一种云制造环境下的制造资源服务组合与优选方法

本发明属于资源组合优化，具体公开了一种云制造环境下的制造资源服务组合与优选方法。

背景技术：

1、随着新兴信息技术的快速发展，传统制造企业加速转型升级，云制造应运而生。云制造通过整合多个不同领域的、不同地域的制造资源，实现分布式制造资源的集中管理及优化配置，逐渐突破制造行业资源的共享程度和使用效率的限制，从而促使资源的全面共享，提高资源的利用率。由于制造业的分工越来越趋于细化和专业化，企业用户更注重于发展自身核心竞争力，导致云制造环境下制造任务往往是通过资源的服务组合来完成。

2、然而，云平台拥有大量功能相同或相近但服务质量不同的资源服务，如何快速地从海量组合方案中挑选出满足多方利益需求的最佳服务组合并成功执行任务，是当前云制造服务组合与优选的关键问题。现阶段服务组合优选问题的解决仍存一些不足之处，当前云制造环境下服务组合问题的解决模型主要考虑任务方的利益需求，忽略了服务方和平台方的利益，在数学模型的建立上仍存在缺陷；对于云制造环境下服务组合问题的解决方法而言，当前研究主要采用单目标法或加权组合法，并未对用户的偏好加以区分，不能反映出目标间的冲突，在一定程度上影响最终的求解质量；对于服务组合的优选决策而言，并未为用户提供备选方案，以应变用户偏好的变化。

技术实现思路

1、本发明的目的提供一种云制造环境下的制造资源服务组合与优选的新方法，对云制造平台中的服务进行组合优选，从实际角度为用户动态推送优选的服务组合，实现服务组合的动态优选。从服务需求方，提供方和云平台三方利益出发，建立云制造服务组合方案评价指标体系，控制子任务质量约束信息、采用改进遗传算法求解，实现云制造环境下的制造资源服务组合方案的优选。

2、本发明的技术方案如下：

3、步骤1：从任务方，平台方，服务方三方面构建适用于相应制造服务资源的约束指标体系；

4、步骤2：获取制造任务，在云平台中根据制造任务的各子任务选取对应的候选服务集；

5、对子任务的质量约束指标进行控制，确定用于制造任务的服务组合的目标函数及约束条件，建立服务组合优化数学模型；

6、步骤3：应用改进的带有精英策略的快速非支配排序遗传算法对模型进行求解，得到服务组合方案pareto解集；

7、步骤4：根据得到的服务组合方案pareto解集，综合考虑用户偏好对其进行评估优选，采用灰色关联分析方法，为用户提供最优组合方案。

8、作为优选方案，所述约束指标体系包括任务方约束指标，平台方约束指标和服务方约束指标，其中：

9、所述任务方约束指标包括：实施期d、服务成本c和质量验收q；

10、所述实施期d是指从任务方向云平台提出任务需求开始，到任务方获得服务执行结果所耗费的时间，有：

11、d＝dθnline+dθffline，

12、其中在线执行时间donline指在虚拟云环境下，云平台响应请求到执行计算机程序的总时间，有donline＝dprocess+dtrans，dprocess为系统运行时间，dtrans为网络传输时间；

13、线下执行时间doffline指在现实环境下，完成云制造任务所耗费的总时间，有：

14、doffline＝dmanagenment+dwait+dlogistic+dexcutiθn，

15、其中dmanagenment、dwait、dlogistic、dexcution分别指线下活动中服务管理、等待、物流、执行活动所耗费的时间；

16、所述服务成本c指从任务方提交任务请求到获得任务执行结果所需的费用，有：

17、c＝conline+coffline，

18、其中在线服务成本conline指在云平台上产生的总费用，包括传输成本、访问成本、计算成本等；线下服务成本coffline指在线下活动中管理、物流、生产等服务所产生的费用，有：

19、coffline＝cmanagement+clogistic+cexcution；

20、所述质量验收q，用于在云制造环境下表示服务方承担相关任务的质量合格率，通以下方式计算：

21、q＝f(q)/n(q)，

22、其中f(q)表示该服务方在有效时间内提供质量合格的服务的次数，n表示该服务方在有效时间内承担的所有服务次数；

23、所述平台方约束指标包括：服务的灵活度fs、服务的稳定性rs、服务的普适性us和满意度ts；

24、所述服务的灵活度fs用于体现在服务方适应任务需求发生改变的能力，通以下方式计算：

25、fs＝f(cs)/n(cs)，

26、其中f(cs)表示历史记录中，任务需求发生变更时，该服务所在的服务组合仍能完成任务的数量；n(cs)表示历史记录中，该服务所在服务组合的任务需求变更的数量；

