一种云制造服务优化方法与流程

本发明属于制造服务优化技术领域，尤其涉及一种云制造服务优化方法。

背景技术：

随着制造业竞争的不断加剧，为了降低生产成本、提高生产效率、增强产品竞争力，越来越多的制造厂商通过将制造资源和能力封装成制造服务的方式来增强企业之间的协作。在传统的制造模式中，供应商之间的合作关系往往是长期固定的，这使得供应商在提供交互服务时处理动态变化十分困难和低效。与传统的制造模式不同，云制造是一种新的制造系统，各种资源和功能被虚拟化并封装成相应的制造服务，大量云服务即制造云形成的服务资源池，可以在整个制造生命周期中为用户提供灵活、敏捷的服务。

用户提交给云制造平台的往往是复杂的多功能性任务需求，单功能性服务往往无法满足用户需求，因此一项复杂的任务需要先分解为若干子任务。每个子任务对应着一组服务质量(qualityofservice，简称qos)值(例如，时间、成本和可靠性)各异的候选服务集。在满足qos约束的前提下，各种不同功能的服务被组合，以此来满足用户需求。因此，制造服务的选择与组合是一个关键的问题。

在过去的几年中，云制造服务组合(cloudmanufacturingservicecomposition，简称cmsc)优化问题已经引起了工业界和学术界的关注。但是，大多数cmsc问题的研究都没有考虑动态因素。实际上，制造环境中充满了不确定性，可能随时有扰动发生，例如客户需求变化、服务提供商故障和外部环境变化等，这些扰动可能导致原有组合方案的有效性降低，甚至变得不可行。

以“在线帐篷生产”流程为例，云制造平台根据用户提交的原始需求求解出最优服务组合方案。然而，在任务执行阶段某地区突发地震，用户向云制造平台重新提交需求，要求提前完成任务。即用户提出了紧急任务需求，即用户在任务生产过程中重新提交请求，要求任务加快完成。由于原有的服务组合方案无法满足用户当前的需求，因此云制造平台需从云服务资源池中重新选择并组合服务，这正成为云制造服务优化中亟需解决的一个问题。

技术实现要素：

本发明的目的是提供一种云制造服务优化方法，用以解决上述背景技术中提出的动态因素发生情况下的云制造服务优化问题。

为了实现上述目的，本发明技术方案如下：

一种云制造服务优化方法，所述云制造服务优化方法，包括：

步骤s1、根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群作为当前种群进行后续迭代，并将当前种群中每个制造服务组合方案用二维编码表示；

步骤s2、对当前种群执行迁移算子操作；

步骤s3、对当前种群执行变异算子操作；

步骤s4、对当前种群应用变邻域搜索进行变换；

步骤s5、判断是否满足终止条件，若满足条件则停止迭代，并输出最优制造服务组合方案，否则返回步骤s2继续进行迭代。

进一步地，所述根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群作为当前种群进行后续迭代，包括：

在紧急任务请求到达后，根据尚未执行的子任务，采用预设的重组方式，随机产生初始种群作为当前种群进行后续迭代。

本发明的一种实现方式，所述预设的重组方式为基于垂直协作的重组方式。

进一步地，所述将当前种群中每个制造服务组合方案用二维编码表示，所述二维编码包括服务数量向量和具体服务向量。

本发明的另一种实现方式，所述预设的重组方式为基于速度选择的重组方式。

进一步地，所述将当前种群中每个制造服务组合方案用二维编码表示，所述二维编码包括服务选择向量和速度选择向量。

进一步地，所述对当前种群应用变邻域搜索进行变换，在应用变邻域搜索时，包括插入邻域结构、交换邻域结构、逆向邻域结构中的一种或多种。

优选地，所述步骤s4之后，还包括：

对当前种群应用精英替换策略进行变换。该策略可以保留精英解，同时能加快算法的收敛速度。

本发明提出的一种云制造服务优化方法，基于垂直协作的重组(verticalcollaboration-basedrecomposition，简称vcr)方式，或基于速度选择的重组(speedselection-basedrecomposition，简称ssr)方式，提出了两阶段(即组合阶段和重组阶段)生物地理学优化算法(two-stagebiogeography-basedoptimization，简称tbbo)以求解面向紧急任务感知的cmsc问题，并将变邻域搜索和精英替换策略相结合以提高其解空间搜索能力和收敛速度。

