t)和服务时间f(ts)。其中，决策变 量α表示客户到任意服务方是否存在物流，其值定义如下： U客户到服务方& .存在物流
[0074] a= 0，各户到服务万Λ,.不存在物流 I 】/
[0075] 决策变量表示第m个任务中的第nm个服务方是否被选择，其值定义如下：
[0076]
[0077] Xlj表示第i个任务的第j个服务方是否被选中，其值定义如下：
[0078]
[0079] (1+1)k表示第i j个服务方到第i+1，k个服务方是否选中，表示其值定义如下：
[0080]
[0081] 步骤3:根据云制造环境下的机械加工服务特点，类似的构建机械加工服务的总费 用，包括客户提交加工任务到第一个机加工服务方的物流费用，每个子任务加工费用，上个 子任务与下个子任务的物流费用和最后一个机加工服务方将加工后的产品交付给客户的 物流费用，表示如下：
[0082]
[0083]
[0084]
[0085] 上式为总服务成本目标函数，包括物流成本f(ct)和服务成本f(cs)。其中，决策变 量α、足""、 Xlj、XlMl+1)k与总服务时间目标函数中的定义一样。
[0086] 步骤4:根据云制造环境下的机械加工服务特点，构建机械加工服务的总合格率， 即每个机加工服务方承诺的合格率之和，表示如下：
[0087]
[0088] 其中，q(ij)表示ij个候选服务方承诺的加工合格率。
[0089]步骤5:根据数学规划知识，将上述三个优选目标构建为0-1整数规划模型(BIP模 型），表示如下：
[0090]
:5.
[0091]
[0092] 步骤6:采用优先级法将上述包含总时间、总费用、总合格率的多目标函数转换为 单目标函数，表示如下：
[0093]
[0094]
[0095] 其中，fi*表示求解min f(t)最优值，fc*表示求解min f(c)最优值。
[0096] 步骤7:采用改进粒子群算法，如图3所示，求解上述模型具体步骤如下：
[0097] Step 1:初始化粒子群
[0098] 1.1根据本发明提出的向量分段随机编码模式，设粒子群位置为N维向量，将问题 状态空间转换为粒子群位置空间，表示为：
[0099]
[0100] 其中，# = 表不所有服务方总数。将上述向量转换为分块向量表不： ￡=1
[0101] X=[Xi,X2,---Xm]
[0102] 其中，
[0103]
[0104] 从中分别选择其最大元素所在下标值，视为目标组合向量。
[0105] 1.2定义粒子位置分量取值范围；
[0106] 1.3定义种群规模为30;
[0107] 1.4 定义学习因子Cl = C2 = 2，Wbegin取0 · 1，Wend 取0 · 4 ;
[0108] 1.5定义最大迭代次数为50次。
[0109] Step 2:初始化粒子位置和速度，表示为:p = l，v = l。
[0110] Step 3:根据粒子修正适应度函数对粒子群进行评价，其中粒子修正适应度函数 表示为：
[0111] MinΦ (c,q,rt,rc) = 1-f (q)+rc[max(f (c)-(f (c)+rt[max((f (t)-Tmax) ,0)]),〇)]
[0112] Step 4:根据速度公式更新粒子速度和更新粒子位置，其中粒子速度和粒子位置 更新公式如下：
[0113]
[0114]
[0115]
[0116] Step 5:根据Step 3的粒子修正适应度函数对粒子群再进行评价。
[0117] Step 6:判断迭代终止条件，如果达到最大迭代次数则终止，否则，返回step4
[0118] Step 7:根据计算结果，如图4所示，输出最佳粒子位置分量，解码，转换为候选服 务编号，即最优的服务方组合为:S14-S22-S31-S43-S53。
【主权项】
