产品设计云服务平台模块化任务重组与分配优化方法与流程

本发明涉及一种任务分解与分配方法，特别涉及一种产品设计云服务平台模块化任务重组与分配优化方法。

背景技术：

文献“云服务中任务分解与匹配算法研究，西安工业大学，2013”公开了一种基于启发协作和imrete算法的任务分解与分配方法。该方法以aov网描述任务之间关系，以启发式寻求任务分解最佳颗粒的方法，改进基于多协作的任务分解算法，使任务分解的层次性更加清晰，任务分解颗粒度更加适中。同时，针对rete算法在任务分配过程中消耗过重的问题，提出imrete算法，该算法利用特有属性表示和节点共享技术相结合的思路，降低了任务分配执行时间，提高了任务分配合理性。文献所述方法在实验中可以得到合适的任务分解颗粒度，但缺乏对协同过程中子任务之间交互关系进行定量分析，存在任务分解与资源分配脱节的问题；另外，缺少对任务权重与资源能力的综合评估，这种分配方法容易造成重要度高的任务对资源过度占用，出现局部优化问题，影响整体协同效率。

技术实现要素：

为了克服现有任务分解与分配方法实用性差的不足，本发明提供一种产品设计云服务平台模块化任务重组与分配优化方法。该方法对产品协同设计任务进行双层分解，采用权重有向图定量描述子任务间交互关系，并将交互关系映射在设计结构矩阵中，通过设计结构矩阵完成子任务的模块化重组。同时，构建一种任务分配模型，以趋向矩阵对资源的执行能力、创新能力、繁忙度与任务相对重要度进行评估，将趋向矩阵转化为执行矩阵得出模块化任务与资源之间的映射关系。实现产品协同设计过程中任务分解与分配的全局优化效果，提高整体协调效率，实用性好。

本发明解决其技术问题所采用的技术方案：一种产品设计云服务平台模块化任务重组与分配优化方法，其特点是包括以下步骤：

步骤一、分析产品设计云服务平台中协同设计过程中任务相互间关系；

结合云模式下产品协同设计云服务平台中任务具有组合性与交互性的特点，分析任务串行反馈与串行耦合关系。

串行反馈：设计任务b得到设计任务a的信息输入后开始，且当任务b执行完后存在反馈的情况时，再次依照顺序分别执行任务a与任务b；

串行耦合：设计任务b在得到设计任务a输入信息后开始，任务a与任务b在执行过程中存在信息耦合关系，当设计任务a激活设计任务b后，两个子任务同时进行并互有信息耦合关系，任务a与任务b执行完后分别为下一个子任务提供各自输入信息，任务a与任务b之间存在交互性。

结合云模式下产品协同设计云服务平台中任务具有组合性与交互性的特点，分析任务并行模式与耦合关系。

并行模式：设计任务a与设计任务b在得到相同的输入信息后，各自同时执行任务，且任务a与任务b之间不存在信息交互关系，完成任务后将各自的信息共同输入下一个子任务，任务a与任务b之间存在组合性；

并行耦合：设计任务a与设计任务b在得到相同的输入信息后，各自同时执行任务，且任务a与任务b之间存在信息耦合关系，完成任务后将各自的信息共同输入下一个子任务，任务a与任务b之间存在交互性与可组合性。

步骤二、设计云服务平台产品协同设计中任务分解方法与模型；

对协同设计任务进行第一层分解，云服务平台对任务的分解方法以产品全生命周期开发过程为基础，对产品开发中各阶段存在的任务进行第一层的初步分解，任务第一层各阶段为：市场调研、概念设计、详细设计、结构设计、工艺设计和模具设计。

对第一层分解得到的子任务集进行第二层分解，根据云服务平台下协同设计任务分解具有交互性与组合性的特点，分解后的子任务信息量少，便于下一步的模块化重组工作。分解原则为：分解的子任务包含信息量小，协同资源独立执行；子任务易于平台控制与管理；子任务与资源存在映射关系；分解后的子任务集存在信息交互关系。

