云制造的服务聚集、组合与调度优化方法

发布时间：2017-09-12 23:32

  本文关键词：云制造的服务聚集、组合与调度优化方法

  更多相关文章： 云制造 云服务 制造资源聚集 云服务组合 云服务调度 人工蜂群优化算法

【摘要】：近年来,服务计算、云计算、物联网等众多新型信息技术的不断涌现,使虚拟企业之间能够更加敏捷、智能地协作。在此背景下,云制造作为一种促进中国制造业由生产型制造向服务型制造转变的发展途径被提出。这一面向服务的网络化制造新模式将进一步促进中国制造企业向网络化、智能化和服务化方向发展,从而更好地实现制造资源与制造能力的网络化动态共享与智能分配。作为云制造的核心,云制造服务能够动态地按需提供虚拟制造链的创建所需的制造资源或制造能力服务,支持跨企业的服务型制造的全生命周期,从而成为一种新的资源组织和集成方式。研究云制造服务的聚集、组合、调度等服务处理的优化方法是十分必要的。然而,云制造是一个新兴领域,其理论和应用研究都刚刚起步,尚不够成熟。为此,本文围绕云制造的服务处理模型和基于聚集的云制造框架来开展研究。该研究覆盖了三个核心服务处理过程:制造资源的聚集、云制造服务的组合和制造云服务的调度。其核心思想是在充分考虑现实约束的前提下,通过创新的方法/算法来提高服务处理的效率,优化制造云服务的运作。本文的研究工作和创新成果包括以下几点。(1)提出了基于密度的、支持云制造服务分解模型的资源聚集方法。由于制造资源的大规模海量特点,对这些资源的聚集策略成为云制造服务处理的重要基础。其目的是对具有相似功能参数的制造资源进行划分,并根据分布密度将这些制造资源分为多个服务集群。为此,本文采用服务空间模型改进了基于密度的和带有噪声的应用空间聚集算法DBSCAN(Density-Based Spatial Clustering of Applications with Noise),提出了一种新的基于密度的聚集策略,实现了制造资源服务的有效聚集。(2)通过扩展服务的初始聚集结构并引入制造资源选择的经验知识,提出了一种服务集群重构方法。该方法基于制造资源间具有配套关系、常常被一起选择这一事实,利用概率密度函数刻画资源被一起选择的概率,进而重构和优化服务集群的结构。本文采用基于人工蜂群的优化算法(Artificial Bee Colony Optimization Algorithm,ABC)从现有的集群结构中搜索并发现最有效的解。(3)云制造服务组合是制造云(虚拟制造链)构建的核心。虽然目前已有大量的服务组合方面的研究,但由于未充分考虑制造的领域特征,因而并不适用。在云制造中,运输活动和制造互操作处理是制造服务组合过程中的关键;还需考虑服务质量的匹配问题。为此,本文在充分考虑服务质量、运输活动、制造互操作以及Qo S不匹配替代策略的基础上,提出了云制造服务的组合框架,设计了基于改进ABC算法的制造资源服务组合优化方法(ABC_Cs CCMfg)。(4)任务调度是协同虚拟制造链运作管理中的复杂问题。考虑到现行制造企业多依赖于对调度和组织模型的长期承诺,亟需一种面向云制造模式的调度框架,在保证制造服务商的完整性/运作稳定性前提下,优化全局时间/交货期。为此,本文提出基于可用性和时间段分析的制造服务任务调度编排模型,并基于人工蜂群算法实现了云制造服务的调度优化。(5)本文给出了一个应用案例。在此案例中,ASEM公司HT700产品的制造需要转换为以集群为基础的云制造模式。通过资源聚集、组合等过程,我们为HT700构造了一个虚拟制造链,让人感受到云制造为中小型企业带来的效益。
【关键词】：云制造 云服务 制造资源聚集 云服务组合 云服务调度 人工蜂群优化算法
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP393.09
【目录】：