1.云制造环境下的机械加工服务优选方法，其特征在于，包括以下步骤： 步骤1:分解客户提交的总任务为多个连续子任务，并罗列每个加工子任务对应的候选 机械加工服务方； 步骤2:构建机械加工服务的总时间，包括客户提交加工任务到第一个机加工服务方的 时间、每个子任务加工时间、上个子任务与下个子任务的物流时间和最后一个机加工服务 方将加工后的产品交付给客户的时间，表示如下：上式为总服务时间目标函数，包括物流时间f(tt)和服务时间f(ts);其中，决策变量α表 示客户到任意服务方是否存在物流，其值定义如下：步骤3:构建机械加工服务的总费用，包括客户提交加工任务到第一个机加工服务方的 物流费用，每个子任务加工费用，上个子任务与下个子任务的物流费用和最后一个机加工 服务方将加工后的产品交付给客户的物流费用，表示如下：上式为总服务成本目标函数，包括物流成本f(ct)和服务成本f(cs);其中，决策变量α、 fimm、Xij、Xij,(i+l)k与总服务时间目标函数中的定义一样； 步骤4:构建机械加工服务的总合格率，即每个机加工服务方承诺的合格率之和，表示 如下：其中，q(ij)表示ij个候选服务方承诺的加工合格率； 步骤5:将上述三个优选目标构建为0-1整数规划模型，表示如下：步骤6:采用优先级法将上述包含总时间、总费用、总合格率的多目标函数转换为单目 标函数，表示如下：其中，f 1*表示求解minf (t)最优值，f c*表示求解minf (c)最优值； 步骤7:采用改进粒子群算法，求解上述模型。2.根据权利要求1所述的云制造环境下的机械加工服务优选方法，其特征在于:所述的 步骤7的具体步骤如下： (1)初始化粒子群，包括以下过程： (1.1)根据向量分段随机编码模式，设粒子群位置为N维向量，将问题状态空间转换为 粒子群位置空间，表示为： X= [Xll，X12，…Xlnl，X21，X22，.·_Χ2η2，.·_Χιη1，Xm2，.·_Χιηη]η] 其中，〃 = 表示所有服务方总数。将上述向量转换为分块向量表示： ./=1 X=[Xl,X2,-"Xm] 其中，从中分别选择其最大元素所在下标值，视为目标组合向量； (1.2) 定义粒子位置分量取值范围； (1.3) 定义种群规模； (1.4) 定义学习因子C1、C2,权重系数的开始值和结束值； (1.5) 定义最大迭代次数； (2) 初始化粒子位置和速度，表示为:p和v; (3) 根据粒子修正适应度函数对粒子群进行评价，其中粒子修正适应度函数表示为： 難 _ 处，系 = 1 - /秘+ 气['(/__ 一(/的 + ?;[_職((^)-_1_),.〇>]),〇)] (4) 根据速度公式更新粒子速度和更新粒子位置，其中粒子速度和粒子位置更新公式 如下：其中，W是权重系数，Cl，C2是学习因子，一般取Cl = C2 = 2 ; Π，Γ2是(0，1 )的随机数;Wend取 0.4； (5) 根据步骤(3)的粒子修正适应度函数对粒子群再进行评价； (6) 判断迭代终止条件，如果达到最大迭代次数则终止，否则返回步骤(4); (7) 根据计算结果，输出最佳粒子位置分量，解码，转换为候选服务编号。
【专利摘要】本发明涉及一种信息优化处理方法，具体为云制造环境下的机械加工服务优选方法，分解客户提交的总任务为多个连续子任务，并罗列每个加工子任务对应的候选机械加工服务方；构建机械加工服务的总时间，构建机械加工服务的总费用，构建机械加工服务的总合格率，三个优选目标构建为0-1整数规划模型，采用优先级法将上述包含总时间、总费用、总合格率的多目标函数转换为单目标函数，采用改进粒子群算法，求解。该方法改进粒子群算法，整合云制造环境下跨地区的各种机械加工服务，为用户筛选出加工费用最低、加工周期最短、合格率最高的最佳加工服务。
【IPC分类】G05B13/04
【公开号】CN105607474
【申请号】CN201510815553
【发明人】郭亮, 郑华林
【申请人】西南石油大学
【公开日】2016年5月25日
【申请日】2015年11月20日