隨著以信息化應(yīng)用為核心的新一輪科技革命的到來,傳統(tǒng)制造業(yè)的信息化升級轉(zhuǎn)型勢在必行。為了順應(yīng)當(dāng)前這種制造業(yè)的發(fā)展潮流,云制造應(yīng)運(yùn)而生,以復(fù)雜制造任務(wù)為代表的云制造任務(wù)服務(wù)配置將是云平臺需要解決處理的關(guān)鍵問題。本論文圍繞該問題在構(gòu)建面向復(fù)雜云制造任務(wù)的服務(wù)配置框架的基礎(chǔ)上,研究了云平臺中復(fù)雜云制造任務(wù)的優(yōu)化分解、候選服務(wù)篩選以及組合服務(wù)評選等,主要的研究內(nèi)容如下:提出了基于譜聚類算法的復(fù)雜云制造任務(wù)優(yōu)化分解方法。針對復(fù)雜可拆分云制造任務(wù),給出了初步任務(wù)拆分基本原則和相關(guān)定義。根據(jù)元任務(wù)之間的關(guān)聯(lián)關(guān)系,建立了關(guān)聯(lián)無向圖,采用譜聚類算法對其實(shí)現(xiàn)最優(yōu)分割,達(dá)到了任務(wù)優(yōu)化分解的目的。對于譜聚類算法中K-means初始聚類中心和分類數(shù)的選取問題,分別采用了隨機(jī)選取和“肘方法”,實(shí)現(xiàn)了復(fù)雜云制造任務(wù)的快速合理分解。提出了基于歷史數(shù)據(jù)挖掘的候選服務(wù)篩選方法。基于復(fù)雜云制造任務(wù)拆分得到的元任務(wù)QoS指標(biāo)約束,給出了獲取子任務(wù)QoS指標(biāo)的模型,并給出了不同情況下用戶理想需求指標(biāo)的獲取方法。然后采用余弦相似度對候選服務(wù)進(jìn)行粗篩選,并在此基礎(chǔ)上采用變精度粗糙集挖掘歷史數(shù)據(jù),獲取客觀權(quán)重對候選服務(wù)綜合評選,保證了... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

改進(jìn)遺傳算法適應(yīng)度值

48而經(jīng)典遺傳算法雖然找到了同樣的較優(yōu)解卻無法保證該解成功輸出；在迭代次數(shù)上，觀察圖5-2與圖5-3發(fā)現(xiàn)，改進(jìn)遺傳算法比經(jīng)典遺傳算法更早實(shí)現(xiàn)了收斂，這是因?yàn)樵谧儺悤r(shí)，改進(jìn)遺傳算法對變異的結(jié)果進(jìn)行了有選擇的接收，提高了計(jì)算效率；從表5-4的對比方案中發(fā)現(xiàn)，改進(jìn)遺傳算法輸出的結(jié)果明顯整體優(yōu)于經(jīng)典遺傳算法，這是因?yàn)榧尤肓俗赃m應(yīng)混沌算子后，群體在迭代過程中同樣的時(shí)間內(nèi)它遍歷的范圍更廣，同時(shí)精英保留策略和淘汰機(jī)制的存在使得優(yōu)秀的個(gè)體能夠保留在種群中，故更有可能給出最優(yōu)解。圖5-2 改進(jìn)遺傳算法適應(yīng)度值 圖5-3 經(jīng)典遺傳算法適應(yīng)度值Fig.5-2 Improved genetic algorithm fitness value Fig.5-3 Classic genetic algorithm fitness value表5-4 兩種遺傳算法計(jì)算的結(jié)果Tab.5-4 Results computed by two kinds of genetic algorithms改進(jìn)遺傳算法五個(gè)最優(yōu)方案 經(jīng)典遺傳算法五個(gè)最優(yōu)方案CS1CS2CS3CS4CS5CCS1CCS2CCS3CCS4CCS54 4 4 4 4 4 4 4 7 81 1 1 1 1 1 1 1 1 13 4 3 3 8 3 6 2 8 52 2 5 3 2 3 2 2 5 31.8327 1.8059 1.7966 1.7957 1.7853 1.7957 1.7621 1.7500 1.6829 1.64685.4.2 基于用戶模糊評價(jià)的組合服務(wù)評選從表5-4可以看出采用改進(jìn)遺傳算法得到的五個(gè)近似最優(yōu)組合服務(wù)適應(yīng)度值差異并不是很大，為了選擇出盡可能令客戶滿意的組合服務(wù)方案，假定從云平臺中搜索出過去2018/01/31 ， 2017/12/31

