摘 要

随着云制造环境的动态变化和用户需求的复杂化，单个制造服务已无法满足用户的复杂性制造任务。因此，须要按一定的规则将单个制造服务进行组合，从产生的众多制造服务组合中选择最优的组合推荐给用户，这是典型的多目标NP-hard难优化问题。考虑到云制造环境的复杂性和模糊性，现有的制造服务组合模型和推荐方法很难保证组合推荐的准确性，且解决多目标制造服务组合推荐的方法绝大多数都是通过加权、归一化等方法将其转化为单目标优化问题进行求解，但是用户对各目标的偏好是不明确的，而且优化结果得到的一个最优解并不能为用户提供备用方案，无法达到用户的推荐标准。因此，建立合适的制造服务组合优化模型和通过改进的多目标优化算法进行求解，对于提升制造服务组合的推荐方法的准确性以及制造业的资源配置效率等方面具有重要的研究意义。

本文研究的内容主要体现在以下两个方面：

（1）在传统的多目标制造服务组合优化模型的基础上引入三角模糊数理论，构建基于模糊QoS的多目标制造服务组合评估模型，并通过用户需求的预算时间、预算成本、最低可靠性这三个方面形成约束条件。该模型有效地解决了用精确的数字来描述QoS属性值可能会丢失重要信息等问题。

（2）针对该模型，提出一种新的基于Pareto最优解的多目标混合粒子群优化算法（EPSO），该算法首先根据个体（粒子）适应度进行快速非支配排序，计算每个粒子之间的拥挤距离，再采用锦标赛选择机制进行选取，并将变异算子和交叉算子与基本的粒子群优化算法相结合，提高了算法的搜索能力，使其更容易得到全局最优解，更高效地求解制造服务组合推荐问题。

本次实验通过一个制造加工实例，将提出的模型和算法带入求解，得到相应的Pareto最优解集。这些非劣解对应的制造服务组合即可推荐给用户，供其参考选择。最后将EPSO分别与MOPSO、NSGA-II这两种多目标优化算法进行对比实验分析，验证了EPSO算法在求解制造服务组合推荐问题时的可行性和有效性。

关键词：制造服务组合；组合推荐；模糊QoS；Pareto最优解；EPSO算法

ABSTRACT

With the dynamic change of cloud manufacturing environment and the complexity of user requirements, a single manufacturing service has been unable to meet the complex manufacturing tasks of users. Therefore, it is necessary to combine the manufacturing services according to certain rules, and recommend the optimal combination to the user from the generated many manufacturing service compositions. This is a typical multi-objective NP-hard optimization problem. Considering the complexity and fuzziness of cloud manufacturing environment, the existing methods are difficult to ensure the accuracy of combination recommendation. In addition, most of the existing methods to solve the multi-objective manufacturing service combination recommendation are to transform it into a single objective optimization problem through weighting, normalization and other methods, but the user's preference for each objective is not clear, and the optimal solution obtained from the optimization result can not provide the user with a backup scheme, which can not meet the user's recommendation standard. Therefore, it has important research significance and application background to establish a suitable model of manufacturing service composition optimization and select an effective multi-objective optimization algorithm to solve it.

The main contents of this paper are as follows:

(1) Based on the traditional multi-objective manufacturing service composition optimization model, the triangular fuzzy number theory is introduced to build a multi-objective manufacturing service composition evaluation model based on Fuzzy QoS, and constraints are formed through the budget time, budget cost and minimum reliability of user requirements. This model can effectively solve the problem that using accurate numbers to describe QoS attribute values may lose important information.

(2) Aiming at the model, a new multi-objective hybrid particle swarm optimization algorithm-based Pareto optimal solution(EPSO) is proposed. The algorithm first performs fast non dominated sorting according to individual (particle) fitness, calculates the crowding distance between each particle, and then uses tournament selection mechanism to select, and combines mutation operator and crossover operator with basic particle swarm optimization algorithm It improves the search ability of the algorithm, makes it easier to get the global optimal solution, and solves the manufacturing service composition recommendation problem more efficiently.

In this experiment, through a manufacturing example, the proposed model and algorithm are brought into the solution, and the corresponding Pareto optimal solution set is obtained. These non inferior solution corresponding manufacturing service compositions can be recommended to users for reference. At last, EPSO is compared with MOPSO, NSGA-II to verify the feasibility and effectiveness of EPSO in solving the problem of manufacturing service composition recommendation.

Keywords:manufacturing service composition; composition recommendation;fuzzy QoS; Pareto optimal solution; EPSO algorithm

目录

摘要 I

ABSTRACT II

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.3 主要研究内容及结构安排 2

第2章 相关技术概述 5

2.1 云制造服务 5

2.2 三角模糊数理论 5

2.3 粒子群优化算法 7

2.4 本章小结 8

第3章 制造服务组合QoS评估模型 9

3.1 制造服务组合 9

3.2 QoS属性 11

3.3 基于模糊QoS的制造服务组合优化模型 11

3.3.1 模糊成本 12

3.3.2 模糊时间 12

3.3.3 模糊可靠性 13

3.3.4 构建目标函数 13

3.4 本章小结 14

第4章 制造服务组合推荐方法 15

4.1 制造服务组合推荐问题的求解方法分析 15

4.2 基于Pareto最优解的多目标混合粒子群优化算法 15

4.2.1 Pareto最优解 15

4.2.2 基于快速非支配排序和拥挤距离的比较 16

4.2.3 淘汰机制 17

4.2.4 混合变异算子和交叉算子 18

4.2.5 基于EPSO的制造服务组合推荐问题求解 18

4.3 本章小结 20

第5章 实验仿真 21

5.1 实验设置和数据集 21

5.2 实验结果及算法性能验证 23

5.3 本章小结 26

第6章 总结与展望 28

6.1 全文总结 28

6.2 研究展望 28

参考文献 30

致谢 32

第1章 绪论

1.1 研究背景及意义

随着云计算、大数据等信息技术的不断发展，以及其与传统制造业的融合，李伯虎院士等首次提出云制造^[1]（Cloud Manufacturing）这一概念。在这基础上，经过专家学者们的进一步的深入研究^[2][3]，云制造正不断向资源配置、个性化服务、服务组合等多个方面快速发展。在云制造环境下，制造资源具有分散、多样和异构等特征，因此将这些制造资源通过一定的方式进行连接，快速构建出满足用户复杂需求的制造服务供应链，这是衡量一个制造企业资源配置效率的重要体现，也是其在制造业中竞争优势的重要标志。

在云制造环境的动态性以及用户需求的复杂化、多样性这一背景下，大多数制造企业难以利用自己有限的资源来完成用户的制造任务^[4]，越来越多的制造企业通过云服务平台分享各自的制造资源，包括数据、设备等，来缓解制造压力。而在面对用户的复杂性制造任务时，单个制造服务的功能是无法达到制造需求的，需要根据用户的制造任务从云制造服务池中选取满足条件的候选子服务按一定规则进行组合^[5] ，通过建立相应的数学模型和选用合适的算法，找到最优的制造服务组合供给用户参考选择。服务组合能促进制造资源整合，有利于提高制造资源之间的组合性和协同性。与此同时，云制造环境下的资源优化配置的问题随之产生，大量的制造资源和能力被封装为制造服务^[6]，并通过云服务平台进行注册和发布，供用户选择参考。因此，制造服务组合推荐方法的研究对于提高制造业的资源配置效率等方面具有重要的研究意义。