附图说明

图1为本发明云制造服务优化方法流程图；

图2为本发明基于垂直协作的重组方式示意图；

图3为本发明基于垂直协作的重组方式二维编码示意图；

图4为本发明基于速度选择的重组方式二维编码示意图；

图5为本发明迁移算子操作示意图；

图6为本发明变异算子操作示意图；

图7为插入邻域结构示意图；

图8为交换邻域结构示意图；

图9为逆向邻域结构示意图；

图10为实验任务结构示意图；

图11为四种算法基本服务组合进化曲线；

图12为四种算法服务重组vcr方式进化曲线；

图13为四种算法服务重组ssr方式进化曲线。

具体实施方式

下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

由于用户提交的制造任务往往是复杂的多功能性任务需求，单功能性服务往往无法满足用户需求。因此，需要将多功能性任务分解为多个单功能性子任务。每个子任务拥有各自的候选服务集。云制造服务组合cmsc旨在从每个子任务的候选服务集中选出合适的服务，并从所有可选方案中确定具有最优综合qos值的服务组合方案。本技术方案面向紧急任务感知的cmsc问题是传统cmsc问题的扩展，当云制造平台收到紧急任务请求后，尚未执行的子任务将重新在云服务资源池中选择合适的服务并生成新的最优服务组合方案。

如图1所示，一种云制造服务优化方法，包括如下步骤：

步骤s1、根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群作为当前种群进行后续迭代，并将当前种群中每个制造服务组合方案用二维编码表示。

对于任一制造服务供应链领域的多目标优化问题，必然存在相应的需要完成的制造任务(简称为任务)，优化问题就是从可选的制造服务集中选择出合适的制造服务，组合成最优的制造服务组合方案来完成需要完成的制造任务。本技术方案优化方法基本思想源于生物地理学优化算法，在生物地理学优化算法中，栖息地是种群中的个体，代表一个制造服务组合方案，栖息地适宜指数(hsi)用于评估一个栖息地是否适合生存，一个适合生存的栖息地具有较高的hsi，而不适合生存的栖息地具有较低的hsi。与hsi相关的因素，如降雨量、温度、湿度、地貌特征等，被称为适宜指数变量(sivs)，栖息地综合siv决定了其hsi。对于优化算法来说，hsi值被用来评估解的优劣，hsi值越高代表解的质量越好。

在初始化时，需要随机产生初始种群。即对于需要完成的制造任务，生成制造服务组合的结构，进一步随机从可选的制造服务集中选择制造服务组成一个制造服务组合方案，作为初始种群中的一个个体。

此外，在动态环境中，扰动的发生往往是不可预测的。当紧急任务请求到达时，往往任务需要加速，服务重组被触发。此时，除了已完成或正在执行的子任务，其余未执行的子任务需要进行服务重组。即在收到紧急任务后，尚未执行的子任务将重新在云服务资源池中选择合适的服务并生成新的最优服务组合方案。

因此，本技术方案包括两个实施例，实施例一是在初始制造任务到来时，根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群作为当前种群进行后续迭代。一般情况下，在实施例一中，每个子任务会从其候选服务集中选择一个候选服务来组成制造服务组合方案。实施例二，是在紧急任务请求到达后，根据尚未执行的子任务，采用预设的重组方式，生成初始种群作为当前种群进行后续迭代。

与实施例一不同的是，实施例二在生成初始种群时，是从尚未执行的子任务的候选服务集中选择相应的制造服务形成一个制造服务组合方案作为一个栖息地(后续对一个制造服务组合方案，也以栖息地来表示)，并根据设定的种群规模np，选择np个栖息地构成当前的初始种群，并进行后续迭代。即对于实施例二，所述根据制造任务、可选的制造服务和制造服务组合的结构随机产生初始种群作为当前种群进行后续迭代，包括：

在紧急任务请求到达后，根据尚未执行的子任务，采用预设的重组方式，随机产生初始种群作为当前种群进行后续迭代。

实施例二在生成初始种群时，采用预设的重组方式来生成初始种群的个体，所采用的重组方式包括基于垂直协作的重组方式或基于速度选择的重组方式。

基于垂直协作的重组方式(vcr)：

如图2所示，vcr重组方式中，与传统的一对一映射模式不同，本实施例将映射模式扩展为一对多模式，即一个子任务可以由多个候选服务完成，通过垂直协作方式来聚集服务以节省任务执行时间。

在图2中，假设尚未完成的子任务有子任务1、子任务2、子任务i…子任务n；子任务i对应的候选服务集包括cmsi1，…，cmsij，…，其中j为候选服务的序号，j＝1，…，mi，其中mi是第i个子任务的候选服务的数量。

