云制造是云计算在制造业领域的应用和衍生,它将共享资源从计算资源拓展到整个制造资源,成为现代智能制造的重要内容。随着云制造技术的不断落地应用,云制造服务资源的优化组合问题成为业内关注的焦点,它是解决云制造环境下资源和服务互联互通的关键。根据云制造的实际工况,大规模多批次任务协同执行是云制造中较为常见的生产制造方式,这种生产方式可以为企业降低制造成本和缩短生产时间。因此,大规模多批次任务协同执行的云制造服务组合问题已成为当今云制造服务组合的主要研究方向。本文主要针对云制造环境下大规模多批次任务协同执行的服务组合问题,以云制造中最为经典的生产时间最短为优化目标展开研究,主要内容如下:1.针对云制造环境下,用户需求规模大、任务执行批次多的实际情况建立了大规模多批次任务协同执行的服务组合模型。结合了云制造服务组合问题,分析了云平台、任务需求方、服务提供方三者之间的逻辑层次和逻辑关系,定义了相关参数和评价指标,实现了复杂、海量制造资源的统一封装。2.针对现有优化算法在求解云制造服务组合上面临全局寻优能力不足的情况,提出了一种基于多种改进策略的人工蜂群算法(Multiple Improvement Strategies based Artificial Bee Colony Algorithm,MISABC)的求解方法。MISABC中针对不同阶段的蜜蜂搜索方程,分别引入了相应的改进策略,主要包括差分进化策略、三角因子振荡策略、异维学习策略和高斯分布策略,使得MISABC在全局寻优能力和求解精度上较经典ABC有很大地提升。最后,通过基准函数测试实验和案例研究实验,验证了MISABC算法求得最优解的质量和稳定性较高。3.云制造资源优化组合的数学模型大多呈现出多模态且不可分的特点,针对现有优化算法对于求解多模态且不可分数学问题往往收敛速度慢,易陷入局部最优的的情况,提出了一种基于差分进化和教与学的混合改进优化算法(ImprovedHybrid Differential Evolution and Teaching Based Optimization,IHDETBO)的求解方法。IHDETBO以差分进化算法和教与学优化算法为基础,充分利用了差分进化算法突出的全局寻优能力和教与学算法的局部搜索能力,将两种算法进行改进和有机融合,从而提高了算法的收敛速度和跳出局部最优的能力。最后,通过Benchmark函数测试和案例模型进行求解和分析,验证了该算法在求解复杂的云制造服务组合问题的可行性和高效性。