基于自适应粒子群算法的制造云服务组合研究

针对云制造系统中制造云服务组合的多目标规划问题,研究建立了问题模型并提出了求解方法。首先引入了网格制造模式的制造资源服务组合技术,探讨并描述了云制造模式中基于服务质量（QoS）的制造云服务组合过程;接着通过分析云制造模式下制造云服务的特征并基于制造领域知识,研究定义了制造云服务的八维QoS评估标准及计算表达式,推导出制造组合云服务的QoS表达,进而建立了制造云服务组合的多目标规划问题模型。最终设计了自适应粒子群算法来解决该多目标规划问题。仿真实验表明,该算法能有效并高效地解决该问题,且求解效率优于传统粒子群算法。     

基于双层规划的容器云资源动态配置算法

本文分析容器云资源动态配置决策问题,通过定义容器云资源的调度任务,求解得到容器云资源调度时间;利用容器云资源调度任务的最短时间矩阵,获取容器云资源调度所需的条件。在双层规划条件下,求解容器云资源调度的目标函数和约束函数;考虑到用户的任务情况和云数据中心的云资源状况,在虚拟机上构建一个到物理主机的矩阵,通过构建容器云资源动态配置结果在优化时的目标函数,结合约束条件,实现容器云资源的动态配置。实验结果表明,资源动态配置算法不仅可以提高容器云资源的利用率,还可以减少配置完成时间,具有更好的动态配置性能。     

考虑主体心理的云制造服务双层规划选择

为了使云制造服务匹配达到供需双方都满意,在考虑双方利益的情况下,结合主体心理构建了一个云制造服务选择双层规划模型。针对决策主体对服务质量“收益”和“损失”的不同心理,以需求方对组合服务心理满意度作为上层规划的优化目标,把服务供给方对需求方心理满意度作为下层规划的优化目标。最后,采用改进的反弹自适应粒子群算法求解该模型,挑选出供需双方都满意的组合服务。实验仿真结果也表明了该模型的合理性和有效性。     

基于遗传算法的云服务商伙伴选择问题研究

针对目前云计算市场如何选择合适的云服务商来组成动态联盟,以便更快更有效地满足终端客户的需求,实现云服务资源的优化配置.运用灰色关联综合评价模型确定云服务市场的优化指标,运用多目标优化模型定量分析和研究了云服务商的伙伴选择问题,选取在云计算市场提供计算服务、存储服务、软件服务的云服务商作为研究对象,提取成本、响应时间、服务质量作为研究优化指标;通过赋予相应的权重值,采用遗传算法对多目标规划化问题进行求解,寻找到符合各个云服务商利益的合作伙伴,最后通过算例证明该算法在解决最佳云服务商伙伴选择组合方面的合理性,验证了该模型及算法的有效性.     

团购模式下云制造服务资源组合优化模型与算法

在云制造服务环境中,为了进一步降低需求者的服务成本,提出了一种团购模式下云制造服务资源组合优化模型与算法。在云制造平台发展的初期阶段,以服务需求者的视角分析云制造服务资源组合优化管理问题,通过团购模式研究了资源组合优化模型与算法,模型中考虑团购定价、团购信任度等关键影响因素,对云制造资源组合优化进行综合决策;设计改进的遗传算法进行模型求解,进一步对团购模式下云制造服务资源组合模型进行仿真分析。通过不同规模问题的仿真实验验证了模型与算法的有效性和可行性,仿真结果表明,在团购规模逐渐增大的情况下,团购模式比个体模式更具有成本优势。     

不确定条件下应急资源布局的鲁棒双层优化模型

针对非常规突发事件中应急资源布局问题,在受灾点需求不确定和应急救援过程分为多个阶段的情景下,建立了省市两级应急储备仓库定位和物资配置的鲁棒双层规划模型。运用相对鲁棒优化方法,将上述具有不确定性系数的双层规划模型转化为从者无关联的确定性线性双层规划,提出了一种混合遗传算法进行求解,实现了省市两级应急资源布局的协同优化。通过实例验证了模型及算法的可行性和有效性。     

基于层次遗传算法的物流配送中心选址策略*

在考虑物流规划部门和客户双方利益的基础上,采用双层规划模型描述物流配送中心的选址问题。基于进化博弈与多目标优化的思想设计了层次遗传算法来求解该模型,通过两个遗传算法的交互迭代求解物流配送中心选址问题。最后通过算例验证了模型与算法的可行性。     

基于双层规划的高超声速飞行器预警资源分配方法

针对高超声速飞行器预警系统中资源难以合理利用的问题,提出一种基于双层规划的预警资源分配方法.首先,建立高超声速飞行器运动状态的马尔可夫模型,提出威胁评估的方法;其次,基于隐马尔可夫模型和卡尔曼滤波,提出双层规划的高超声速飞行器预警资源分配模型,下层规划以单位资源损耗下信息增益为目标函数,上层规划以风险的降低为目标函数;然后,针对模型的求解,提出改进的广义粒子群优化算法;最后,通过仿真分析验证所提分配方法和算法的有效性和可行性.     

