CN116307296B - 云上资源优化配置方法 - Google Patents

云上资源优化配置方法 Download PDF

Info

Publication number
CN116307296B
CN116307296B CN202310574045.9A CN202310574045A CN116307296B CN 116307296 B CN116307296 B CN 116307296B CN 202310574045 A CN202310574045 A CN 202310574045A CN 116307296 B CN116307296 B CN 116307296B
Authority
CN
China
Prior art keywords
manufacturing
population
cloud
probability
individual
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310574045.9A
Other languages
English (en)
Other versions
CN116307296A (zh
Inventor
余自权
王婷
朱俊杰
陆宁云
姜斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202310574045.9A priority Critical patent/CN116307296B/zh
Publication of CN116307296A publication Critical patent/CN116307296A/zh
Application granted granted Critical
Publication of CN116307296B publication Critical patent/CN116307296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公布了一种云上资源优化配置方法，用于解决非合作博弈模型下的制造资源组合优化问题。该方法首先考虑云制造服务平台方和制造服务需求方的利益，并在满足约束的条件下展开非合作竞争；其次，建立非合作博弈下的资源优化配置模型；最后，利用改进的NSGA‑II‑SA算法求解多目标优化模型，本发明可用于云制造环境下无需求偏好的资源优化配置问题的求解。