例如，在图2中，对于子任务1，选择了候选服务cms11、cms13来垂直协作完成以节省任务执行时间。

表1为四种结构下基于垂直协作的组合服务的qos值的计算公式：

表1

基于速度选择的重组方式(ssr)：

一般来说，服务的qos属性值并不是固定不变的。假定每种服务都有提高其运行速度的可能，高速模式下服务的执行时间较少，但成本会增加。常规速度模式下服务成本相对节省，但更耗时。因此，合理安排服务的运行速度，可以实现时间与成本的平衡，并缩短任务完成所需的时间。同时，本实施例假定服务的可靠性值与服务运行速度无关。

因此，本实施例假设制造服务对应不同的运行速度，例如对于同一个制造服务cms33，具有第一级运行速度模式、第二级运行速度模式和第三级运行速度模式，子任务3可以从这三级运行速度模式中选择。

表2分别为四种结构下基于速度选择的制造服务组合的qos值的计算公式：

表2

其中并且

由于qos属性值位于不同的区间范围，因此需要进行归一化处理。对于正属性(例如可靠性)，qos值可以根据等式(9)进行相应的处理，对于负属性(例如时间和成本)，可以根据等式(10)对qos值进行相应的处理。

其中qn表示归一化后的qos值，qmax和qmin分别表示最大和最小的qos值。

本实施例在将多目标问题转换为单目标问题之前，需要设置每个qos属性对应的权重。权重系数代表了各个qos属性的重要性，可根据决策者的偏好来灵活变更。综合qosc的值可以用公式(11)计算：

qosc＝w1ttotal+w2ctotal+w3rtotal(11)

其中wl表示第l个qos属性的权重，位于0和1之间。

约束于：

约束(12)表示时间t、成本c、可靠性r这三个属性的qos值需要满足决策者的预算条件。

根据上述公式，本实施例每个制造服务组合方案的qos值都可以计算得到，这里不再赘述。

为了方便后续的迭代，本实施例还对每个制造服务组合方案采用二维编码来表示。合理的编码方式对于有效使用本发明算法求解面向紧急任务感知的cmsc模型至关重要。

对于vcr方式的二维编码如图3所示，第一行向量，即服务数量(servicenumber，简称sn)向量决定着一个子任务中垂直协作服务的数量，第二行向量即具体服务(concreteservice，简称cs)向量决定着垂直协作的具体服务。

例如，向量sn的第三个位置是“2”，而向量cs的对应位置是“1，3”，这表示两个服务，即cms31和cms33，以垂直协作的形式完成第三个子任务。向量sn的第四个位置是“1”，而向量cs的对应位置是“3”，这表示第四个子任务仅由一个服务即cms43完成。

对于ssr方式的二维编码如图4所示，ssr方式考虑了一个新的因素，即可调节的服务运行速度。因此，服务选择(resourceselection，简称rs)向量的长度与分解的子任务数量相等。siv表示候选服务集中cms的编号，类型为正整数。除向量rs外，还引入了一个新的向量，即速度选择(serviceselection，简称ss)向量。在图4中，向量ss中的正整数表示相应服务的特定运行速度。

例如，向量rs的第三个位置是“3”，而向量ss的对应位置是“2”，这表示第三个子任务由第二级运行速度模式下的cms33完成。

步骤s2、对当前种群执行迁移算子操作。

栖息地之间的信息可以通过迁移算子进行交换，首先根据迁入率确定迁入栖息地，随后再根据迁出率选择迁出栖息地。与传统的线性迁移模型相比，正弦迁移模型更能模拟自然中的迁移过程，且有更好的性能表现，因此本实施例采用正弦迁移模型计算迁入率及迁出率。迁入率和迁出率可分别根据如下公式计算出：

其中λk和μk分别表示迁入率和迁出率，imax和emax分别表示最大迁入率和最大迁出率，sk表示第k个栖息地的物种数量，np表示最大物种数量。在本实施例中sk表示第k个栖息地的qos值排名，np表示初始种群规模。

本实施例采用正弦迁移模型计算每个栖息地的迁入率及迁出率，并由此确定迁入栖息地以及迁出栖息地。具体地，在生物地理学优化算法中，通过生成(0，1)之间的随机数来与计算出的迁入率或迁出率进行比较，确定迁入栖息地以及迁出栖息地。然后随机生成与栖息地同样长度的0，1随机向量，1对应的siv(解特征)进行迁入操作，0对应的siv进行迁出操作，从而生成新的栖息地。