27、所述服务的稳定性rs用于衡量服务是否能顺利完成制造任务，通以下方式计算：

28、rs＝w1(f(r1)/n)+w2(f(r2)/n)，

29、其中f(r1)表示服务方未在中途退出任务的次数；f(r2)表示服务方未在提供服务过程中发生生产安全事故的次数；n表示服务方提供服务的总次数；wrs，1，wrs，2分别为给定的权重，有：

30、wrs，1+wrs，2＝1；

31、所述服务普适性us用于体现在服务方承接平台所匹配的任务后，由于某种原因而退出服务组合时，服务方仍能在其候选服务集中提供可替代服务，保证任务顺利完成的能力；

32、us用候选服务集中可替代的服务数量来表示；

33、所述满意度ts是服务方完成任务方所要求的任务时，任务方依据任务的完成质量以及其他因素所提供的一个综合性评价分数，反映服务方的一种综合服务能力，通以下方式计算：

34、

35、其中n(ts)表示该服务方在云平台内总共被评价的次数；tsi表示第i位用户对服务方的评价分数，且tsi∈[0，1]；

36、所述服务方约束指标包括，信用cy和交款速度ps；

37、所述信用cy是指云平台对于任务方的一种评价指标，反映任务方的一种信誉程度，通以下方式计算：

38、

39、其中，ei表示第i位用户对任务方的评价分数，且ei∈[0，1]；n(e)表示该任务方被评价的总次数；f(s)表示该任务方在历史匹配记录中成功匹配并接受服务组合的次数；n(s)表示该任务方在云平台总共发布任务的次数；wcy，1，wcy，2分别为给定的权重，有：

40、wcy，1+wcy，2＝1；

41、所述交款速度ps是指任务方的支付货币的速度；

42、作为优选的方案，规定任务方收取单证后，支付30％的定金款项所用时间为单次交款速度，根据任务方的历史付款速度，取平均值为该任务的付款速度

43、作为优选的方案，步骤2中包括，定义制造任务task＝{st1，st2，…stj，…，stm}，其中，stj是第j个子任务，j＝1，2，…，m；每个子任务stj通过云平台进行搜索匹配，得到满足stj的候选服务集其中，为子任务stj的第k个候选服务，n为子任务sti的候选服务个数。

44、作为优选方案，所述步骤2包括如下步骤：

45、步骤2.1：以减少整个服务组合方案中各子任务的服务资源分配不均为目标，对子任务的服务方约束指标进行控制，包括：

46、当子任务搜索到的历史服务组合数据占云平台现有服务组合总数10％及以上时，认为其为大量历史数据样本情形，针对大量历史数据样本情形，通过对其关键信息提取，使用数理统相关方法得到所要控制参数，进行相关参数的置信区间估计，评估出相关参数的取值范围；

47、当子任务搜索到的历史服务组合数据占云平台现有服务组合总数小于10％时，认为其为少量历史数据样本情形，针对质量验收q指标的小样本参数，采用单指数一次指数平滑预测方法，预测置信区间；针对服务成本c和实施期d指标的小样本参数，采用双指数平滑预测方法，预测置信区间；

48、步骤2.2：从任务方、平台方和服务方三方考虑构建服务组合数学模型，同时将平台方和服务方的要求和步骤2.1中的任务约束控制置信区间转化为约束条件，以任务方的任务实施期最短，服务成本最低，质量指标最高为目标函数，形成多目标优化模型如下：

49、

50、式中，α，β为相关系数，使得时间、成本和质量处于相同数量级；

51、约束条件d≤dmax，dl(j)≤ds(j)≤du(j)，表示制造总任务的实施期d不能超过任务方规定最晚期限dmax，服务组合中单个服务完成子任务st的实施期ds属于子任务属性指标控制区间[dl，du]内；

52、约束条件c≤cmax，cl(j)≤cs(j)≤cu(j)表示完成制造总任务的成本c不能超过任务方所接受的最高成本cmax，服务组合中单个服务完成子任务st的服务成本cs属于子任务属性指标控制区间[cl，cu]内；

53、约束条件q≥qmin，qs(j)≥qp(j)表示完成制造总任务的质量合格率q不能低于任务方所要求的最低质量指标qmin，服务组合中单个服务完成子任务st的质量指标qs不能低于子任务属性指标控制值qp；