构建协同任务分解模型，在双层的任务分解过程中，云服务平台会对每层分解后得到子任务集进行判定，依据分解的原则对分解不准确的子任务重新进行分解，得到符合上述原则的子任务集后任务分解结束，其任务分解步骤如下：产品协同设计任务进入云服务平台分解模型；云服务平台以产品全生命周期研发过程为基础，对应整个周期内多个阶段将任务进行第一次分解；判定第一次分解后得到的子任务集是否符合判定条件，如果不符合则云服务平台对子任务集合重新进行第一次分解；如果符合则得到第一层的子任务集合s；子任务集合s进入第二层分解模型，依据上述分解原则对子任务集合s进行第二层分解；判定第二次分解后得到的子任务集合是否符合判定条件，如果不符合则云服务平台对子任务重集合重新进行第二次分解；如果符合则得到第二层的子任务集合r。

步骤三、定量分析子任务间信息交互关系；

不同资源会参与到产品全生命周期研发的各个阶段中，所以由资源对所有子任务之间进行相对权重评定。以此来量化子任务间信息交互关系与程度。这种相对权重评定采用5级标度的方法，5级标度的取值分别为1，0.75，0.5，0.25，0，相对信息交互程度为强、较强、适中、较弱，无。

对子任务间信息交互关系的数学描述采用权重有向图，以权重有向图适合于定量描述子任务间的相对权重，并且能表达出子任务间信息传递的方向。其数学表达式为一个二元组：

d，d＝(s，e)(1)

式中，s代表所有子任务集合，e表示子任务间的信息联系以及方向的集合，d代表两个子任务间的可达性，d的可达性表示为d＝(dij)，其中：

式中，dij表示子任务i与子任务j的信息联系及信息传递方向，si表示某子任务i，sj表示某子任务j。云服务平台通过公式(1)和公式(2)判断权重有向图的连通性。

步骤四、根据子任务间的信息交互耦合关系进行模块化重组；

云服务平台中采用设计结构矩阵，通过设计结构矩阵与权重有向图相结合，将串行产品全生命周期研发过程转化为由若干个子任务串行与并行结合的产品协同设计过程，以此完成子任务的模块化重组。

云服务平台采用的设计结构矩阵算法包含所有子任务及其信息交互关系，通过矩阵发现子任务间的耦合关系。矩阵的每一行数据表示其他子任务对某一子任务的信息交互强弱程度，每一列数据某一子任务对其他子任务的信息交互强弱程度。通过任务分解得到子任务集合ti(i＝1，2，3…，n)，权重有向图定量描述ti中各子任务的信息联系强度及方向，并以此映射得到设计结构矩阵p。

矩阵p中的行和列表示各项子任务，n表示子任务数量，主对角线表示子任务本身，其他元素表示子任务间的信息交互关系。

为了模块化重组任务的颗粒度适中，给模块化任务划分颗粒度度量值γ∈[0，1]，模块化任务的重组结果取决于颗粒度值γ，γ越大，则模块化任务重组的结果越细。实际应用中，平台根据产品协同设计中创新程度的不同，γ取不同的值。

选择合适的度量值对矩阵p取γ截矩阵，得出一个等价布尔矩阵a。

式中，γ表示颗粒度取值，矩阵a中行和列表示各项子任务，n表示子任务数量，主对角线表示子任务本身，其他元素表示子任务间的信息交互关系。

通过矩阵a识别出优化重组后的协同任务模块集，表示为a＝(a1，a2，…，an)，其中，ai表示单独一个子任务形成一个模块化任务，或者由若干个子任务重组后形成一个模块化任务。

