合与优化选择新方法
Paulraj et al. An efficient hybrid job scheduling optimization (EHJSO) approach to enhance resource search using Cuckoo and Grey Wolf Job Optimization for cloud environment
Agarwal et al. Non-additive multi-objective robot coalition formation
Shukla et al. FAT-ETO: Fuzzy-AHP-TOPSIS-Based efficient task offloading algorithm for scientific workflows in heterogeneous fog–cloud environment
Karimunnisa et al. Task Classification and Scheduling Using Enhanced Coot Optimization in Cloud Computing.
Li et al. Task allocation of multiagent groups in social networked systems
Abdalrahman et al. The application of hybrid krill herd artificial hummingbird algorithm for scientific workflow scheduling in fog computing
Zhou et al. DPS: Dynamic pricing and scheduling for distributed machine learning jobs in edge-cloud networks
Nanjappan et al. Task scheduling based on cost and execution time using ameliorate grey wolf optimizer algorithm in cloud computing
CN115829097A (zh) 一种基于vmd和kelm的空调超短期负荷预测方法
Kamalinia et al. Hybrid task scheduling method for cloud computing by genetic and PSO algorithms
Horng et al. Incorporate seagull optimization into ordinal optimization for solving the constrained binary simulation optimization problems
Wei Quadratic particle swarm optimisation algorithm for task scheduling based on cloud computing server
Zhang et al. An adaptive robust service composition and optimal selection method for cloud manufacturing based on the enhanced multi-objective artificial hummingbird algorithm
Nasonov et al. Metaheuristic coevolution workflow scheduling in cloud environment
Yang et al. Classification-Based Diverse Workflows Scheduling in Clouds
Sun et al. Fast-FFA: a fast online scheduling approach for big data stream computing with future features-aware

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