54、约束条件fs(i)≥fs-min表示制造资源服务组合的任一服务的柔性fs不低于云平台所规定的服务的最低柔性fs-min；

55、约束条件rs(j)≥rs-min表示制造资源服务组合的任一服务的稳定性rs不低于云平台所规定的服务的最低稳定性rs-min；

56、约束条件us(j)≥us-min表示制造资源服务组合的任一服务所属的候选服务集合中可代替该服务的数量us不低于云平台所规定的最低数量us-min；

57、约束条件ts(j)≥ts-min表示制造资源服务组合的任一服务的满意度ts不低于云平台所规定的的最低满意度ts-min；

58、约束条件cy≥cymin(j)表示任务方的信用cy不低于制造资源服务组合的任一服务所要求的的最低信用cymin；

59、约束条件ps≥psmin(j)表示任务方的付款速度ps不低于制造资源服务组合的任一服务所要求的的最低付款速度psmin。

60、作为优选的方案，步骤2.1中，历史数据中存样本的为x1，x2，…，xm，各样本包括服务成本c、实施期d和质量指标q指标信息；

61、在大量历史数据样本情形下，令：

62、服务成本c的样本期望

63、样本方差

64、计算样本均值μc的近似置信区间，即服务成本c的任务约束控制置信区间如下：

65、

66、α为大于0小于1的常数；

67、同理获得实施期d的任务约束控制置信区间；

68、计算质量质量验收q的样本均值μq的近似置信区间，即质量验收q的任务约束控制置信区间如下：

69、

70、其中，sq2＝dxq为质量验收q的样本方差；

71、在少量历史数据样本情形下，针对质量验收q指标的小样本参数，当数据项大于等于15项，选用第一期的实际值作为初始值s0；当数据项小于15项时，选用前几期实际值的平均数作为初始值s0；

72、单指数一次平滑预测公式如下：

73、y′t+1＝αyt+(1-α)y′t

74、其中，y′t+1为第t+1期预测值，即第t期平滑值st；yt为第t期实际值；y′t为第t期预测值，即第t-1平滑值st-1；α为平滑系数，取值范围为

75、根据上述步骤预测出第t+1期的预测值，即第t平滑值st；

76、以st为中心线，计算出其上下控制界限，预测值取值范围如下：

77、[st-3σ，st+3σ]

78、其中，

79、单边预测质量验收q的取值范围如下：

80、[srt-3σ，1]；

81、在少量历史数据样本情形下，针对服务成本c和实施期d指标的小样本参数，采用双指数平滑预测方法；

82、双指数平滑预测公式如下：

83、

84、其中，st为第t期平滑值，即第t+1期预测值；bt为第t+1期的修正趋势值，α和γ为平滑系数，取值范围为[0，1]；

85、通过已有部分数据进行数据拟合，以最小平均绝对误差为目标，反向求解出α和γ，并代入下一期的平滑预测值st；

86、根据根据前述步骤，服务成本c和实施期d的任务约束控制置信区间，均利用以下形式得到：

87、[sct-3σ，sct+3σ]。

88、作为优选方案，所述步骤3中，采用改进的遗传算法对所述多目标优化模型进行求解，输入为各子任务的备选服务集合及用于条件约束的各约束指标，输出为pareto最优的服务组合方案集合。

89、作为优选方案，所述步骤3包括如下步骤：

90、步骤3.1编码操作：将服务组合转化为可进行求解目标函数的表示方法；每一种服务组合方案对应种群里的一个染色体个体，数学表达式为p＝{p1，p2，…，pj，…，pm}，其中m为子任务个数；pj表示第j个子任务stj选择了其候选服务集中的第pj个云服务；

91、步骤3.2初始化种群：

92、首先，对每个子任务stj对应的候选服务集cssk中的服务进行随机选取并组合，随机生成多种组合方案形成种群p，其种群规模为np；

93、其次，将步骤2.2中确定的服务组合优化目标作为适应度函数，计算种群p中每个个体的适应度值，识别出各个目标函数对应的具有最大适应度值的个体p*，并将个体p*转移至改良父代种群fp中；

94、最后，判断父代种群fp的种群规模，即nfp与np的大小，若nfp＜np，则i＝i+1，跳转至步骤3.1，若nfp＝np则跳出循环，否则再次随机生产数量为np的种群并重复上述步骤；

95、步骤3.3：将种群fp进行快速非支配排序分层，并对种群个体进行拥挤度计算，形成种群fp′，采用锦标赛机制选择种群fp′中的最优个体，复制最优个体形成种群fp″；