云服务平台中不可模块化重组的子任务：若ai，aj∈a，aij＝0且aji＝0，i≠j，则任务ai，aj不可重组。

云平台可模块化重组的子任务：若ai，aj∈a，aij＝1且aji＝1，i≠j，则任务ai，aj重组为模块化任务。

步骤五、云平台模块化任务优化分配策略；

模块化任务分配的对象汇集在虚拟资源池中，在开展协同设计研发过程中，资源的参与方式为自愿申请加入。

云服务平台不仅需要对参与资源进行执行能力、研发能力与繁忙度评估，而且还要对模块化任务之间的相对重要度进行评估，将重要度高的任务分配给执行能力、研发能力与繁忙度最为均衡的资源，并从所有资源中筛选出最终的协同资源。

云服务平台模块化任务的分配策略：构建资源执行能力矩阵，确定资源对所有模块化任务的执行能力值；构建资源繁忙度矩阵，确定资源在执行各个模块化任务的有效工作时间；构建资源创新能力矩阵，确定资源对各个模块化任务的创新能力程度；构建模块化任务相对重要度矩阵，确定各个模块化任务之间的相对重要度；通过云平台的管理与调度，完成模块化任务的分配与资源的筛选。

步骤六、构建云平台模块化任务分配模型；

通过数学模型对协同设计资源的执行能力、繁忙度、创新能力与任务相对重要度四个方面进行综合评估，分别构建资源执行能力、资源繁忙度、资源创新能力和任务重要度四个矩阵。

资源执行能力矩阵c，

式中，cmn表示资源m对子任务n的执行能力，其中0≤cmn≤1，当cmn＝0，表示资源m没有能力完成任务n，当cmn＝1，表示资源m为任务n方面的专家。

资源繁忙度矩阵b，

式中，bn表示资源n的繁忙度，其中0≤bn≤1，当bn＝0，表示资源bn空闲，当bn＝1，表示资源bn繁忙。

资源创新能力矩阵h，

式中，hmn表示资源m对子任务n的创新能力，其中0≤hmn≤1，当hmn＝0，表示资源m在任务n方面不具备创新能力，当hmn＝1，表示资源m在任务n方面为创新专家。

模块化任务相对重要度矩阵e，

式中，en表示子任务n的相对重要度，其中0≤en≤1，当en与em相比，值越大相对重要度就越高。

云服务平台通过对资源已完成的任务进行累计评价，获得资源在执行能力、创新能力的评级数据，其中资源的繁忙度评级由资源自行向平台提交，因为在不同时期，资源的繁忙度会有自主性变化。模块化任务的相对重要度评级由所有参与任务分配的资源进行评定，评定后的结果反馈到云平台，最终根据收集的数据对任务相对重要度进行最终评级。

获取资源执行能力、繁忙度、创能力与模块化任务相对重要度的评级数据后，建立趋向矩阵tr，

其中，trmn＝cmn-bm+hmn+em，用趋向矩阵tr生成优选矩阵o，o＝(omn)i×j，omn代表资源与子任务分配结果，矩阵o1m＝max(tr1m)，以此求出整个矩阵o的所有元素，最终通过执行矩阵为d，d＝(dmn)1×j，dmn代表资源优选后分配子任务的结果，其中d1m＝o1m，得到模块化任务的分配结果。

本发明的有益效果是：该方法对产品协同设计任务进行双层分解，采用权重有向图定量描述子任务间交互关系，并将交互关系映射在设计结构矩阵中，通过设计结构矩阵完成子任务的模块化重组。同时，构建一种任务分配模型，以趋向矩阵对资源的执行能力、创新能力、繁忙度与任务相对重要度进行评估，将趋向矩阵转化为执行矩阵得出模块化任务与资源之间的映射关系。实现产品协同设计过程中任务分解与分配的全局优化效果，提高整体协调效率，实用性好。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明产品设计云服务平台模块化任务重组与分配优化方法的流程图。

图2是本发明方法中基于可组合性与交互性特点的协同任务关系。

图3是本发明方法中云服务平台中任务分解模型。

图4是本发明方法中云服务平台产品协同设计任务分解流程。

图5是本发明方法中模块化任务分配过程。

图6是本发明方法中镇痛泵协同设计子任务间权重有向图。

具体实施方式

参照图1-6。本发明产品设计云服务平台模块化任务重组与分配优化方法具体步骤如下：

以医疗镇痛泵在云环境下的协同设计任务与资源配置过程为实验对象，采用本发明模块化任务重组与分配方法。整个实验流程模拟云平台环境，案例中采用pc机模拟异地分布的虚拟资源，由工作站对任务与资源进行集中管理，各资源在网络联通的环境下协同完成任务模块化重组与分配。

