一种基于遗传算法的云制造多视角协同调度优化方法技术

本发明专利技术公开了一种基于遗传算法的云制造多视角协同调度优化方法，用于从用户、制造企业和制造平台三个视角的相关属性优化调度方案，用户的相关属性包括时间、成本和可靠性，制造企业的相关属性包括外包，制造平台的相关属性包括能耗，基于遗传算法的云制造多视角协同调度优化方法，包括：采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型；利用基于区间直觉模糊熵权法的遗传算法求解FMILP模型。本发明专利技术从用户、制造企业和制造平台三个视角优化调度方案，并且采用区间直觉模糊熵权法设置FMILP模型的相关参数，考虑了QoS属性权重和任务权重，以得到更优的调度方案。

A multi view collaborative scheduling optimization method for cloud manufacturing based on genetic algorithm

【技术实现步骤摘要】
一种基于遗传算法的云制造多视角协同调度优化方法
本申请属于多任务调度优化领域，具体涉及一种基于遗传算法的云制造多视角协同调度优化方法。
技术介绍
随着信息科技与制造技术的不断发展和融合，云制造作为一种新的制造模式引起了广泛的关注。大规模定制下的制造任务是异构的，且每个制造任务可以分解为若干个前后相关联的子任务。当不同子任务同时被分配到同一制造服务时，只有一个子任务可以立即执行，而其它子任务必须等待至该制造服务再次可用或分配到其它可用的制造服务。因此，基于用户提出的制造约束(即任务完成时间、成本和可靠性)实现多个异构任务的调度是一个复杂的问题。服务质量(qualityofservice,QoS)是多任务调度问题中为每个子任务分配制造服务的常用决策准则。制造系统中的QoS可以分为两类：性能-QoS和信任-QoS。性能-QoS表示制造服务的客观信息，如时间、成本等。信任-QoS表示制造服务的主观信息，如可靠性、可用性等。现有技术中的大多数调度方案优化都是从用户角度出发，旨在满足制造需求的前提下对QoS值进行优化求解。然而，一个最优的调度计划需要同时照顾到制造系统中的三个利益相关方：用户、制造企业和制造平台。故仅从用户角度出发进行优化的调度方案实质上并不是较佳的调度方案。对制造平台来说，它更愿意选择低能耗的服务组合，以推动制造企业向绿色制造转型。此外，制造企业可以将分配到的子任务外包给合作的制造企业，而不是局限于一对一的映射模式。现有技术中缺少同时考察三个利益相关方的目标的优化方案，无法使得到的最优调度方案能更有效地应用于实际生产。另外，大多数的柔性多任务调度问题都是基于精确的属性值来选择候选服务的。然而，由于制造环境固有的不确定性，提前得到精确的属性值并不容易。例如，当发生服务中断或制造资源的其它变化时，加工时间可能会在一定范围内产生波动。尤其是当加工时间很长时，很难准确估计出实际需要的加工时间。此外，现有技术中多数依赖于决策者的经验来确定QoS属性的权重，有些甚至忽略了任务的优先级。QoS属性权重和任务权重分别体现了用户对制造服务的偏好和任务的轻重缓急，两者都会影响制造服务的受欢迎程度，同时对最优调度方案是否能够有效地应用于实际生产有较大影响。
技术实现思路
