摘要：云计算、物联网、信息物理融合系统、大数据分析等新一代信息技术的日益成熟推动了智慧云制造的发展。制造...云计算、物联网、信息物理融合系统、大数据分析等新一代信息技术的日益成熟推动了智慧云制造的发展。制造云服务组合(Manufacturing Cloud Service Composition,MCSC)通过一定的规则动态组装由不同服务提供者所发布服务,实现难以由单个服务完成的复杂功能,从而为制造云系统提供一种按需应变的能力。MCSC优化问题具有动态性、耦合性、大规模、多目标等显著特点,是典型的NP-hard问题,MCSC算法的优劣对资源配置的效率和效果有直接影响。本文针对智慧云制造环境下并发任务需求、服务领域特征知识重用、服务质量动态演进、多目标优化等面临的挑战,提炼出四类MCSC优选场景,并进一步构建相应的问题模型、优选策略以及实现算法。具体内容如下:(1)首先,回顾了制造业发展趋势,简要概述云制造的特征,分析了云制造环境下MCSC面临的挑战;综述了云制造相关领域的研究进展,尤其是聚焦复杂云环境下的MCSC优选问题,引出本文的研究内容和总体框架。(2)从社会信息物理系统视角,探讨智慧云制造抽象系统模型及其体系架构;从数据的获取、分析和智能化应用的角度,讨论智慧云制造系统运行机理;最后给出了智慧云制造资源服务优选的相关基础理论知识。(3)针对云环境下的并发任务MCSC需求,提出一种多任务整体优选策略,构建以使有限服务资源在多任务之间达到均衡分配的优选模型,并提出一种具有社会认知能力和混沌激励机制的人工蜂群进化算法。该算法继承了人工蜂群算法良好的探索能力,分布估计模型的引入使得观察蜂具有社会认知能力,而受混沌序列激励的侦查蜂能更好的遍历解空间。数值试验显示整体优选策略相较于传统单任务优选策略能更好的对云服务能力进行均衡配置,所提出的算法求得最优解的质量和稳定性较高。(4)在考虑云服务领域特征的基础上,提出一种领域知识引导的花授粉算法以高效求解MCSC问题。首先,将云服务生态系统中的领域知识特征引入到花授粉算法的设计中,用于改善初始种群及启发式算子的搜索效率。其次,提出基于个体依赖机制的搜索策略,根据个体适应度值分配相应的搜索模式,优秀个体采用逐维更新的自花授粉策略进行深度开发搜索,劣势个体采用Lévy随机游走模型探索潜在搜索区域,二者配合以平衡种群的开发能力和探索能力。数值试验表明合理开发领域知识有助于加速算法收敛,基于个体依赖机制的搜索方式能提高算法寻优能力。(5)针对服务加入、退出及服务质量随时间演化的动态云环境,提出一种面向动态MCSC优选问题的多种群自适应差分蜂群算法。首先引入Skyline多维队列模型,以缩减候选服务集规模,并屏蔽无关扰动。然后提出一种能有效平衡广度探索能力和深度开发能力的动态多种群差分蜂群算法,采用状态触发机制使得不同进化策略被使用的概率能随环境变化剧烈程度适时调整;采用多子群互斥搜索策略避免不同子群个体过度聚集,通过衰老机制重启可能陷入局部最优的个体。数值实验结果表明所提出的算法在求解动态MCSC问题时具有良好的鲁棒性和适应性。(6)针对多目标MCSC问题,在基于分解的进化算法框架的基础上,融入差分进化、蜂群算法、教-学算法各自优点,提出一种基于多进化算子和多搜索邻域双协同进化策略的EsMOEA/D算法。所提出算法对子问题配置多个搜索邻域范围和多种进化算子,根据采用不同进化算子和搜索邻域的进化策略的历史性能表现,调整其在未来被使用的概率,以期提高算法求解复杂问题的能力并优化配置计算资源。对比实验结果显示,所提出的算法在多目标MCSC问题求解中具有明显优势。更多还原显示全部