96、步骤3.4：对种群fp″进行交叉、变异遗传操作，产生子代种群o，种群规模为np；

97、步骤3.5：合并父代种群fp′和子代种群o，形成混合种群fpo，种群规模为2np，根据非支配原则选择最优的np个体，组成种群fp″′的个体，种群规模为np；

98、步骤3.6：判断遗传代数ngen与最大遗传代数nmaxgen大小，若ngen＜nmaxgen，则ngen＝ngen+1，跳转至步骤3.4，若ngen＝nmaxgen则跳出循环，转至步骤3.7；

99、步骤3.7：输出最优解集(fp″′)，即pareto最优解集。

100、作为优选方案，步骤3.4中，引入基因跳跃操作以改善染色体的遗传多样性；以概率pjg执行剪切粘贴和复制粘贴两种遗传操作；剪切粘贴是指剪下染色体某段基因粘贴到新的位置，原来的染色体在剪切之后由剪切片段后面的基因向前复制；复制粘贴是指拷贝某段基因覆盖另一位置的基因。

101、作为优选方案，所述步骤4包括如下步骤：

102、步骤4.1：对实施期d、服务成本c、质量验收q进行归一化；

103、采用极差变化方法对服务组合各项指标值进行统一的预处理：

104、

105、

106、其中，max qj表示pareto最优解集中的资源服务组合的第j个指标列中的最大值；min qj表示其中的最小值；j＝1，2，3，q1，q2，q3分别对应实施期d、服务成本c、质量验收q；表示pareto最优解集中第i条服务组合路径中第j个指标的属性值；

107、识别最优指标参考序列其中，表示指标j中最优指标，其中，若指标为效益型指标q3，则若指标为成本型指标q1，q2，则

108、得到归一化化以后的评价指标矩阵其中，m表示pareto最优解集中服务组合路径的数量；n表示服务组合中指标的数量；

109、步骤4.2：获取评价指标权重，包括：

110、步骤4.2.1：对于实施期d、服务成本c、质量验收q三个指标，假设用x种不同的赋权方法得到的主观权重向量为sw1，sw2，…，swx；

111、步骤4.2.2：计算组合因子；

112、根据步骤4.1中得到的评价指标值矩阵首先将主观权重向量sw1和主观权重向量sw2的贡献差异度表达如下：

113、

114、式中，和为与sw1和sw2对应的组合因子，有，

115、为均衡sw1和sw2的权重贡献，构建权重组合优化模型如下：

116、minλ1*2

117、s.t.

118、组合因子可解得为：

119、

120、

121、根据sw1和sw2以及所求解的得到其组合权重向量如下：

122、

123、步骤4.2.3：重复步骤4.2.2，将sw1*2和sw3组合，得到sw1*2*3，并依次类推，最终得到主观权重组合向量为sw1*2*...*x；

124、同理，对于实施期d、服务成本c、质量验收q三个指标通过y种不同的赋权方法得到得到客观权重组合向量为ow1*2*...*y；

125、步骤4.2.4：进行以同样的方式进行求取组合因子，并得到总权重组合向量w如下：

126、

127、式中：和为主观权重组合向量和客观权重组合向量的组合因子，其中，

128、步骤4.3：将灰色关联分析方法与权重相结合，利用指标的关联程度与相对权重，来确定最优理想方案，其具体步骤如下：

129、步骤4.3.1：计算指标的关联系数，根据灰色关联分析理论及步骤4.1的计算结果，计算出pareto最优解集中第i条服务组合路径中第j个指标与最优指标之间的灰色关联系数如下：

130、

131、其中，ρ∈(0，+∞)，为分辨系数；

132、则指标的关联系数矩阵为

133、步骤4.3.2：计算pareto最优解集中各服务组合路径的综合评价值；

134、根据步骤4.2中计算得到的修正权重结合步骤4.3.1中的关联系数矩阵得到各服务组合路径的综合评价矩阵r＝[ri]m×1如下：

135、r＝e.wt，

136、其中ri表示服务组合路径i与最优路径之间的灰色关联度，计算方式如下：

137、

138、根据各服务组合路径的灰色关联度大小进行排序，选择出最优服务组合。

139、与现有技术相比，本发明具有如下有益效果：本发明提供一种云制造环境下制造资源服务组合与优选的新方法，通过综合考虑任务方、服务方和平台方的利益需求和利用任务质量约束信息控制方法来建模，保证了服务组合研究的可靠性；通过改进带有精英策略的快速非支配排序遗传算法求解，得到了服务组合最优解集；通过灰色关联分析方法对组合方案进行评价排序，为决策者提供最优服务组合和备选方案集。