基于偏好多目标优化的云制造服务组合优化选择方法

本发明属于云制造服务调度，具体涉及基于偏好多目标优化的云制造服务组合优化选择方法。

背景技术：

1、云制造是一种面向服务的网络化制造新模式，其以客户为核心、以知识为支撑，构建了一个虚拟化、分布式、按需分配的资源共享平台。近年来，随着制造任务日益复杂，单一的云制造服务已无法满足生产需求，云制造平台需要将复杂制造任务分解为若干子任务，为各个子任务匹配合适的云服务，形成云服务组合，并在众多服务组合中选择最优组合供用户使用，这个过程称为云服务组合优化，是云制造平台急需关注的问题。在云制造平台中，针对同一个子任务有大量功能属性相同但非功能属性不同的云服务，云服务的非功能性属性通常用服务质量(quality of service,qos)来描述。在实际应用中，云制造服务的qos指标众多，并且qos指标之间都是相互冲突的，因此云制造服务组合优化问题应被看作高维多目标优化问题。

2、对于云服务组合优化的求解问题，可以将多目标问题转化为单目标问题求解，但是最终优化解集很容易陷入局部最优。也可以将所有的服务组合一一列举出来，利用多属性评价方法选择最优组合，但是由于在云制造平台中，服务的组合数规模很大，时间复杂度和空间复杂度就会很高，在资源和时间上耗费会更大。相较而言，利用多目标优化算法求解云服务组合优化问题会更加合理。但是大多数的多目标优化模型的目标函数的维度往往比较低，而云服务组合评价指标众多，所以需要找到一种能够解决高维多目标问题并且带有偏好的优化方法。

技术实现思路

1、本发明的目的在于提供基于偏好多目标优化的云制造服务组合优化选择方法，解决了现有云制造服务组合选择耗费大的问题。

2、本发明所采用的技术方案是：基于偏好多目标优化的云制造服务组合优化选择方法，将云制造服务调度问题构建其多目标优化模型，再将用户对不同服务qos指标的偏好权重作为间接偏好信息，利用人工神经网络对用户的偏好进行标定得到偏好向量，按照个体与偏好向量之间的角度划分种群，并让不同种群协同进化对模型求解。

3、本发明的特点还在于，包括以下步骤：

4、步骤1、以qos指标值最大作为优化目标构建目标函数；

5、步骤2、根据用户对不同服务qos指标的偏好来决定qos中各个指标的相对重要性，组成一个qos指标权重向量i；

6、步骤3、将qos指标权重向量i作为人工神经网络ann的输入，使用交叉熵损失函数计算预测值与真实值之间的损失，使用梯度下降方法来更新ann中的权重，减少预测值与真实值之间的差距，得到对应不同服务qos指标的偏好向量λ；

7、步骤4、初始化种群参数，设置种群规模、迭代次数、交叉变异概率和偏好区域，随机产生n个个体的初始父代种群p，计算种群中个体的目标函数值；

8、步骤5、在目标空间内生成均匀分布的参考向量；

9、步骤6、对所有个体进行非支配排序，选择非支配个体加入子代种群；

10、步骤7、把参考向量映射到偏好区域，得到非均匀分布的参考向量；

11、步骤8、计算个体与映射后的参考向量之间的欧式距离，并根据所得欧氏距离得到每个个体的l个邻居向量；

12、步骤9、计算个体与偏好向量λ的夹角θ，根据夹角θ的大小将整个种群划分为精英种群和普通种群；

13、步骤10、如果个体与偏好向量λ的夹角θ小于偏好向量λ与偏好区域的夹角β，则将每个个体的标志位flag设为1，进入步骤11；否则，将每个个体的标志位flag设为0，进入步骤12；

14、步骤11、对精英种群的操作：采用随机法，如果随机产生一个数r＜0.5，则采用一般的交叉变异方法，随机选择三个个体交叉变异产生子代个体；否则，通过两阶段进化方法产生子代个体；

15、步骤12、对普通种群的操作：将普通种群中的个体到偏好区域的距离，划分为若干个子种群，各子种群之间协同向偏好区域进化，产生子代个体；

16、步骤13、将子代种群与初始父代种群合并，得到合并种群r；

17、步骤14、从合并种群r中，首先根据目标函数值g(x|w，λ)的大小按由大到小的顺序对个体排序，再根据个体与偏好向量λ的夹角θ大小，去除夹角θ大于β的个体，取排序中的前n个个体，组成新的种群；