考虑运输因素的网络化制造资源优化配置方法

针对网络化制造环境下制造资源的优化配置问题,为提高配置结果的实用性,在考虑加工时间和加工成本等因素的基础上,加入企业间运输时间和运输成本因素,建立了综合优化模型。采用带精英保留策略的遗传算法对该问题进行求解。通过实例验证了以上模型和求解算法。研究结果表明,考虑运输因素的网络化制造资源优化配置方法能够有效降低总运输成本和时间,配置方案更贴合实际。     

随机批量物料搬运的制造系统AGV配置优化

针对定制型装备制造企业智能车间中物料搬运系统的AGV数量配置问题,以最小化AGV投资成本为目标,建立具有系统产能和订单交货期双重约束的优化模型。由于该优化问题是一个随机非线性的整数规划问题,且约束条件无法用决策变量的封闭形式表示,提出一种基于排队网求解性能指标值的禁忌搜索算法求解该问题。基于马尔可夫理论,提出拓展的状态空间分解法求解具有随机批量搬运特征的排队系统性能指标值。提出一种嵌入排队网模型的优化算法求解AGV数量配置的优化方案。通过算例求解与仿真对比验证所提方法的有效性和精确性,并分析案例确定优化的配置方案。     

基于区块链的云制造系统内可信资源调度方案

针对目前云制造系统中存在的各参与主体间信任问题以及资源调度效率问题,研究了将区块链技术应用于云制造系统中.首先,阐述了区块链技术应用于云制造系统的意义,提出了一种基于区块链技术的云制造系统;其次,设计了基于智能合约的制造资源调度方式,构建制造成本最小、时间最短、合格率最高的资源调度模型并用差分进化算法进行求解;最后,进行实验仿真.结果表明,基于区块链技术的智能合约内进行资源调度方法在保证了系统内各参与主体间相互信任的同时,有效地提高了云制造系统的资源调度效率和资源调度方案的优越性.     

一种基于张量理论的云制造资源服务化封装与发布策略

针对云计算环境下智能制造集中资源分散服务过程中存在的数据异构与资源统一描述问题,在分析现有云制造资源服务化封装与发布技术的基础上,利用张量理论在描述异构数据上的技术特点,提出了一种基于张量理论的云资源服务化封装与发布策略。首先将云制造资源进行分类,并就不同资源给出封装方法;其次基于张量理论定义了不同类型的云制造资源的张量模型,根据不同资源服务属性建立低阶子张量,然后利用张量扩展算子对低阶子张量子进行融合,将各类属性信息嵌入至高阶张量空间,实现云制造资源的统一表示。给出了制造资源、制造能力、设计资源的统一封装模板和形式化描述。最后,给出了云制造资源的服务化部署及发布策略,设计开发了一个云制造资源服务化封装与发布系统,通过实例验证了所提方法的有效性。     

面向大规模云资源调度的可扩展分布式调度方法

云数据中心异构物理服务器的能耗优化资源分配问题是NP难的组合优化问题,当资源分配问题规模较大时,求解的空间比较大,很难在合理时间内求得最优解。基于分而治之的思想,从调度模式方面提出可扩展分布式调度方法,即当云数据中心待调度的物理服务器的数量比较大时,将待调度的服务器划分为若干个服务器集群,然后在每个服务器集群建立能耗优化的资源分配模型,并利用约束编程框架Choco求解模型,获得能耗最优的资源分配方式。将提出的基于可扩展分布式调度方法的能耗优化云资源调度算法与非扩展调度算法进行实验比较,实验结果表明,提出的基于可扩展分布式调度方法的能耗优化云资源调度算法在大规模云资源分配上有明显的性能优势。     

考虑主体心理预期的云制造资源双边匹配机制

云制造的实践创新和相关机制研究是近几年供应链和制造领域研究的热点问题.研究云制造平台上的碎片化资源匹配问题,以探索物联网环境下提高企业资源配置效率的方法.基于前景理论,通过多属性评价,计算出资源供求双方之间的满意度,据此确定匹配主体的偏好序.以偏好序作为匹配依据,设计在考虑匹配数量的前提下,求解稳定匹配方案的“多对多”匹配算法,并论证匹配结果对于匹配优先方的Pareto最优性.最后,通过算例验证了整个匹配机制的可行性和有效性.     