图5示出了迁移算子操作的一个实施例，根据生成的随机向量，以及确定的迁入栖息地和迁出栖息地，可以生成迁移后栖息地。

步骤s3、对当前种群执行变异算子操作。

在生物地理学优化算法中，通过计算每个栖息地的变异概率，对需要变异的栖息地执行变异操作。变异算子可以随机改变siv，从而提高解的多样性，且有一定几率提高解的质量。栖息地k的变异概率mk可以根据如下公式进行计算：

其中mmax表示预先设置的最大变异概率，pmax表示栖息地存在最大物种数量概率，pk表示栖息地存在k种物种的概率，其值可由如下公式计算得出：

此外，在本实施例中，hsi最高的栖息地的变异概率被设置为零，即qos值最高的栖息地的变异概率被设置为零，以避免最优解遭到破坏。

在计算出栖息地的变异概率后，随机生成一个(0，1)之间的数，当该随机数小于栖息地的变异概率时，判断对应的栖息地是需要变异的栖息地，对于需要变异的栖息地，进行变异操作。

图6示出了一个变异操作的例子，原栖息地经过变异后，生成变异后栖息地，完成变异操作。

步骤s4、对当前种群应用变邻域搜索进行变换。

变邻域搜索是一种十分有效的启发式算法，它可以降低算法陷入局部最优的概率，目前已被应用于多种离散优化问题的求解。变邻域搜索通过不断改变当前解的邻域结构来改进解的质量。因此，应用变邻域搜索时需要先确定相应的邻域结构。图7-图9对本实施例采用的三个邻域结构进行了详细说明。

其中，图7示出了插入邻域结构，随机选择一个siv，并将其插入到此解的另一个位置。例如将原来制造服务组合方案的第四个子任务选择的制造服务插入到第一个子任务选择的制造服务后；

图8示出了交换邻域结构，在一个解中随机选择两个siv并互相交换位置。例如将原来制造服务组合方案的第二个子任务选择的制造服务与第四个子任务选择的制造服务进行互换；

图9示出了逆向邻域结构，在一个解中随机选择两个位置，然后在所选位置之间逆向siv。例如将原来制造服务组合方案的第二至第四子任务选择的制造服务的顺序改变，由原来第二、第三、第四，变为第四、第三、第二。

需要说明的是，本实施例在应用变邻域搜索时，其邻域结构可以为插入邻域结构、交换邻域结构、逆向邻域结构中的一种或多种。

步骤s5、对当前种群应用精英替换策略进行变换。

本实施例采用精英替换策略，即用一次迭代后新产生的最优制造服务组合方案替代当前种群中最差的方案。该策略可以保留精英解，同时能加快算法的收敛速度。需要说明的是，在一次迭代后，还可以用新产生的最优及次优制造服务组合方案来替代当前种群中最差和次差的方案，以使得收敛速度更快。

步骤s6、判断是否满足终止条件，若满足条件则停止迭代，并输出最优制造服务组合方案，否则返回步骤s2继续进行迭代。

本文将最大迭代次数kmax作为算法的终止条件，即如果迭代次数达到kmax，算法终止并输出当前最优解，即最优的制造服务组合方案。如果不满足终止条件，则返回步骤s2继续进行迭代。

需要说明的是，实施例一、实施例二的步骤s2-步骤s6是相同的，所不同的是在实施例二中，是在紧急任务请求到达后，根据尚未执行的子任务，采用预设的重组方式，随机产生初始种群作为当前种群进行后续迭代，这里不再赘述。

本技术方案提出了两种重组方式来应对扰动：(1)基于垂直协作的重组(vcr)方式。在传统的cmsc问题中，制造任务是通过单一供应链中上游服务和下游服务之间的水平协作来完成的，且每个子任务只由一个对应的服务完成。这种一对一的映射关系缺乏一定的有效性、灵活性和效率。因此对具有相同功能的服务以垂直协作的形式进行组合，使之共同完成同一个子任务，可以突破传统方法的局限性。(2)基于速度选择的重组(ssr)方式。假定每个服务都有提高服务运行速度的潜在可能，例如，通过提高机床速度或增加工人数量等。一般来说，服务运行速度越快，任务执行时间就越少，因此合理安排服务运行速度的级别可有效缩短任务执行时间。