• 摘要4-6
• ABSTRACT6-20
• ABBREVIATIONS20-22
• CHAPTER 1 INTRODUCTION22-56
• 1.1 BACKGROUND AND MOTIVATION22-29
• 1.2 CLOUD MANUFACTURING AND RELATED ISSUES29-36
• 1.2.1 Cloud Manufacturing Concept29-32
• 1.2.2 Key Advantages of Cloud Manufacturing32-33
• 1.2.3 Manufacturing Resource Service Clustering33-34
• 1.2.4 Manufacturing Resource Service Composition34-35
• 1.2.5 Manufacturing Resource Service Scheduling35-36
• 1.3 SURVEY OF THE STATE OF THE ART OF CLOUD MANUFACTURING AND THERELATED KEY TECHNOLOGIES36-50
• 1.3.1 Key Technologies of Cloud Manufacturing36-45
• 1.3.2 Resources Clustering45-46
• 1.3.3 Service Composition46-48
• 1.3.4 Manufacturing Tasks Scheduling48-50
• 1.4 RESEARCH PROBLEMS & OBJECTIVES50-53
• 1.4.1 Manufacturing Resource Service Clustering51
• 1.4.2 Manufacturing Resource Service Clusters Re -structuring51-52
• 1.4.3 Cloud Manufacturing Service Composition52-53
• 1.4.4 Cloud Manufacturing Service Scheduling53
• 1.5 MAIN CONTENT OF THE THESIS53-56
• CHAPTER 2 CLUSTER BASED CLOUD MANUFACTURING FRAMEWORKAND KEY TECHNOLOGIES56-71
• 2.1 CLUSTER BASED CLOUD MANUFACTURING FRAMEWORK & DEFINITION56-58
• 2.2 SERVICE PROCESSING IN CLOUD MANUFACTURING58-61
• 2.3 KEY TECHNOLOGIES FOR SERVICE PROCESSING OPTIMIZATION IN CLOUDMANUFACTURING61-69
• 2.3.1 Quality of Services in Cloud Manufacturing61-63
• 2.3.2 Geo-perspective model63-64
• 2.3.3 Composition models64
• 2.3.4 Artificial Bee Colony Optimization64-67
• 2.3.5 Density-Based Spatial Clustering of Applications with Noise67-69
• 2.4 SUMMARY69-71
• CHAPTER 3 MULTI-DIMENSION DENSITY-BASED CLUSTERING WITH THE SUPPORT OF CLOUD MANUFACTURING SERVICE DECOMPOSITIONMODEL71-80
• 3.1 PROBLEM STATEMENT71
• 3.2 CMFG CLUSTERING FRAMEWORK71-72
• 3.3 RESOURCE SPACE DEFINITION72-74
• 3.3.1 CMfg service Decomposition Model72-73
• 3.3.2 Resource Space Definition Pre-sets73-74
• 3.4 Modified DBSCAN Algorithm for CMfg Clustering Framework74-77
• 3.5 CMFG_DBSCAN() EXPERIMENTS77-79
• 3.6 SUMMARY79-80
• CHAPTER 4 A RE-STRUCTURING SERVICE CLUSTER ALGORITHM ABCOPTIMIZED BASED ON VIRTUAL RESOURCE SELECTION PROBABILITY80-98
• 4.1 PROBLEM STATEMENT: AN EXTENDED VIEW OF CMFG CLUSTERINGFRAMEWORK80-82
• 4.2 SERVICE CLUSTER RE-STRUCTURATION TRIGGER FUNCTION82-84
• 4.2.1 Structure Efficiency and Cost Evaluation83
• 4.2.2 Service cluster Selection Experience83
• 4.2.3 Restructuring Trigger Function83-84
• 4.3 SERVICE CLUSTERS AND VIRTUAL RESOURCES SELECTION PROBABILITY84-88
• 4.4 SERVICE CLUSTERS FITNESS EVALUATION88-89
• 4.5 RE-STRUCTURING SERVICE CLUSTERS ALGORITHM ABC OPTIMIZED89-91
• 4.5.1 ABC Control Parameters89
• 4.5.2 Re-structuring Service Clusters Algorithm ABC Optimized89-91
• 4.6 PRECISION AND PERFORMANCE EVALUATION91-96
• 4.6.1 Precision Evaluation92-94