面向云计算数据中心的弹性资源分配算法

巨大规模的数据资源与实时多变的应用请求,增加了云计算数据中心的资源分配难度,为此提出一种弹性资源分配算法。通过分析云计算数据中心下弹性资源分配问题,利用带宽资源与中间变量,将分配问题转换为整数线性规划问题,在各链路上逐级划分数据中心后得到不同分区,并按照从下到上的顺序逐层展开运算,完成动态规划阶段,基于树状数据中心的遍历过程,根据极大允许负载占比,明确可行的分配策略,依据带宽需求按序分配,实现云计算数据中心弹性最大化与资源最佳分配。选取不同的基准测试作业作为检测数据,经过对比分析实验数据,验证所提算法在弹性方面具有显著的优越性,有效降低应用请求响应时长,执行效果较为理想。     

A two-layer social network model for manufacturing service composition based on synergy: A case study on an aircraft structural part

Cloud manufacturing is an emerging manufacturing paradigm, with the issue of service composition being one of its most significant challenges. The current researches take the view that all manufacturing services are of equal importance. However, in fact, manufacturing services that owns scarce resources are more important than ordinary one, especially in the production of complex products. Hence, it is significant to meet the requirements of manufacturing services that own scarce resources first. Meanwhile, due to the increasing complexity of products, a high degree of synergy is required in service composition. Our study explores a new framework of social relationships from the perspective of synergy. A two-layer social network model is first proposed for resource allocation that takes synergy and priority into account. The upper layer of this model is occupied by the manufacturing services with scare resources. The lower layer is occupied by ordinary manufacturing services. All services are connected by social relationships. For the master-slave characteristic of the model, the two-layer network is embedded into bi-level programming. Then, an improved genetic algorithm is designed to solve the problem. Finally, the effectiveness of the model and algorithm are verified using a structural part of the Modern Ark 60 as an example.     

Cooperative game-based distributed resource allocation in horizontal dynamic cloud federation platform

Distributed resource allocation is a very important and complex problem in emerging horizontal dynamic cloud federation (HDCF) platforms, where different cloud providers (CPs) collaborate dynamically to gain economies of scale and enlargements of their virtual machine (VM) infrastructure capabilities in order to meet consumer requirements. HDCF platforms differ from the existing vertical supply chain federation (VSCF) models in terms of establishing federation and dynamic pricing. There is a need to develop algorithms that can capture this complexity and easily solve distributed VM resource allocation problem in a HDCF platform. In this paper, we propose a cooperative game-theoretic solution that is mutually beneficial to the CPs. It is shown that in non-cooperative environment, the optimal aggregated benefit received by the CPs is not guaranteed. We study two utility maximizing cooperative resource allocation games in a HDCF environment. We use price-based resource allocation strategy and present both centralized and distributed algorithms to find optimal solutions to these games. Various simulations were carried out to verify the proposed algorithms. The simulation results demonstrate that the algorithms are effective, showing robust performance for resource allocation and requiring minimal computation time.     

一种基于服务选取的SBS云资源优化分配方法

获取满足全局优化目标的资源分配策略,是影响云环境中基于服务的软件系统(service-based software system,简称SBS)运行时优化效果的关键.然而,由于SBS内部复杂的业务逻辑关系和云环境中的资源约束,现有分配方法无法得到最优资源分配量.以满足SLA约束和最小化资源成本为目标,根据不同资源状态对应不同组件服务性能的特点,将组件服务可能的资源分配量、相应性能及成本转换为备选逻辑服务集,进而提出了一种云环境中基于服务选取的SBS资源优化分配模型,并设计了一种求解模型的混合遗传算法.算法采用整数编码以提高求解效率,并在选择算子中引入了精英保留策略,从而保证收敛到全局最优解.为提高遗传算法的局部搜索能力、加快收敛速度,以局部搜索策略改进了标准变异算子.实验验证了所提出的资源优化分配模型和求解算法的有效性,并表明:与分支定界法及精英保留策略遗传算法相比,混合遗传算法能够在较大规模的问题上快速获得具有较低资源成本的资源分配策略.