Description

云上资源优化配置方法
技术领域
本发明属于云制造下多目标资源优化配置领域，具体涉及一种云上资源优化配置方法。
背景技术
云制造服务环境主要由制造服务需求方、制造资源提供方和云制造服务平台运营方组成。云制造环境下制造资源优化配置指根据制造服务需求方上传到云平台的不同制造任务，云平台运营方为其配置合理的制造资源服务(Manufacturing Resource Service，MRS)或制造资源服务组合，并交由制造资源提供方完成的过程。多数制造资源优化配置仅考虑需求方对资源优化配置Qos(Quality of Service)因素的要求，但在实际生产过程中，云制造服务平台运营方对制造资源提供方能否提供高质量的服务有关键的影响，因此也要考虑云制造服务的柔性因素对云平台运营方的影响。目前，针对云制造资源优化配置问题所用的算法通常为带精英策略的改进非支配排序遗传算法(Non-dominated SortingGenetic Algorithm, NSGA-II)，但是，NSGA-II更注重解的质量，缺少良好的局部搜索能力，使其在优化过程中容易陷入局部最优。所以，为增加种群多样性，应对NSGA-II进行改进。
发明内容
本发明的目的克服现有技术缺陷，提供一种基于改进的NSGA-II-SA算法的云上资源优化配置方法，针对现有的资源优化配置指标考虑不全面，种群多样性不足等问题，引入非合作博弈论、局部搜索、动态交叉概率、动态变异概率及模拟退火操作，提高了模型的可行性和算法的全局搜索能力。
本申请提供以下技术方案实现上述效果：
云上资源优化配置方法，所述配置方法基于多目标优化算法将云上资源优化配置问题转化为多目标优化问题，所述配置方法包括以下步骤：
步骤1：基于云上资源的制造作业建立云上资源优化配置问题的数学模型；
步骤2：基于所述数学模型，基于非合作博弈决策方法建立制造资源优化配置非合作博弈决策模型；
步骤3：将所述制造资源优化配置非合作博弈决策模型中的指标作为改进的快速非支配排序-II-模拟退火NSGA-II-SA算法的种群，对所述NSGA-II-SA算法进行初始化及生成子代种群；
步骤4：对所述子代种群和父代种群进行种群融合，淘汰不良个体，生成新种群，然后对新种群进行局部搜索；
步骤5：对局部搜索后的个体执行模拟退火操作，生成外来入侵种群，合并所述外来入侵种群和新种群，淘汰不良个体，得到下一代种群，比较当前迭代次数与最大迭代次数的大小，若当前迭代次数小于最大迭代次数则转到步骤2；否则，跳出循环，输出帕雷托解，即得到所述资源优化配置模型的最优解。
进一步的，所述步骤1具体为：
构造包括n个制造任务T ={T 1,T 2,...,T n }，及m个候选制造资源服务M ={M 1,M 2,...,M m }，MRS i,j 表示第i个制造任务的第j个候选制造资源服务，i={1, 2, 3,...,n}，j ={1, 2, 3,...,m}，n个制造任务T要在m个候选制造资源服务上完成加工。
进一步的，所述步骤2中：
步骤21：在所述数学模型引入非合作博弈的概念，考虑云制造服务需求方的服务质量Qos指标和云制造服务平台运营方的柔性指标，包含制造成本C、制造时间T t 、产品质量Q、制造任务变化能力 、制造资源变化能力/>、服务评价/>；
步骤22：将各指标进行归一化，得到归一化形式；
步骤23：基于非合作博弈决策方法建立制造资源优化配置非合作博弈决策模型，所述制造资源优化配置非合作博弈决策模型的目标函数包括两个部分，分别以云制造服务需求方和云制造服务平台运营方作为博弈方，以云制造服务需求方的服务质量Qos指标和柔性指标多目标优化函数作为博弈双方的收益函数，得到如式(9)所示的制造资源优化配置非合作博弈决策模型：
（9）；
其中，、/>、/>、/>、/>、/>分别为式各指标进行归一化之后的结果，y 1为结合云制造服务需求方的服务质量Qos指标的收益函数，y 2为考虑柔性指标的收益函数，/>、、/>、/>、/>、/>分别为各指标的权重。
进一步的，所述步骤3具体为：
初始化参数：设置种群大小为Npop，最大迭代次数为Iter，选择交换结构的概率P sw ，选择逆转结构的概率P re ，选择***结构的概率P in ，冷却因子a,初始温度t 0，局部搜索最大次数N p ，最大交叉概率，最小交叉概率/>，最大变异概率/>，最小变异概率/>；
初始化种群：随机生成大小为Npop的初始种群P 1，根据目标函数个数计算各维度的目标函数值，并对初始种群进行非支配排序，计算每个个体的拥挤度；
采用二元竞标赛模式选择初始种群P 1中的优秀个体，并对其按动态交叉概率P c 进行均匀两点交叉以及按动态变异概率P m 进行基本位变异，得到第一代子代种群P 2；
引入动态变异概率P m 和动态交叉概率P c ：
(10)；
(11)；
其中，为最大变异概率，/>为最小变异概率，/>为最大交叉概率，/>为最小交叉概率，Iter为最大迭代次数，k为当前迭代次数。
进一步的，所述步骤4具体为：
