[发明专利]一种面向大规模多批次任务协同的云制造服务组合优化方法

权利要求书

1.一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于，包括如下步骤：

(1)首先将制造任务Task(T)划分为若干个子任务，在云平台选取多个候选云服务并组成候选云服务集，建立面向云制造服务组合的大规模多批次任务协同组合模型；

(2)采用基于多种改进策略的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化；

(3)利用步骤(2)优化后的大规模多批次任务协同组合模型，解决大规模多批次任务协同服务的组合优化问题，完成云制造服务组合的优化。

2.根据权利要求1所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述步骤(1)构建的面向云制造服务组合的大规模多批次任务协同组合模型中的参数设置如下：

(i)制造任务：Task(T)；

(ii)子任务集：SbT＝{sbt₁,sbt₂,…sbt_i,…,sbt_n}，n为子任务数量；

(iii)候选云服务集：RCSS_i为第i个子任务对应的候选云服务集，k_i是对应的云服务总数；

(iv)服务组合方案：表示执行第i个子任务所有的组合方案数量；

(v)优化目标：以制造时间为优化目标，在多批次任务协同执行的情况下，要使得整个任务制造时间最短，只需缩短耗时最长的批次任务的完成时间即可；故目标函数设为：其中T_F是对应批次的完成时间，η是子任务中的批次数量。

3.根据权利要求1所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述在步骤(2)中为实现面向云制造服务组合的大规模多批次任务协同组合模型的优化问题，通过引入若干种改进策略来提高人工蜂群算法的全局搜索能力和寻优精度，包括利用差分进化策略使算法快速收敛到全局最优；利用三角因子振荡策略，促使蜂群跳出局部最优，逼近全局最优解；利用异维学习策略和高斯分布策略使得算法尽可能避免早熟收敛，避免陷入局部最优。

4.根据权利要求1所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述基于多种改进策略的人工蜂群算法的步骤如下：

1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群；并计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体；

2)雇佣蜂采用经差分进化策略、异维学习策略以及三角因子振荡策略改进后的方程进行循环搜索；观察蜂采用经高斯分布策略改进后的搜索方程进行循环搜索；

3)设定记录板记录蜜蜂的搜索状态，根据记录板的内容确定是否产生侦查蜂，并且侦查蜂采用经差分进化策略、异维学习策略改进后的搜索方程开始搜索；判断是否达到终止条件,若是则输出结果；否则，重复上述步骤继续求解。

5.根据权利要求4所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述在步骤1)中，利用块编码的方式设定多种改进策略的人工蜂群算法的参数：蜂群数量NP、食物源数量NP/2、控制参数limit、最大循环数MaxCycle、D维解空间；并且在解空间随机产生初始解X_i(i＝1，2,…,NP),计算其适应度值：即它表示第g代种群的第d个个体,且表示第i级的第k个基因位。