智能制造开启雾计算分析时代,雾计算拉近物联网的终端设备数据与云中心之间的存储、传输和计算。随着智能制造、雾计算和物联网技术的发展,出现了越来越多的智能制造服务,包括工业大数据分析、智能维护和管理、弹性工厂和智能应用等。本论文分析了智能制造服务的特点和需求,提出了面向智能制造服务的雾计算架构。通过对智能制造服务应用进行分类和通信交互流程的设计,架构能合理提供智能制造的相关服务。此外引入雾群、雾单元节点、雾管理节点等网元实体,并提出一种雾资源管理的分群算法,有利于雾层资源的有效合作。基于提出的雾计算架构,本论文针对智能制造中的设备计算能力、时延需求、通信保障能力等特征,建立了约束任务下的雾计算资源调度模型,以时延和通信负载为优化目标,提出了两种雾资源调度算法,即Pri-Min算法和ADGRS算法(Adaptive Doublefitness Genetic Resource Scheduling)。其中Pri-Min算法采用的是非启发式算法,借鉴了经典的Min-Min算法的思想,将任务之间的约束关系计算为任务的优先级,然后再基于该优先级进行资源调度。该算法以延时和通信负载的加权收益为优化目标,可对时延和通信负载进行不同权重的优化。Pri-Min算法产生的是局部最优解,不一定在全局范围内也是最优。所以本论文提出了第二个调度算法ADGRS,该算法属于启发式算法,采用自适应双适应度的改进遗传算法,该算法会在全局空间中寻找近似最优解,同样能对时延和通信负载进行不同权重的优化。算法仿真和结果分析表明,Pri-Min算法和ADGRS算法都能够同时兼顾任务的时延性能和通信资源的开销,有利于雾资源的有效协作和充分利用。相较于贪婪算法、OLB(Opportunistic Load Balancing,随机负载均衡)算法,Pri-Min算法综合性能更优。相较于Con-Min(Constraints Min)算法,ADGRS算法综合性能更优。Pri-Min算法相较于ADGRS算法调度速度更快,但综合调度结果较弱。所以这两种算法具有各自的优缺点,可适用于不同需求的应用。