合并父代种群和子代种群，分别计算合并后种群的非支配等级和拥挤度，将非支配排序等级为1的个体再按拥挤度进行排序，淘汰不良个体，得出种群规模大小为Npop的新种群P 3；
根据目标函数的个数，随机选择一个方向进行搜索，并选择这个搜索方向上新种群P 3的部分优秀个体采用邻域搜索的方式进行局部搜索，提高种群多样性，防止算法陷入局部最优。
进一步的，采用3种邻域搜索方式进行搜索，并生成3种领域结构分别为：
交换结构：随机生成两个不同的位置，将这两个位置对应的制造任务所选择的候选制造资源服务交换；
逆转结构：随机生成两个不同的位置，将这两个位置之间对应的制造任务所选择的候选制造资源服务逆序排列；
***结构：随机生成两个不同的位置，将这第一个位置上对应的制造任务所选择的候选制造资源服务***到第二个位置对应的制造任务所选择的候选制造资源服务后面。
进一步的，所述步骤5具体为：
进行模拟退火操作：
通过领域搜索获得的新个体，比较新个体与原个体，若新个体优于原个体，则选择新个体；若新个体不优于原个体，则根据Metropolis准则保留新个体，最后将去重后的新个体列入外来入侵种群；
Metropolis准则：在新个体不优于原个体的基础上，按式(12)计算接受新个体的概率p，若概率p大于[0,1)区间的随机数，则选择新个体；否则保留原个体；
(12)；
其中，y new 为新个体的目标函数值，y old 为原个体的目标函数值，t(n+1)为进行n+1次领域搜索时的温度值，t(n)为进行n次领域搜索时的温度值，n={0, 1, 2,...,N p -1}，a为冷却因子；
将外来入侵种群与新种群P 3合并，计算其非支配等级和拥挤度，淘汰不良个体，得到下一代种群；
比较当前迭代次数与最大迭代次数Iter的大小，若当前迭代次数小于Iter则转到步骤1；否则，跳出循环，输出帕雷托解。
与现有技术相比，本发明具有以下优点和有益效果：
1. 本发明扩展了云上资源优化配置方案的评价指标，不仅考虑了Qos指标，还考虑了影响云平台运营方的柔性指标，并引入非合作博弈的概念，充分考虑了制造服务需求方和云制造服务平台运营方的利益。
2. 本发明引入了动态交叉概率和动态变异概率，提升了种群的多样性。
3. 本发明通过引入模拟退火操作和局部搜索，生成外来入侵种群，提高了算法的全局搜索能力。
附图说明
图1为云制造服务平台运行流程图；
图2为本发明采用的云上资源优化配置方法流程图；
图3为本发明局部搜索的流程图。
实施方式
结合所附图表，对本发明的资源优化配置方法作进一步解释说明。
如图2所示，本实施例提供一种云上资源优化配置方法，所述配置方法基于多目标优化算法MOP将云上资源优化配置问题转化为多目标优化问题，所述配置方法包括以下步骤：
步骤1：基于云上资源的制造作业建立云上资源优化配置问题的数学模型；
步骤2：基于所述数学模型，基于非合作博弈决策方法建立制造资源优化配置非合作博弈决策模型；
步骤3：将所述制造资源优化配置非合作博弈决策模型中的指标作为改进的快速非支配排序-II-模拟退火NSGA-II-SA算法的种群，对所述NSGA-II-SA算法进行初始化及生成子代种群；
步骤4：对所述子代种群和父代种群进行种群融合，淘汰不良个体，生成新种群，然后对新种群进行局部搜索；
步骤5：对局部搜索后的个体执行模拟退火操作，生成外来入侵种群，合并所述外来入侵种群和新种群，淘汰不良个体，得到下一代种群，比较当前迭代次数与最大迭代次数的大小，若当前迭代次数小于最大迭代次数则转到步骤2；否则，跳出循环，输出帕雷托解，即得到所述资源优化配置模型的最优解。
建立制造资源优化配置非合作博弈决策模型：
如图1所示，本实施例基于以下云制造服务平台：问题A包括n个制造任务T ={T 1,T 2,...,T n }及m个候选制造资源服务M ={M 1,M 2,...,M m }，MRS i,j 表示第i个制造任务的第j个候选制造资源服务，i={1, 2, 3,...,n}，j ={1, 2, 3,..., m},这n个制造任务T要在m个候选制造资源服务上完成加工，问题A引入非合作博弈的概念，考虑云制造服务需求方的服务质量(Quality of Service，Qos)指标和云制造服务平台运营方的柔性指标;
（1）云制造服务需求方的Qos指标描述如下：
1）制造成本C，为第i个制造任务T i 的服务成本；/>为第i个制造任务T i 到第i+1个制造任务T i+1之间的物流成本；
(1)；
2）制造时间T t ，为第i个制造任务T i 的执行时间；/>为第i个制造任务T i 到第i+1个制造任务T i+1的物流时间；/>为第i个制造任务T i 的等待时间；
(2)；
3）产品质量Q，为第i个制造任务T i 的合格率；
(3)
（2）云制造服务平台运营方的柔性指标描述如下：
1）应对制造任务变化能力，/>为第i个制造任务T i 的第j个候选制造资源服务M j 的功能多样性；/>为第i个制造任务T i 的第j个候选制造资源服务M j 的制造资源种类；/>为第i个制造任务T i 的第j个候选制造资源服务M j 的合作企业的数量，、/>、/>表示权重；
(4)；