用户将医疗镇痛泵的研发需求提交给工作站，由工作站对任务进行分析，通过任务分解模型得到10个子任务，子任务分解模型与流程参照图1与图2。对子任务进行编号，任务需求中该产品的创新程度为中等级别，分解的子任务，参照表1。

表1镇痛泵协同设计子任务集

工作站向虚拟资源发放问卷收集10个子任务间的信息交互关系数据，此建立子任务间的权重有向图，参照图4。

将权重有向图映射到设计结构矩阵p，

矩阵p中的行和列表示各项子任务，n表示子任务数量，主对角线表示子任务本身，

其他元素表示子任务间的信息交互关系。

根据任务需求创新程度为中级，γ取值为0.5，对矩阵p取γ截矩阵，得到一个等价布尔矩阵a0.5。

式中γ表示颗粒度取，矩阵a中行和列表示各项子任务，n表示子任务数量，主对角线表示子任务本身，其他元素表示子任务间的信息交互关系。

通过矩阵a识别出优化重组后的协同任务模块集a：

云服务平台中不可模块化重组的子任务：若an，am∈a，anm＝0且amn＝0，n≠m，则任务an，am不可重组。

云平台可模块化重组的子任务：若an，am∈a，anm＝1且amn＝1，n≠m，则任务an，am可以重组为模块化任务。

根据上述步骤得出5个模块化任务，记作a＝a1，a2，a3，a4，a5。a1包含子任务1与子任务2，a2包含子任务3，a3包含子任务4，a4包含子任务5与子任务6，a5包含子任务7、子任务8、子任务9与子任务10。

工作站中可供候选的虚拟资源分别为a、d、f、g，四个资源可以提供产品全生命周期开发过程中各阶段的服务，且四个资源的能力水平各有不同，建立资源能力、资源繁忙度、资源创新能力和任务重要度评估矩阵。

式中cmn表示资源m对子任务n的执行能力，其中0≤cmn≤1，当cmn＝0，表示资源m没有能力完成任务n，当cmn＝1，表示资源m为任务n方面的专家。

式中bn表示资源n的繁忙度，其中0≤bn≤1，当bn＝0，表示资源bn空闲，当bn＝1，表示资源bn繁忙。

式中hmn表示资源m对子任务n的创新能力，其中0≤hmn≤1，当hmn＝0，表示资源m在任务n方面不具备创新能力，当hmn＝1，表示资源m在任务n方面为创新专家。

式中en表示子任务n的相对重要度，其中0≤en≤1，当en与em相比，值越大相对重要度就越高。

在资源能力、资源繁忙度、资源创新能力和任务重要度四个矩阵中，各元素具有模糊性，所以建立5级标度进行量化，参照表2。

表2矩阵5级标度评估系数

虚拟资源向工作站提交相关数据，得出四个虚拟资源的执行能力、繁忙度、创新能力与五个模块化任务的相对重要度数据，参照表3。

表3云服务平台评估资源与模块化任务数据

将表3中资源与模块化任务评估等级的数据带入公式(5)-(8)中，得到趋向矩阵tr，

通过公式o＝(omn)i×j，矩阵o1m＝max(tr1m)，将tr矩阵转化为优选矩阵o，

通过d＝(dmn)1×j，其中d1m＝o1m，得到执行矩阵d，

d＝[23211]

执行矩阵中[23211]分别对应资源为[dfdaa]，根据tr趋向矩阵中模块化任务与资源的映射关系可知模块化任务a1与a3分配给d资源，模块化任务a2分配给f资源，模块化任务a4和a5分配给a资源，g资源最终没有参与医疗镇痛泵协同设计任务。