本申请的目的在于提供一种基于遗传算法的云制造多视角协同调度优化方法，从用户、制造企业和制造平台三个视角优化调度方案，并且采用区间直觉模糊熵权法设置FMILP模型的相关参数，考虑了QoS属性权重和任务权重，以得到更优的调度方案。为实现上述目的，本申请所采取的技术方案为：一种基于遗传算法的云制造多视角协同调度优化方法，用于从用户、制造企业和制造平台三个视角的相关属性优化调度方案，所述用户的相关属性包括时间、成本和可靠性，所述制造企业的相关属性包括外包，所述制造平台的相关属性包括能耗，所述基于遗传算法的云制造多视角协同调度优化方法，包括：步骤1、采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型；步骤2、利用基于区间直觉模糊熵权法的遗传算法求解FMILP模型，包括：步骤2.1、采用区间直觉模糊熵权法设置FMILP模型的参数，并初始化获得种群，所述种群包含多个个体，每个个体即为一个调度方案，采用二维向量表示各个体；步骤2.2、计算种群中每个个体的迁入率和迁出率；步骤2.3、计算种群的变异率；步骤2.4、采用基于迁入率和迁出率的轮盘赌法从种群中选择迁入个体和迁出个体，对迁入个体和迁出个体执行交叉操作，并根据所述变异率对迁入个体和迁出个体执行变异操作，得到子个体保存至种群；步骤2.5、确定当前种群中的最优个体，对最优个体执行局部搜索产生领域解，比对领域解中的最优个体和当前种群中的最优个体，择优保存至种群；步骤2.6、执行重启策略；步骤2.7、判断是否达到预设的最大迭代次数，若达到预设的最大迭代次数，则输出迭代过程中产生的最优个体，即最佳的调度方案；否则将返回步骤2.2继续迭代。作为优选，所述采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型，包括：计算完成第i个制造任务的总模糊时间如下：其中，为Tij的模糊结束时间，为MSk处理Tij的模糊开始时间，为MSk完成Tij的模糊准备时间，为MSk完成Tij的模糊加工时间，MSk为第k个制造服务,且k＝1,2,…,K，K为制造服务的总个数，Tij为第i个制造任务的第j个子任务,j＝1,2,…,Ji，Ji为第i个制造任务的子任务总个数，为Tij的第h部分占整个Tij的比例，若MSk被选中去完成Tij的第h部分，则反之其中h＝1,2,…,Hij，Hij为Tij被拆分得到的部分总个数，为Ti(j-1)的模糊结束时间，为MSk完成一个子任务后的模糊累进时间；计算完成第i个制造任务的总模糊成本如下：其中，为MSk完成Tij的模糊准备成本，为MSk完成Tij的模糊加工成本；计算完成第i个制造任务的总模糊可靠性如下：其中，为MSk完成Tij的模糊准备可靠性，为MSk完成Tij的模糊加工可靠性；计算完成所有任务的总模糊能耗如下：其中，为MSk完成Tij的模糊准备能耗，为MSk完成Tij的模糊加工能耗；根据计算得到的和以最小化模糊适应度值为优化目标，建立目标函数如下：式中，为适应度函数，δ为包含时间、成本和可靠性的QoS属性相对于能耗的权重，δ为0到1之间的小数，η1、η2和η3分别表示时间、成本和可靠性的权重，且η1+η2+η3＝1，ωi表示种群中第i个任务的权重，且种群中所有任务的权重之和为1，和为和归一化后的值。作为优选，所述采用区间直觉模糊熵权法设置FMILP模型的参数，包括：所述FMILP模型的参数包括QoS属性的权重以及任务的权重，并且QoS属性qg的权重为ηg，g为QoS属性的索引，g∈[1,3]，且QoS属性q1表示时间，QoS属性q2表示成本，QoS属性q3表示可靠性：设置QoS属性qg的权重ηg时，包括：其中，α和γ为两个0到1范围内的固定小数，区间直觉模糊熵权法中基于属性qg对第i个制造任务优先级的评估结果式中的为评估结果中的参数；设置种群中第i个制造任务的权重ωi时，包括：其中，i为制造任务的索引。作为优选，所述采用二维向量表示各个体，包括：所述个体包含子任务顺序和制造服务分配；所述二维向量包含两个一维向量，两个一维向量分别为第一维向量和第二维向量；采用所述第一维向量表示个体中的子任务顺序，第一维向量的长度与该个体中子任务的个数相等，第一维向量中的元素值表示任务的索引，从第一维向量的初始位开始同一任务的索引出现的次数表本文档来自技高网...