2）应对制造资源变化能力，/>为第i个制造任务T i 的第j个候选制造资源服务M j 的可靠性，/>为第i个制造任务T i 的第j个候选制造资源服务M j 的相同功能的制造资源数量，/>、/>、/>表示权重；
(5)；
3）服务评价，/>为对第i个制造任务T i 的第j个候选制造资源服务M j 的服务评价；
(6)；
由于各评价指标的量纲不同，于是将式(1)至(6)进行归一化，具体如下：
对于应最大化的指标，包括Q、F tch 、F rch 和F ev ，其规范化结果为：
(7)；
其中，为第p个指标的最大值，/>为第p个指标的最小值，/>为第q个候选服务组合在第p个指标上的值；
对于应最小化的指标，包括C和T t ，其规范化结果为：
(8)；
综上，以Qos指标和柔性指标多目标优化函数作为博弈双方的收益函数，得到如式(9)所示的制造资源优化配置非合作博弈决策模型。
(9)；
其中，、/>、/>、/>、/>、/>分别为式各指标进行归一化之后的结果，y 1为结合云制造服务需求方的服务质量Qos指标的收益函数，y 2为考虑柔性指标的收益函数，/>、、/>、/>、/>、/>分别为各指标的权重。
将所述制造资源优化配置非合作博弈决策模型中的指标作为改进的快速非支配排序-II-模拟退火NSGA-II-SA算法的种群，对所述NSGA-II-SA算法进行初始化及生成子代种群；下文将详细介绍NSGA-II-SA算法的实施过程：
初始化：
初始化参数：设置种群大小为Npop，最大迭代次数为Iter，选择交换结构的概率P sw ，选择逆转结构的概率P re ，选择***结构的概率P in ，冷却因子a,初始温度t 0，局部搜索最大次数N p ，最大交叉概率，最小交叉概率/>，最大变异概率/>，最小变异概率/>；
初始化种群：随机生成大小为Npop的初始种群P 1，根据目标函数个数计算各维度的目标函数值，并对初始种群进行非支配排序，计算每个个体的拥挤度；
采用二元竞标赛模式选择初始种群P 1中的优秀个体，并对其按动态交叉概率P c 进行均匀两点交叉以及按动态变异概率P m 进行基本位变异，得到第一代子代种群P 2；
动态变异概率P m 和动态交叉概率P c 计算公式如下：
(10)；
(11)；
其中，为最大变异概率，/>为最小变异概率，/>为最大交叉概率，为最小交叉概率，Iter为最大迭代次数，k为当前迭代次数。
如图3所示，本实施例中提供的种群合并及局部搜索按以下过程实施：
合并父代种群和子代种群，分别计算合并后种群的非支配等级和拥挤度，将非支配排序等级为1的个体再按拥挤度进行排序，淘汰不良个体，得出种群规模大小为Npop的新种群P 3；
根据目标函数的个数，随机选择一个方向m进行搜索，并选择这个搜索方向上新种群P 3的部分优秀个体采用邻域搜索的方式进行局部搜索；
在父代和子代种群合并生成新种群的基础上，引入邻域搜索的方式，提高种群多样性，防止算法陷入局部最优；
采用3种邻域搜索方式进行搜索，并生成3种领域结构，三种结构的选择概率分别为：
交换结构：在资源配置方案中随机生成两个不同的位置，将这两个位置对应的制造任务所选择的候选制造资源服务交换；
逆转结构：在资源配置方案中随机生成两个不同的位置，将这两个位置之间对应的制造任务所选择的候选制造资源服务逆序排列；
***结构：在资源配置方案中随机生成两个不同的位置，将这第一个位置上对应的制造任务所选择的候选制造资源服务***到第二个位置对应的制造任务所选择的候选制造资源服务后面。
引入模拟退火操作：
通过领域搜索获得新个体，比较新个体与原个体，若新个体优于原个体，则选择新个体；若新个体不优于原个体，则根据Metropolis准则保留新个体，最后将去重后的新个体列入外来入侵种群；
Metropolis准则：在新个体不优于原个体的基础上，按式(12)计算接受新个体的概率p，若概率p大于[0,1)区间的随机数，则选择新个体；否则保留原个体。
(12)；
其中，y new 为新个体的目标函数值，y old 为原个体的目标函数值，t(n+1)为进行n+1次领域搜索时的温度值，t(n)为进行n次领域搜索时的温度值，n={0, 1, 2,...,N p -1}，a为冷却因子。
将外来入侵种群与新种群P 3合并，计算其非支配等级和拥挤度，淘汰不良个体，得到下一代种群。此时比较当前迭代次数与最大迭代次数Iter的大小，若当前迭代次数小于Iter则转到步骤1；否则，跳出循环，输出帕雷托解。
实施案例：
该案例为某装备制造行业的重型装备制造过程，共有5个待分配的子任务和4个候选制造资源服务，假设这4个候选制造资源服务均能完成这5个任务，分别以最小制造成本、最小制造时间、最大产品质量、最大应对制造任务变化能力、最大应对制造资源变化能力和最大服务评价为优化目标进行制造资源优化配置。
案例详细数据如表1至表3所示：
表1
表2
表3
。
使用该案例可求得的解如表4所示：
表4
上表得出的6个解，都满足非支配等级序值为1，均能作为资源优化配置的方案。将上表算法得出的最优解按顺序反馈给需求方，云制造服务需求方可根据自身需求从中做出最终选择。

Claims (6)

1.云上资源优化配置方法，其特征在于，所述配置方法基于多目标优化算法将云上资源优化配置问题转化为多目标优化问题，所述配置方法包括以下步骤：
步骤1：基于云上资源的制造作业建立云上资源优化配置问题的数学模型；
步骤2：基于所述数学模型，基于非合作博弈决策方法建立制造资源优化配置非合作博弈决策模型，所述制造资源优化配置非合作博弈决策模型的目标函数包括两个部分，分别以云制造服务需求方和云制造服务平台运营方作为博弈方，以云制造服务需求方的服务质量Qos指标和柔性指标多目标优化函数作为博弈双方的收益函数；
所述步骤2中：
步骤21：在所述数学模型引入非合作博弈的概念，考虑云制造服务需求方的服务质量Qos指标和云制造服务平台运营方的柔性指标，包含制造成本C、制造时间T t 、产品质量Q、制造任务变化能力、制造资源变化能力/>、服务评价/>；
步骤22：将各指标进行归一化，得到归一化形式；
步骤23：基于非合作博弈决策方法建立制造资源优化配置非合作博弈决策模型，得到如式(9)所示的制造资源优化配置非合作博弈决策模型：
（9）；
其中，、/>、/>、/>、/>、/>分别为式各指标进行归一化之后的结果，y 1为结合云制造服务需求方的服务质量Qos指标的收益函数，y 2为考虑柔性指标的收益函数，/>、/>、/>、/>、/>、/>分别为各指标的权重；
步骤3：将所述制造资源优化配置非合作博弈决策模型中的指标作为改进的快速非支配排序-II-模拟退火NSGA-II-SA算法的种群，对所述NSGA-II-SA算法进行初始化及生成子代种群；
步骤4：对所述子代种群和父代种群进行种群融合，淘汰不良个体，生成新种群，然后对新种群进行局部搜索；
步骤5：对局部搜索后的个体执行模拟退火操作，生成外来入侵种群，合并所述外来入侵种群和新种群，淘汰不良个体，得到下一代种群，比较当前迭代次数与最大迭代次数的大小，若当前迭代次数小于最大迭代次数则转到步骤2；否则，跳出循环，输出帕雷托解，即得到所述制造资源优化配置非合作博弈决策模型的最优解。
2.根据权利要求1所述的云上资源优化配置方法，其特征在于，所述步骤1具体为：
构造包括n个制造任务T ={T 1, T 2,..., T n }，及m个候选制造资源服务M ={M 1, M 2,...,M m }，MRS i,j 表示第i个制造任务的第j个候选制造资源服务，i ={1, 2, 3,..., n}，j ={1,2, 3,..., m}， n个制造任务T要在m个候选制造资源服务上完成加工。
3.根据权利要求1所述的云上资源优化配置方法，其特征在于，所述步骤3具体为：
初始化参数：设置种群大小为Npop，最大迭代次数为Iter，选择交换结构的概率P sw ，选择逆转结构的概率P re ，选择***结构的概率P in ，冷却因子a,初始温度t 0，局部搜索最大次数N p ，最大交叉概率，最小交叉概率/>，最大变异概率/>，最小变异概率/>；
初始化种群：随机生成大小为Npop的初始种群P 1，根据目标函数个数计算各维度的目标函数值，并对初始种群进行非支配排序，计算每个个体的拥挤度；
采用二元竞标赛模式选择初始种群P 1中的优秀个体，并对其按动态交叉概率P c 进行均匀两点交叉以及按动态变异概率P m 进行基本位变异，得到第一代子代种群P 2；
引入动态变异概率P m 和动态交叉概率P c ：
(10)；
(11)；
其中，为最大变异概率，/>为最小变异概率，/>为最大交叉概率，/>为最小交叉概率，Iter为最大迭代次数，k为当前迭代次数。
4.根据权利要求1所述的云上资源优化配置方法，其特征在于，所述步骤4具体为：
合并父代种群和子代种群，分别计算合并后种群的非支配等级和拥挤度，将非支配排序等级为1的个体再按拥挤度进行排序，淘汰不良个体，得出种群规模大小为Npop的新种群P 3；
根据目标函数的个数，随机选择一个方向进行搜索，并选择这个搜索方向上新种群P 3的部分优秀个体采用邻域搜索的方式进行局部搜索，提高种群多样性，防止算法陷入局部最优。
5.根据权利要求4所述的云上资源优化配置方法，其特征在于，采用3种邻域搜索方式进行搜索，并生成3种邻域结构分别为：
交换结构：随机生成两个不同的位置，将这两个位置对应的制造任务所选择的候选制造资源服务交换；
逆转结构：随机生成两个不同的位置，将这两个位置之间对应的制造任务所选择的候选制造资源服务逆序排列；
***结构：随机生成两个不同的位置，将这第一个位置上对应的制造任务所选择的候选制造资源服务***到第二个位置对应的制造任务所选择的候选制造资源服务后面。
6.根据权利要求5所述的云上资源优化配置方法，其特征在于，所述步骤5具体为：进行模拟退火操作：
通过领域搜索获得的新个体，比较新个体与原个体，若新个体优于原个体，则选择新个体；若新个体不优于原个体，则根据Metropolis准则保留新个体，最后将去重后的新个体列入外来入侵种群；
Metropolis准则：在新个体不优于原个体的基础上，按式(12)计算接受新个体的概率p，若概率p大于[0,1)区间的随机数，则选择新个体；否则保留原个体；
(12)；
其中，y new 为新个体的目标函数值，y old 为原个体的目标函数值，t(q+1)为进行q+1次领域搜索时的温度值，t(q)为进行q次领域搜索时的温度值，q ={0, 1, 2,..., N p -1}，a为冷却因子；
将外来入侵种群与新种群P 3合并，计算其非支配等级和拥挤度，淘汰不良个体，得到下一代种群；
比较当前迭代次数与最大迭代次数Iter的大小，若当前迭代次数小于Iter则转到步骤1；否则，跳出循环，输出帕雷托解。
CN202310574045.9A 2023-05-22 2023-05-22 云上资源优化配置方法 Active CN116307296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310574045.9A CN116307296B (zh) 2023-05-22 2023-05-22 云上资源优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310574045.9A CN116307296B (zh) 2023-05-22 2023-05-22 云上资源优化配置方法

