云制造环境下面向动态任务感知的服务组合与调度优化研究

发布时间：2020-10-30 02:32

　　随着经济全球化的不断加速,越来越多的制造厂商选择通过将制造资源和制造能力封装为制造服务的方式来增强企业之间的协作以提高企业竞争力,制造业逐渐从面向生产的模式转变为面向服务的模式。云制造是一种面向服务的、高效低耗和基于知识的网络化敏捷制造新模式,云制造技术通过对各类制造资源进行统一集中的智能化管理和经营,从而在整个制造生命周期中为用户提供灵活、敏捷的服务。云制造平台在同一时刻往往会接收到多个用户提交的批量的复杂多功能性的任务需求,而单功能性的服务通常无法满足用户需求,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各异的候选服务集。在满足服务质量约束的前提下,各种不同功能的服务被调用和组合,以优化服务状态和执行计划,从而满足多用户需求。因此,制造服务的组合与调度是云制造环境面临的关键研究问题。然而,由于实际制造环境存在不确定性,当环境发生变化时,原有的最优执行方案可能变得非最优甚至不可行,而动态任务是导致云制造环境不确定性的主要来源之一。本文以云制造环境下动态任务为研究对象,以实现制造服务优化配置为目标,对服务组合和调度优化问题进行了深入研究。本文首先建立了一种面向单一任务的云制造服务动态组合模型,提出了两种相应的服务重组方式(即纵向协作方式和速度选择方式)以应对制造过程中突然出现的紧急任务请求。其次,建立了一种面向多任务、考虑新任务到达的云制造服务动态调度模型,该模型综合考虑了服务供应商之间的横向协作和纵向协作。最后,针对上述云制造环境下面向动态任务感知的服务组合模型与服务调度模型的各自特点,根据基础型生物地理学优化算法,分别提出了相应的改进型两阶段生物地理学优化算法和多种群生物地理学优化算法,提高了服务组合模型与服务调度模型的算法求解性能。本文的主要创新点如下:1.提出了一种面向单一任务的云制造服务动态组合模型,讨论了两种服务重组方式(即纵向协作方式和速度选择方式)以应对突然出现的紧急任务请求。为求解上述模型,本文提出了改进型两阶段(即组合阶段和重组阶段)生物地理学优化算法。该算法针对基础型生物地理学优化算法的不足,引入了二维向量编码以适应服务重组问题求解。其次,该算法融合了变邻域搜索算法和精英替换策略。实验结果表明,与基础型生物地理学优化算法、遗传算法和差分进化算法相比,改进型两阶段生物地理学优化算法可以求解到更优的云制造服务组合和重组方案。同时,两种服务重组方式可以有效减少任务完成所需的时间。2.提出了一种面向多任务的云制造服务动态调度模型,讨论了两种重调度策略以应对突然到达的动态任务请求。该模型探讨了多供应链协作模式,综合考虑了供应链中服务供应商之间的横向协作和纵向协作。为求解上述模型,本文提出了改进型多种群生物地理学优化算法,该算法针对基础型生物地理学优化算法的不足,采用了矩阵编码方式,并融合了多种群策略、局部搜索策略以及协作机制。实验结果表明,在调度和重调度两个阶段中,与传统的单供应链模式相比,多供应链协作模式可获得更优的调度方案。同时,与基础型生物地理学优化算法、遗传算法和粒子群优化算法的对比实验表明,改进型多种群生物地理学优化算法可以求解到更优的调度方案。
【学位单位】：浙江财经大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：F270.7
【部分图文】：

技术路线图,目标