基于教—学算法的制造云服务组合优化

doi:10.13196/j.cims.2018.01.004

计算机集成制造系统 ›› 2018, Vol. 24 ›› Issue (第1): 43-52.DOI: 10.13196/j.cims.2018.01.004

基于教—学算法的制造云服务组合优化

金鸿¹,姚锡凡²⁺,杨洲¹,吕盛坪¹

1.华南农业大学工程学院
2.华南理工大学机械与汽车工程学院

出版日期:2018-01-31 发布日期:2018-01-31
基金资助:
国家自然科学基金资助项目(51675186,51605169);广东省自然科学基金资助项目(2014A030310345)。

Manufacturing cloud service composition of teaching-learning based optimization

Online:2018-01-31 Published:2018-01-31
Supported by:
Project supported by the National Natural Science Foundation,China(No.51675186,51605169),and the Natural Science Foundation of Guangdong Province,China(No.2014A030310345).

摘要/Abstract

摘要： 为解决云制造环境下的制造云服务组合优化问题,并排除智能算法的初始值对算法求优结果的影响,提出一种基于教—学算法的制造云服务组合优化算法。分析了基于服务质量的制造云服务组合流程,给出了制造云服务组合的服务质量评估模型和组合服务整体服务质量的评价方法,建立了制造云服务组合问题的数学模型,最后利用教—学算法求解最优组合。将所提方法与改进的遗传算法和改进的粒子群算法进行对比,并通过仿真实验证明了该算法求解制造云服务组合问题的有效性。

关键词: 制造云, 服务组合, 教&mdash, 学算法, 服务质量

Abstract: To solve the problem of manufacturing cloud service composition and avoid the optimization results influenced by initial parameters of intelligent algorithms,an approach for manufacturing cloud service composition was proposed based on teaching-learning based optimization.The process of service composition which was based on Quality of Service (QoS) was analyzed.The QoS evaluation model for a single service was proposed,and the overall QoS evaluation method for composite services was analyzed.The mathematical model for manufacturing cloud service composition and optimization problems was established.The teaching-learning based optimization was utilized to solve the optimal problem.Compared with the improved genetic algorithm and the improved particle swarm optimization algorithm,the simulation results showed that the proposed algorithm could solve the cloud service composition problem effectively.

Key words: cloud manufacturing, service composition, teaching-learning-based optimization, quality of service

中图分类号:

TP391
TH16

金鸿,姚锡凡,杨洲,吕盛坪. 基于教—学算法的制造云服务组合优化[J]. 计算机集成制造系统, 2018, 24(第1): 43-52.

[1]	杨冬菊,张伟达,赵卓峰. 基于服务关联网络的服务依赖关系识别[J]. 计算机集成制造系统, 2021, 27(9): 2691-2700.
[2]	闫志强,杨翰宇,程冠杰,刘洪荣,邓水光,刘冠宇,杨明. 基于区块链的服务质量综合评估框架与算法[J]. 计算机集成制造系统, 2021, 27(9): 2708-2720.
[3]	李永湘,姚锡凡,刘敏. 基于可靠性可信性分析的云制造服务组合优化[J]. 计算机集成制造系统, 2021, 27(6): 1780-1798.
[4]	王婕,耿秀丽. 基于直觉模糊余弦相似度的云制造服务质量评价[J]. 计算机集成制造系统, 2021, 27(4): 1128-1134.
[5]	胡杨,吴锋,王红涛. 考虑稀缺服务与质量损失云制造服务组合问题[J]. 计算机集成制造系统, 2021, 27(12): 3639-3650.
[6]	郝予实,范玉顺. 基于场景识别的云制造服务推荐[J]. 计算机集成制造系统, 2020, 26(8): 2007-2019.
[7]	张志坚,王鹏,柳键,罗春林,郭军华. 考虑在线评价的供应链运营决策与奖惩机制[J]. 计算机集成制造系统, 2020, 26(7): 1986-1997.
[8]	娄航宇,张吉善,赵云博. 基于扩展双资源约束型航空构件制造车间调度方法[J]. 计算机集成制造系统, 2020, 26(12): 3329-3340.
[9]	蔡安江,郭宗祥,郭师虹,蔡曜,薛晓飞. 云制造环境下的知识服务组合优化策略[J]. 计算机集成制造系统, 2019, 25(第2): 421-430.
[10]	陈友玲,王龙,刘舰,左丽丹,牛禹霏. 基于i-NSGA-Ⅱ-JG算法的云制造资源服务组合优选[J]. 计算机集成制造系统, 2019, 25(第11): 2892-2904.
[11]	陈友玲,刘舰,凌磊,王龙. 基于协同效应的并行制造云服务组合算法[J]. 计算机集成制造系统, 2019, 25(第1): 137-146.
[12]	王强,刘长春,周保茹. 基于区块链的制造服务可信交易方法[J]. 计算机集成制造系统, 2019, 25(12): 3247-3257.
[13]	王福田,李月婷,章程,张以文,刘晓,杨耘. 实例密集型商务工作流检测点选择策略[J]. 计算机集成制造系统, 2018, 24(第7): 1758-1765.
[14]	张云正,曾建潮,张晓红,薛颂东. 多设备租赁条件下基于服务质量评估的预防性维修策略优化[J]. 计算机集成制造系统, 2018, 24(第5): 1162-1170.
[15]	陈曙辉,范玉顺. 主题和时间特征融合下的服务消亡预测[J]. 计算机集成制造系统, 2018, 24(第11): 2676-2685.

基于教—学算法的制造云服务组合优化

Manufacturing cloud service composition of teaching-learning based optimization

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics