本發(fā)明屬于制造任務(wù)云上分解領(lǐng)域，具體涉及一種面向復(fù)雜訂單的制造任務(wù)分解模型的求解，提出一種針對(duì)復(fù)雜訂單的制造任務(wù)云上分解方法。

背景技術(shù)：

1、合理有效的任務(wù)分解是云制造環(huán)境下生產(chǎn)資源優(yōu)化配置的基石。它不僅可以使復(fù)雜的制造活動(dòng)更容易進(jìn)行，還可以通過提高任務(wù)處理效率來節(jié)省時(shí)間和資源。云制造任務(wù)復(fù)雜多樣，將接收到的訂單分解為合理的子任務(wù)(subtask，st)，可有效提高子任務(wù)與服務(wù)資源的匹配效率和準(zhǔn)確度，改善各參與主體間的協(xié)作性，降低合作成本。多數(shù)任務(wù)分解方法只考慮制造訂單中的零件(part，pt)之間的相似度，沒有考慮到后續(xù)制造子任務(wù)在制造時(shí)間上的均衡，可能會(huì)導(dǎo)致會(huì)導(dǎo)致等待時(shí)間的浪費(fèi)，影響整體進(jìn)度，并且在實(shí)際生產(chǎn)過程中，訂單中包含的制造任務(wù)復(fù)雜多樣，因此也要考慮復(fù)雜制造任務(wù)在工序上的約束。目前，目前，針對(duì)制造任務(wù)云上分解問題所用的算法通常為帶精英策略的改進(jìn)非支配排序遺傳算法(non-dominated?sorting?genetic?algorithm,nsga-ii)，但是，nsga-ii，缺少良好的局部搜索能力，使其在優(yōu)化過程中容易陷入局部最優(yōu)。所以對(duì)nsga-ii算法進(jìn)行了改進(jìn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的克服現(xiàn)有技術(shù)缺陷，提供一種針對(duì)復(fù)雜訂單的制造任務(wù)云上分解方法，針對(duì)現(xiàn)有的任務(wù)分解指標(biāo)考慮不全面，以及局部最優(yōu)等問題，引入工作量均衡度指標(biāo)、線性排名、引導(dǎo)式交叉以及高斯變異，提高了模型的可行性和算法的全局搜索能力。

2、一種針對(duì)復(fù)雜訂單的制造任務(wù)云上分解方法，涉及一個(gè)多目標(biāo)優(yōu)化問題(multi-objective?optimization?problems，mop)，可以描述為：

3、問題a包括上傳到云平臺(tái)的多個(gè)復(fù)雜訂單，合并為一個(gè)制造任務(wù)t，制造任務(wù)t中包含n個(gè)零件t＝{pt1,pt2,...,ptn}，通過任務(wù)分解將其分解為m個(gè)子任務(wù)。

4、一種針對(duì)復(fù)雜訂單的制造任務(wù)云上分解方法，包括以下步驟

5、步驟1：建立制造任務(wù)云上分解的數(shù)學(xué)模型

6、問題a引入工作量和零件之間相似度的概念，考慮零件之間的相似度和每個(gè)子任務(wù)的工作量得到分解目標(biāo)；

7、云制造環(huán)境下的任務(wù)分解是對(duì)零件按“高內(nèi)聚，低耦合，工作量均衡”的原則進(jìn)行歸類，因此引入組內(nèi)相關(guān)度、組外耦合度和工作量均衡度三個(gè)概念。為保證分組之后的子任務(wù)“高內(nèi)聚，低耦合”，并且每個(gè)子任務(wù)工作量均衡，要求子任務(wù)內(nèi)相關(guān)度最大，子任務(wù)間耦合度最小，子任務(wù)工作量均衡度最小。

8、(1)子任務(wù)內(nèi)相關(guān)度

9、第u個(gè)子任務(wù)stu的組內(nèi)關(guān)聯(lián)度表示如下：

10、

11、其中，rij為零件i和零件j在工序上的相似程度，gpiu值為0或1。0表示零件i不在子任務(wù)stu中，1表示零件i在子任務(wù)stu中。

12、則m個(gè)子任務(wù)的組內(nèi)相關(guān)度：

13、

14、(2)子任務(wù)間耦合度

15、兩個(gè)不同的子任務(wù)stu和stc的組間耦合度：

16、

17、m個(gè)子任務(wù)間耦合度：

18、

19、(3)子任務(wù)工作量均衡度

20、如果子任務(wù)的時(shí)間水平不均勻，則會(huì)導(dǎo)致等待時(shí)間的浪費(fèi)，影響整體進(jìn)度，因此引入工作量均衡度，表示子任務(wù)在制造時(shí)間上的一致性的定量水平。

21、n個(gè)零件對(duì)應(yīng)的需求量矩陣為eg＝{egi}1×n，egi表示第i個(gè)零件的需求量，則m個(gè)子任務(wù)平均工作量為：

22、

23、其中，wi表示單個(gè)零件i的制造時(shí)間，sti表示pti總的制造時(shí)間，tj表示子任務(wù)stj的制造時(shí)間，gpij表示零件i是否在子任務(wù)stj中。

24、當(dāng)各組子任務(wù)的工作量與平均工作量的偏差越小時(shí)，各子任務(wù)工作量越均衡，則m個(gè)子任務(wù)的工作量均衡度計(jì)算公式：