18、步骤15、如满足终止条件，即前函数评估次数大于等于最大函数评估次数，则进入步骤16，否则进行步骤10。

19、步骤16、结束。

20、步骤1中构建的目标函数为：

21、

22、其中，

23、

24、q1≤cmax                        (3)

25、q2≤tmax                        (4)

26、其中，wk表示用户对第k个指标的感兴趣程度，wk∈[0，1]，qk表示第k个qos指标值，n是qos指标的数量；约束公式(3)和(4)表示云制造服务组合的总成本q1和总时间q2要低于用户提出的服务成本最大值限制cmax和服务时间tmax。

27、步骤2中qos指标权重向量i＝[a1，...，ai，...，an]t，其中，n表示qos指标个数，ai表示用户对第i个qos指标的感兴趣程度，ai∈[o，1]且t表示对向量i的转置。

28、步骤3中通过公式(5)计算预测值与真实值之间的损失l：

29、

30、其中，m表示实际问题中的每个任务对应的服务个数，p(ui(x))＝[u1(x)，...，um(x)]t表示经过ann的训练得到的预测值，q(fi(x)＝[f1(x)，...，fm(x)]t表示云制造服务体系中不同指标的偏好点作为真实值；

31、通过公式(6)更新ann中的权重w＝[w1，...，wj，...，wk]t：

32、

33、其中，j∈{1，...，k}且α＞0表示学习率。

34、步骤7中把参考向量映射到偏好区域的映射公式为：

35、

36、其中，w＇表示经过映射后的参考向量，w表示均匀分布的参考向量。

37、步骤9中个体与偏好向量λ的夹角θ计算公式为：

38、

39、其中，xa和xb表示种群中的两个非支配解；

40、将整个种群划分为精英种群和普通种群的操作方式为：λ1和λ2表示偏好区域的边界，由于偏好区域边界λ1、λ2分别与偏好向量λ之间的夹角都是β，所以，如果θ＜β，那么相应个体就位于偏好区域里面，则把相应个体加入精英种群；反之，加入普通种群。

41、步骤11中两阶段进化方法的操作为：在第一阶段，首先将偏好区域内的个体映射到偏好向量λ中；第二阶段，将个体沿着偏好向量λ的反方向朝着pareto前沿收敛，得到偏好区域内的非支配解集。

42、步骤11中对精英种群的操作具体为：

43、假设非支配解a＝[x0，y0]，首先，非支配解a对偏好向量λ通过公式(9)得到经过映射变换的a′：

44、

45、之后，通过公式(10)使个体向pareto前沿进化：

46、

47、其中，x∈ω，x表示决策变量，ω表示决策空间，ρ表示正数，ρ＝10-6；

48、令llx||＝δ，通过公式(11)得到个体b：

49、

50、其中，d表示非支配解到偏好向量λ的距离；

51、选取θ∈[0，β]，使用公式b′＝b×cosθ，产生个体b′。

52、步骤12中对普通种群的操作具体为：

53、根据距离λ1、λ2边界角度大小，将普通种群划分为n个子种群，根据偏好区域角度β的大小来决定子种群个数n的大小，同时也决定γ的个数多少；根据公式(12)计算得到的γ表示λ1、λ2边界线向偏好区域偏向的角度大小，其个数随着子种群个数增加并且count(γ)＝n一1，角度大小也随着i的增大依次递增：

54、

55、其中，i表示γ的个数并且i＞1，m表示目标个数；为了使得个体在偏好区域中均匀分布，根据γmax来限制γ的个数，γmax表示向偏好区域偏向角度的最大值；以λ1、λ2为轴，向偏好区域方向旋转γi，得到向量之后，对应子种群中的个体分别向对应的向量进化，再向pareto前沿进化。

56、本发明的有益效果是：本发明的基于偏好多目标优化的云制造服务组合优化选择方法，采用进化多目标优化的求解过程，帮助用户找到一组满足其偏好的服务qos组合，解决云服务组合优化问题，从而提高求解效率。