并且，随着子任务数量的不断增加，紧急任务感知的cmsc问题难以用精确算法在较短时间内求得最优解。本实施例基于基础的bbo算法(生物物理学优化算法)，提出了两阶段(即组合阶段和重组阶段)生物地理学优化算法(two-stagebiogeography-basedoptimization，简称tbbo)以求解面向紧急任务感知的cmsc问题，即第一阶段在收到用户原始需求后，求解出最优服务组合方案，在收到用户的紧急任务请求后触发第二阶段，通过tbbo算法求解出最优的重组方案以调整原始方案。与传统的服务组合问题相比，面向紧急任务感知的cmsc问题更加复杂，因为它需要考虑不确定的需求到达时间以及其它更多的动态因素，如垂直协作服务的数量和可变服务的运行速度。由于基础的bbo算法不能直接应用于本文所提出的两种重组方式，且存在着易陷入局部最优和收敛速度慢等缺点，因此本实施例提出了一种二维向量编码方式，并结合变邻域搜索和精英替换策略相结合以提高其解空间搜索能力和收敛速度。

以下结合具体的实验数据来说明本技术方案的优越性，将本技术方案的优化方法与基础的bbo算法、ga算法和de算法进行对比，验证了两种用于应对紧急任务需求的重组方式的有效性。

四种算法的参数设置如下：tbbo和bbo算法中，最大迁入率imax＝1，最大迁出率emax＝1，最大变异率mmax＝0.2。ga的交叉概率pc＝0.8，变异概率pm＝0.1。de的交叉率cr＝0.2，突变比例因子f＝0.4。四种算法的初始种群和最大迭代次数分别设为50和100。决策者对时间、成本和可靠性偏好的系数权重分别设为w1＝0.4，w2＝0.3和w3＝0.3。

在实验中，假定vcr方式的每个子任务最多可由三个服务协作完成，并且ssr方式的每个服务拥有三个可变运行速度(s＝1,2,3)。t1、c1和r1表示初始数据中的qos属性(即时间、成本和可靠性)值。一般来说，高速模式下服务的执行时间较少但成本会增加，而常规速度模式下服务的成本相对较低但更耗时，因此不同运行速度模式下的ts和cs(s>1)值可根据公式(17)和公式(18)计算，并且本文假定可靠性值与服务运行速度无关。rand表示在速度模式变化时，不同服务的时间和成本变化可能会在一定范围内有所不同。

为了验证本技术方案优化方法的实用性和有效性，实验的任务需求设置如图10所示，每个子任务有30个候选服务，其qos值是在预先设置的范围内随机生成的。总执行时间to、总成本co和总可靠性ro的预算值分别设置为80、300和0.5。为了避免算法的随机性，每组仿真实验获得的最优解取20次实验获得的最优解的平均值。本技术方案的性能在两个阶段(即组合阶段和重组阶段，分别对应实施例一和实施例二)分别进行评估。

在实施例一的情况下，解决的是基本服务的组合问题，图11表示四种算法求解服务组合问题的进化曲线。显然，本技术方案算法(tbbo)可以获得最高的qosc值并拥有更快的收敛速度，表明其在求解服务组合问题时具有更优越的性能。

在实施例二的情况下，解决的是在有扰动情况下，重组阶段的组合问题。图12、图13为四种算法应用于服务重组问题的进化曲线，分别对应vcr方式和ssr方式。可以看到，tbbo算法可以得到两种重组方式的最优解。

通过实验来证明本技术方案所提出的两种服务重组方式对于解决紧急任务需求的有效性，在每个子任务有30个候选服务的情况下，上述实验的最优解qosc值＝0.8402，ttotal＝41.4，ctotal＝230.4以及rtotal＝0.8772，以此解为基础进行服务重组。表3、表4为应用tbbo算法求得的在不同请求到达时间(从5到15，增量为5)以及不同权重组合下两种重组方式获得的qosc值(最优qosc值以粗体显示)和综合时间值tc(包括原始执行时间)。

表3

表4

实验结果表明，在保证qosc值的前提下，原有的服务组合方式对任务执行时间的优化空间有限，而提出的两种重组方式能够有效减少任务执行时间，并且在不同权重组合以及不同需求到达时间下都可以获得比原始服务组合方案更优的qosc值。另外，在时间权重不变的情况下，当可靠性比成本更重要时，ssr方式往往能够获得更优的qosc值，否则vcr方式具有更优表现。因此，vcr和ssr方式具有各自的应用场景，用户可以根据实际情况选择两种重组方式中的任何一种来处理紧急任务请求。此外，请求到达越早，任务执行时间减少的空间就越大。对两种重组方式进行不同任务请求到达时间及不同权重组合下的实验具有一定的现实意义，可为决策者提供有价值的决策信息。

以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。