Publications (2)

Publication Number Publication Date
CN116307296A CN116307296A (zh) 2023-06-23
CN116307296B true CN116307296B (zh) 2023-09-29

Family

ID=86785357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310574045.9A Active CN116307296B (zh) 2023-05-22 2023-05-22 云上资源优化配置方法

Country Status (1)

Country Link
CN (1) CN116307296B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016165392A1 (zh) * 2015-04-17 2016-10-20 华南理工大学 一种基于遗传算法的云计算资源调度方法
CN106611287A (zh) * 2016-08-18 2017-05-03 四川用联信息技术有限公司 云制造中多目标资源无偏好优化配置算法
WO2017169736A1 (ja) * 2016-03-31 2017-10-05 株式会社インテック 情報処理装置及びプログラム
CN107679750A (zh) * 2017-09-30 2018-02-09 桂林电子科技大学 一种基于自适应系数遗传算法的云制造服务资源匹配方法
CN110225075A (zh) * 2019-03-25 2019-09-10 北京快电科技有限公司 一种建筑能源互联网智慧运营云操作***
CN111222665A (zh) * 2018-11-26 2020-06-02 沈阳高精数控智能技术股份有限公司 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法
CN112053002A (zh) * 2020-09-11 2020-12-08 浙江财经大学 一种基于效用感知的云制造多任务调度方法
CN112685138A (zh) * 2021-01-08 2021-04-20 北京理工大学 云环境下基于多种群混合智能优化的多工作流调度方法
CN112801387A (zh) * 2021-02-04 2021-05-14 南京邮电大学 一种基于改进遗传算法的云制造服务组合优化方法
CN114066104A (zh) * 2021-07-06 2022-02-18 长春工业大学 一种面向云制造任务变化的资源动态调度方法
CN115866626A (zh) * 2023-02-23 2023-03-28 安徽思高智能科技有限公司 一种基于nsga-ⅱ和模拟退火的边缘环境下服务部署方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7668788B2 (en) * 2005-06-06 2010-02-23 Wren William E Resource assignment optimization using direct encoding and genetic algorithms
TR201911010A2 (tr) * 2019-07-23 2019-08-21 Atatuerk Ueniversitesi Bilimsel Arastirma Projeleri Birimi Benzeti̇lmi̇ş tavlama tabanli bi̇r yaklaşimla bulutta görev çi̇zelgeleme yapilmasini sağlayan yöntem