25、

26、綜上所述，以最大化組內(nèi)關(guān)聯(lián)度、最小化組間耦合度和最小化工作量均衡度，建立多目標(biāo)云上任務(wù)分解模型如下：

27、

28、步驟2：基于所述數(shù)學(xué)模型考慮零件加工順序和零件位置，建立帶約束的制造任務(wù)云上分解的數(shù)學(xué)模型。

29、(1)工序約束

30、平臺(tái)接收到的訂單中t個(gè)零件存在在工序上存在先后關(guān)系，要保證串行結(jié)構(gòu)件中零件(part，pt)按k→k+1→k+t的順序進(jìn)行制造，這幾個(gè)零件可能會(huì)被分解到不同子任務(wù)中，引入剩余時(shí)間和前列時(shí)間的概念。

31、剩余時(shí)間：剩余時(shí)間表示，零件ptp(p≠k)所在子任務(wù)stu中，除串行結(jié)構(gòu)中的零件(不包括ptk)的剩余零件的制造時(shí)間，公式如下：

32、

33、其中，p＝k+1，…，k+t，rtimep表示零件p的剩余時(shí)間，wi表示零件i的制造時(shí)間，gpiu表示零件i是否在stu中。

34、前列時(shí)間：必須比零件p順序靠前的零件的制造時(shí)間，公式如下：

35、

36、其中，p＝k+1，…，k+t，rtimep表示零件p的前列時(shí)間，timealready表示其他已經(jīng)安排好的必須在零件p之前制造的零件。

37、因此，零件p的剩余時(shí)間那必須比前列時(shí)間大，這樣能夠大幅減少等待時(shí)間的浪費(fèi)，工序約束用式表示如下：

38、rtimep＞ftimep(13)

39、(2)位置約束

40、在零件聚合為子任務(wù)過程中，每個(gè)零件只能出現(xiàn)在一個(gè)子任務(wù)里，用式表示如下:

41、

42、綜上，帶約束的制造任務(wù)云上分解模型如下：

43、

44、步驟3：利用改進(jìn)的快速非支配排序-ii(nsga-ii)算法求解所述制造任務(wù)云上分解的數(shù)學(xué)模型；

45、為加快收斂速度，促進(jìn)nsga-ii算法的全局搜索能力，進(jìn)行了以下三個(gè)方面的改進(jìn)：

46、(1)線性排名選取父代種群

47、在線性選擇排名中，先對(duì)等級(jí)進(jìn)行降序排序，再對(duì)擁擠距離進(jìn)行升序排序。排名越低，選擇概率越高。因此，排序后種群中第i個(gè)個(gè)體選擇概率如下：

48、

49、(2)引導(dǎo)式雜交

50、引導(dǎo)式雜交，使產(chǎn)生的個(gè)體盡可能的往好的方向進(jìn)化。借鑒粒子群算法中個(gè)體受到個(gè)體歷史最優(yōu)和種群最優(yōu)的影響，從而往最優(yōu)的方向走的方式；改進(jìn)進(jìn)化計(jì)算的雜交方式，使得每次雜交產(chǎn)生的子代進(jìn)化的方向，是根據(jù)兩個(gè)父代個(gè)體中的最優(yōu)方向和兩個(gè)父代個(gè)體共同的基因來決定的。具體的雜交方式如下：

51、假設(shè)p1，p2為父代個(gè)體，且p1優(yōu)于p2(若等級(jí)一樣，則按照擁擠距離判斷)，c1，c2表示產(chǎn)生的后代個(gè)體。

52、兩父代之間的基因差別，表示如下：

53、cp＝p1-p2(17)

54、兩父代之間基因的共同點(diǎn)，表示如下：

55、

56、產(chǎn)生子代表示如下：

57、

58、其中，k為取值在[0.5,1]的常數(shù)，h1為取值在[1,2]的常數(shù)，h2為取值在(0,1]常數(shù)，r1，r2，r3，r4為0-1的隨機(jī)數(shù)。

59、(3)高斯變異

60、高斯變異算子通過隨機(jī)改變個(gè)體的某些特征值，以引入一定的隨機(jī)性和多樣性，促進(jìn)全局搜索能力。一般來說，ξ的取值會(huì)影響到變異程度，較大的ξ可能導(dǎo)致更大的變異步長，而較小的ξ則可能導(dǎo)致較小的變異步長。在迭代初始需要較大的變異步長，在迭代后期，值接近最優(yōu)解時(shí)變異應(yīng)該變小，因此，公式如下：

61、xj＝xi+s(0,1)·ξ?(20)

62、其中，xi為父代個(gè)體，xj為子代個(gè)體，s(0,1)表示一個(gè)以0為均值、1為標(biāo)準(zhǔn)差的正態(tài)分布，t為最大迭代次數(shù)，t為當(dāng)前迭代次數(shù)。

63、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)和有益效果：

64、1.本發(fā)明擴(kuò)展了制造任務(wù)云上分解方案的評(píng)價(jià)指標(biāo)，不僅考慮了零件之間的相似度，還考慮了子任務(wù)的工作量均衡度，使得任務(wù)分解的結(jié)果更加合理。

65、2.本發(fā)明考慮了復(fù)雜制造任務(wù)的特性，引入了工序約束和位置約束，使得任務(wù)分解的結(jié)果更加符合實(shí)際。

66、3.本發(fā)明引入了線性排名選取父代種群、引導(dǎo)式交叉、高斯變異，加快算法的收斂速度，促進(jìn)算法的全局搜索能力