• 4.6.2 Performance Evaluation94-96
• 4.7 SUMMARY96-98
• CHAPTER 5 AN OPTIMIZED CLOUD MANUFACTURING SERVICECOMPOSITION BASED ON QOS AND GEO-PERSPECTIVE98-124
• 5.1 PROBLEM STATEMENT98-99
• 5.1.1 Sets and Model variables98
• 5.1.2 Cloud Service Composition Problem Definition98-99
• 5.2 CLOUD MANUFACTURING SERVICE COMPOSITION FRAMEWORK99-100
• 5.3 QOS EVALUATION100-102
• 5.3.1 Sequence Model100-101
• 5.3.2 Parallel Model101
• 5.3.3 Selective Model101
• 5.3.4 Circular Model101-102
• 5.4 SUBSTITUTION STRATEGY FOR UNMATCHED QOS102-104
• 5.5 RESOURCE SERVICE TRANSPORTATION EVALUATION104-108
• 5.5.1 Mean of Transportation Selection105-107
• 5.5.2 Transportation Distance Evaluation107
• 5.5.3 Resource Service Transportation Qo S Evaluation107-108
• 5.6 INTEROPERABILITY CONNECTOR EVALUATION108-109
• 5.6.1 Interoperability in Manufacturing108
• 5.6.2 Interoperability Vision108-109
• 5.7 CLOUD SERVICE COMPOSITION FITNESS DEFINITION109-111
• 5.8 IMPROVED ARTIFICIAL BEE COLONY FOR CLOUD MANUFACTURING SERVICECOMPOSITION EVALUATION111-114
• 5.9 SIMULATIONS114-123
• 5.9.1 ABC_Cs CCMfg Parameters Tuning114
• 5.9.2 Case Generation for ABC_Cs CCMfg Simulations114-116
• 5.9.3 ABC_Cs CCMfg Performance Evaluation116-119
• 5.9.4 ABC_Cs CCMfg Precision Evaluation119-121
• 5.9.5 Transportation Evaluation Impact121
• 5.9.6 CS candidates Availability Impact121-122
• 5.9.7 Interoperability Performance Impact122-123
• 5.10 SUMMARY123-124
• CHAPTER 6 OPTIMIZED SCHEDULING FRAMEWORK BASED ONRESOURCE SERVICE AVAILABILITY124-135
• 6.1 PROBLEM STATEMENT124
• 6.2 CONSTRAINTS DEFINITION124-126
• 6.3 TIMESLOTS AND AVAILABILITY OVERTIME DEFINITION126-128
• 6.4 FITNESS EVALUATION BASED ON MANUFACTURING STARTING TIME128-130
• 6.5 CLOUD MANUFACTURING SCHEDULING ORCHESTRATION130-131
• 6.6 EXPERIMENTS131-134
• 6.6.1 ABC Control Parameters131
• 6.6.2 Performance Evaluation131-133
• 6.6.3 Manufacturing Time Evaluation Impact133-134
• 6.7 SUMMARY134-135
• CHAPTER 7 ASEM USE CASE: SERVICE CLUSTER GENERATION ANDCLOUD MANUFACTURING SERVICE COMPOSITION INTEGRATION135-150
• 7.1 INTRODUCTION135
• 7.2 ASEM PRESENTATION135-137
• 7.3 ASEM HT700137
• 7.4 HT700 CLOUD MANUFACTURING SERVICE MODEL137-140
• 7.5 CMFG_DBSCAN FOR SERVICE CLUSTERING GENERATION BASED ONWELDING MANUFACTURING RESOURCES SUPPLIERS140-144
• 7.6 ABC_CSCCMFG TOWARD EXISTING SOLUTION QOS144-149
• 7.7 SUMMARY149-150
• CONCLUSION AND FUTURE WORK150-152
• REFERENCES152-166
• PUBLICATIONS166-168
• APPENDIXES168-195
• APPENDIX A CASE 1 GENERATED TABLE168-170
• APPENDIX B SERVICE MANUFACTURING GENERATION FOR COMPOSITION170-192
• APPENDIX C TIMESLOTS AND AVAILABILITY GENERATION FOR CLOUDMANUFACTURING SCHEDULING ORGANIZATION192-195
• STATEMENT OF COPYRIGHT195-197
• ACKNOWLEDGEMENTS197-198
• RESUME198

，

本文编号：840176