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016165392A1 (zh) * 2015-04-17 2016-10-20 华南理工大学 一种基于遗传算法的云计算资源调度方法
WO2017169736A1 (ja) * 2016-03-31 2017-10-05 株式会社インテック 情報処理装置及びプログラム
CN106611287A (zh) * 2016-08-18 2017-05-03 四川用联信息技术有限公司 云制造中多目标资源无偏好优化配置算法
CN107679750A (zh) * 2017-09-30 2018-02-09 桂林电子科技大学 一种基于自适应系数遗传算法的云制造服务资源匹配方法
CN111222665A (zh) * 2018-11-26 2020-06-02 沈阳高精数控智能技术股份有限公司 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法
CN110225075A (zh) * 2019-03-25 2019-09-10 北京快电科技有限公司 一种建筑能源互联网智慧运营云操作***
CN112053002A (zh) * 2020-09-11 2020-12-08 浙江财经大学 一种基于效用感知的云制造多任务调度方法
CN112685138A (zh) * 2021-01-08 2021-04-20 北京理工大学 云环境下基于多种群混合智能优化的多工作流调度方法
CN112801387A (zh) * 2021-02-04 2021-05-14 南京邮电大学 一种基于改进遗传算法的云制造服务组合优化方法
CN114066104A (zh) * 2021-07-06 2022-02-18 长春工业大学 一种面向云制造任务变化的资源动态调度方法
CN115866626A (zh) * 2023-02-23 2023-03-28 安徽思高智能科技有限公司 一种基于nsga-ⅱ和模拟退火的边缘环境下服务部署方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
冯晨 等.基于 NSGA-Ⅱ-SA 算法的外协云服务组合优选.现代制造工程.2022,(第第3期期),第19-28页. *

Also Published As

Publication number Publication date
CN116307296A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
Crespo-Vazquez et al. A community-based energy market design using decentralized decision-making under uncertainty
CN106647262B (zh) 一种面向敏捷卫星多目标任务规划的差分进化方法
US10628742B2 (en) Bidding method of distributed energy resource in micro-grid based on artificial immunity
CN110389819B (zh) 一种计算密集型批处理任务的调度方法和***
CN111585816A (zh) 一种基于自适应遗传算法的任务卸载决策方法
CN101777990A (zh) 多目标免疫优化组播路由路径选择方法
CN109818775A (zh) 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法
Singh et al. Performance of a hybrid EA-DE-memetic algorithm on CEC 2011 real world optimization problems
CN112272120B (zh) 一种虚拟网络映射算法的优化方法、设备及存储介质
CN110098964A (zh) 一种基于蚁群算法的部署优化方法
CN116307296B (zh) 云上资源优化配置方法
Bai et al. A manufacturing task scheduling method based on public goods game on cloud manufacturing model
CN107248920B (zh) 一种基于主从博弈的可再生能源分配算法
CN117458546A (zh) 基于储能服务互动行为分析的储能策略获取方法及***
CN114980216B (zh) 基于移动边缘计算的依赖型任务卸载***及方法
CN115150335B (zh) 一种基于深度强化学习的最优流量分割的方法和***
CN106611287A (zh) 云制造中多目标资源无偏好优化配置算法
CN101741749A (zh) 基于免疫克隆的多目标组播路由优化方法
CN109410078A (zh) 一种适用于面向文件共享的移动社交网络的信息传播预测方法
CN110968428B (zh) 云工作流虚拟机配置和任务调度协同优化方法
CN114118444A (zh) 一种利用启发式算法降低联邦学习中设备空跑时间的方法
TW202327380A (zh) 基於聯邦強化學習的邊緣計算卸載優化方法及通信系統
Rajagopalan A multi-objective optimization approach for efficient energy management in smart grids
Pourvaziri et al. Proposing a genetic algorithm-based graph model for conflict resolution approach to optimize solutions in environmental conflicts
CN109862574B (zh) 一种面向无线回传问题的动态协同拓扑规划方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant