随着网络信息技术的高速发展,促进了以制造业信息化智能化为特征的行业变革的开展。传统制造模式和网络信息技术深度融合的先进制造模式研究成为学术和产业界的专家学者们研究的重点。通过借鉴云计算理念在制造领域的应用和发展,云制造作为一种面向服务的网络化制造模式应运而生。云制造环境下的服务组合优化研究在整合社会制造资源、提高资源利用效率方面取得重要的实用价值的同时,也产生了资源服务和用户需求匹配的问题:如何针对现实生活中存在的大规模需求为用户匹配满意的资源服务。因此,针对大规模需求下传统匹配模式寻优能力不足的局限性,从技术改进和案例应用两个视角来研究云制造下的服务组合优化问题,促进资源的有效配置。论文主要研究成果和创新点如下:（1）提出了云制造环境下面向大规模需求的服务组合评价指标体系。首先提出面向大规模需求的云制造资源优化配置的流程,明确本文大规模需求研究视角下的关键过程;其次,确定两类评价指标的提出,一是结合现有文献提出的服务质量Qo S（Quality of Service,Qo S）一般评价指标,二是根据研究问题提出的两个独有指标,并进行合理的指标测度,有效的衡量了大规模需求下资源服务组合过程产生的约束;最后,根据本文的建模思路,确定转化过程中的权重计算方法。（2）构建了大规模需求下无供应量约束的服务组合优化的多目标优化模型。基于传统建模的局限性分析,放宽供应量约束条件的限制,允许更多的资源服务参与优化选择。同时,基于大规模需求问题背景,确定常规约束和特有约束,建立多目标优化模型。突破了传统服务组合优化模型中供应量大于需求量约束的局限性,为大规模需求下的服务组合问题扩大了寻优范围。（3）设计了基于稳定变异的自适应差分进化算法（SMADE）。针对差分进化算法具有不确定性变异过程、存在无效变异的局限性,提出基于DE/best-worse/1的变异策略;针对差分进化算法变异率自适应性差的局限性,提出了基于增长率的交叉率计算方法,提高其灵活性。为了验证SMADE算法有效性,利用测试函数将SMADE算法和几种改进的差分进化算法进行对比,实验结果表明:本文所提出的SMADE算法在收敛速度和求解精度上有更好的效果。（4）分析了模型参数对优化模型求解的影响,探索了服务组合优化模型的潜在规律。根据问题特点,提出了基于SMADE算法的两阶段求解策略,并应用于实例分析和数值分析。一方面以某类制造企业的大规模任务需求为例,验证所提出的优化模型的有效性,并从实例结果可知:本文所提出的无供应量约束下的优化模型的适应度值优于传统建模下的结果;另一方面,通过数值实验揭示评价指标对优化模型的影响,并进一步研究优化模型的潜在规律。实验结果表明:当指标参数控制在合理范围内时能够求得模型的最优解;另外,相对于传统建模而言,面向大规模需求下的优化模型更具广泛性和一般性。