论文部分内容阅读
随着新一代信息技术与制造技术的不断发展和融合,云制造作为一种面向服务的制造新模式引起了广泛的关注。云制造系统中的制造任务具有大规模和个性化的特点,而云制造系统能基于用户的个性化需求为每个用户选择合适的制造服务构成最优方案。调度问题是云制造系统中的核心问题之一。不同于以往子任务与服务的简单匹配组合,云制造系统中的调度问题同时涉及到服务分配和任务排序两个子问题,即通过服务分配为每个子任务分配制造服务,并对由同一服务实现的不同子任务进行排序。通过解决服务分配和任务排序这两大关键问题,可以有效提高制造资源利用率,降低制造成本,推进云制造系统的可持续发展。在云制造环境下,同时调度多个任务以满足用户定制需求是极具挑战性的研究课题。一方面,云制造环境下的调度问题由于其固有的不确定性,当制造环境发生波动时,会使原来的调度方案变得不可行。而调度系统和制造资源通过互联网以远程方式连接,难以及时有效地对动态干扰事件做出响应。另一方面,除了时间、成本、可靠性等基本属性外,云制造模式下更多利益相关方(如用户、制造企业和制造平台)的利益冲突需要加以考虑。因此,在云制造环境下如何在考虑不确定性的基础上动态调度多个任务以减少不确定性对原调度方案的影响,并平衡用户、制造企业和制造平台之间的利益冲突是学界和工业界亟待解决的重要问题。针对上述问题,本文以用户在云制造系统中提交的个性化制造任务为研究对象,以实现服务优化配置为目标,对面向制造过程不确定性感知的云制造调度问题进行了深入的研究。为解决两种不同的不确定场景下的云制造调度问题,本文分别提出了两个优化模型。首先针对不确定信息(包括精确属性值和服务中断信息)可获取的场景,构建了一个基于前摄策略的多任务调度优化模型,将制造服务中断这一不确定因素考虑在内,以减少用户因服务中断造成的损失。然后,针对不确定信息难获取的场景,构建了一个基于模糊理论的多任务调度优化模型,引入模糊理论以应对不确定性,并解决属性值波动且服务中断信息不易获取的问题。最后,基于上述两种模型分别对基础型遗传算法进行改进,提高了遗传算法在求解本文提出的两种调度优化模型的效率。本文的创新点如下:1.提出了一种基于前摄策略的多任务调度优化模型。该模型针对精确属性值和服务中断信息等不确定信息可获取的场景,构建前摄性调度方法,通过平衡适应度、鲁棒性和稳定性得到强健且稳定的前摄性调度方案,从而减少不确定性对原调度方案的扰动,避免给用户造成不必要的损失。针对此模型,通过引入多阶段方法,将遗传操作相关固定参数改为自适应参数并引入局部搜索算法以改进基础型遗传算法,提高其算法的求解性能,避免陷入局部最优,从而搜索到更优的前摄性调度方案。实验结果表明,前摄性调度方案在考虑服务中断的多任务调度问题中有良好的表现。此外,与以往文献提出的基准算法相比,本文提出的改进型遗传算法在求解不确定性多任务调度问题时,能获得更强健且稳定的调度方案。2.提出了一种基于模糊理论的多任务调度优化模型。该模型针对不确定信息难获取的场景,摒弃了传统多任务调度模型中以精确值表示属性值的方式,用三角模糊数代替精确值以表达制造过程的不确定信息,且不局限于用户利益,综合考虑了用户、制造企业和制造平台三方的利益。同时,采用多准则模糊决策方法计算服务质量属性偏好和任务重要性,从而提高了调度方案的可靠性和有效性。针对此模型,通过引入迁移操作、局部搜索和重启策略来提高基础型遗传算法的性能,维持种群多样性,以获得更优的调度方案。实验结果表明,与以往文献提出的基准算法相比,本文提出的改进型遗传算法能更有效地求解该模型。