【技术保护点】
1.一种基于遗传算法的云制造多视角协同调度优化方法，用于从用户、制造企业和制造平台三个视角的相关属性优化调度方案，其特征在于，所述用户的相关属性包括时间、成本和可靠性，所述制造企业的相关属性包括外包，所述制造平台的相关属性包括能耗，所述基于遗传算法的云制造多视角协同调度优化方法，包括：/n步骤1、采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型；/n步骤2、利用基于区间直觉模糊熵权法的遗传算法求解FMILP模型，包括：/n步骤2.1、采用区间直觉模糊熵权法设置FMILP模型的参数，并初始化获得种群，所述种群包含多个个体，每个个体即为一个调度方案，采用二维向量表示各个体；/n步骤2.2、计算种群中每个个体的迁入率和迁出率；/n步骤2.3、计算种群的变异率；/n步骤2.4、采用基于迁入率和迁出率的轮盘赌法从种群中选择迁入个体和迁出个体，对迁入个体和迁出个体执行交叉操作，并根据所述变异率对迁入个体和迁出个体执行变异操作，得到子个体保存至种群；/n步骤2.5、确定当前种群中的最优个体，对最优个体执行局部搜索产生领域解，比对领域解中的最优个体和当前种群中的最优个体，择优保存至种群；/n步骤2.6、执行重启策略；/n步骤2.7、判断是否达到预设的最大迭代次数，若达到预设的最大迭代次数，则输出迭代过程中产生的最优个体，即最佳的调度方案；否则将返回步骤2.2继续迭代。/n...

【技术特征摘要】
1.一种基于遗传算法的云制造多视角协同调度优化方法，用于从用户、制造企业和制造平台三个视角的相关属性优化调度方案，其特征在于，所述用户的相关属性包括时间、成本和可靠性，所述制造企业的相关属性包括外包，所述制造平台的相关属性包括能耗，所述基于遗传算法的云制造多视角协同调度优化方法，包括：
步骤1、采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型；
步骤2、利用基于区间直觉模糊熵权法的遗传算法求解FMILP模型，包括：
步骤2.1、采用区间直觉模糊熵权法设置FMILP模型的参数，并初始化获得种群，所述种群包含多个个体，每个个体即为一个调度方案，采用二维向量表示各个体；
步骤2.2、计算种群中每个个体的迁入率和迁出率；
步骤2.3、计算种群的变异率；
步骤2.4、采用基于迁入率和迁出率的轮盘赌法从种群中选择迁入个体和迁出个体，对迁入个体和迁出个体执行交叉操作，并根据所述变异率对迁入个体和迁出个体执行变异操作，得到子个体保存至种群；
步骤2.5、确定当前种群中的最优个体，对最优个体执行局部搜索产生领域解，比对领域解中的最优个体和当前种群中的最优个体，择优保存至种群；
步骤2.6、执行重启策略；
步骤2.7、判断是否达到预设的最大迭代次数，若达到预设的最大迭代次数，则输出迭代过程中产生的最优个体，即最佳的调度方案；否则将返回步骤2.2继续迭代。


2.如权利要求1所述的基于遗传算法的云制造多视角协同调度优化方法，其特征在于，所述采用三角模糊数表示时间、成本、可靠性和能耗的模糊属性值，以时间、成本、可靠性和能耗的模糊属性值以及外包建立FMILP模型，包括：
计算完成第i个制造任务的总模糊时间如下：









其中，为Tij的模糊结束时间，为MSk处理Tij的模糊开始时间，为MSk完成Tij的模糊准备时间，为MSk完成Tij的模糊加工时间，MSk为第k个制造服务,且k＝1,2,…,K，K为制造服务的总个数，Tij为第i个制造任务的第j个子任务,j＝1,2,…,Ji，Ji为第i个制造任务的子任务总个数，为Tij的第h部分占整个Tij的比例，若MSk被选中去完成Tij的第h部分，则反之其中h＝1,2,…,Hij，Hij为Tij被拆分得到的部分总个数，为Ti(j-1)的模糊结束时间，为MSk完成一个子任务后的模糊累进时间；
计算完成第i个制造任务的总模糊成本如下：



其中，为MSk完成Tij的模糊准备成本，为MSk完成Tij的模糊加工成本；
计算完成第i个制造任务的总模糊可靠性如下：



其中，为MSk完成Tij的模糊准备可靠性，为MSk完成Tij的模糊加工可靠性；
计算完成所有任务的总模糊能耗如下：



其中，为MSk完成Tij的模糊准备能耗，为MSk完成Tij的模...

【专利技术属性】
技术研发人员：张文宇，丁捷频，张帅，敖荟杰，陈佳宁，
申请(专利权)人：浙江财经大学，
类型：发明
国别省市：浙江;33