6 面向復(fù)雜云制造任務(wù)的服務(wù)配置原型系統(tǒng)開發(fā)55圖6-3 原型系統(tǒng)主界面Fig.6-3 Main interface of prototype system（1）復(fù)雜云制造任務(wù)的優(yōu)化分解在復(fù)雜云制造任務(wù)服務(wù)配置的具體執(zhí)行過程中，復(fù)雜制造任務(wù)的優(yōu)化分解是第一步。圖 6-4 所示為任務(wù)初步分解后的元任務(wù)基本信息，在規(guī)范化存儲元任務(wù)間關(guān)聯(lián)信息的基礎(chǔ)上，通過該頁面由系統(tǒng)自動(dòng)提取出鄰接關(guān)聯(lián)度矩陣 W。圖 6-4 鄰接關(guān)聯(lián)矩陣提取Fig.6-4 Extraction of adjacency association matrix后臺通過 MATLAB 程序，求取鄰接關(guān)聯(lián)度矩陣 W 的度矩陣 D 和拉普拉斯矩陣 L。然后將 L 帶入譜聚類算法中，求取拉普拉斯矩陣的特征值與特征向量，并分析特征值的分布特征；采用“肘方法”圖判斷任務(wù)的合理分類數(shù)，對元任務(wù)優(yōu)化聚類

【參考文獻(xiàn)】：
期刊論文
[1]基于余弦相似度的改進(jìn)C4.5決策樹算法[J]. 夏修臣,王秀英.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(01)
[2]面向需求的云制造資源虛擬化配置[J]. 陳維智,江麗,郭順生,杜百崗,許文祥.  現(xiàn)代制造工程. 2017(12)
[3]智能制造專題主編寄語[J]. 李培根.  Engineering. 2017(05)
[4]基于分層任務(wù)網(wǎng)絡(luò)的云制造任務(wù)分解方法[J]. 劉明周,王強(qiáng),凌琳.  中國機(jī)械工程. 2017(08)
[5]云制造環(huán)境下能力資源需求的評價(jià)與選擇[J]. 陳友玲,劉傳彪,陽瑋琦,楊續(xù)昌.  計(jì)算機(jī)集成制造系統(tǒng). 2017(10)
[6]云制造環(huán)境下設(shè)備資源的多目標(biāo)優(yōu)化選擇[J]. 易安斌,姚錫凡,周宏甫,張存吉.  計(jì)算機(jī)集成制造系統(tǒng). 2017(06)
[7]基于離散人工群算法的云制造服務(wù)組合[J]. 常瑞云,周井泉,許斌,亓?xí)x.  計(jì)算機(jī)技術(shù)與發(fā)展. 2016(07)
[8]基于質(zhì)量評價(jià)及需求匹配的制造設(shè)備云服務(wù)選擇[J]. 趙秋云,魏樂,舒紅平.  計(jì)算機(jī)應(yīng)用研究. 2015(11)
[9]面向云制造系統(tǒng)復(fù)雜任務(wù)請求的服務(wù)組合優(yōu)化框架[J]. 劉波,張自力.  中國機(jī)械工程. 2015(08)
[10]云制造服務(wù)平臺中的制造任務(wù)分解模式優(yōu)化[J]. 易樹平,譚明智,郭宗林,溫沛涵,周佳.  計(jì)算機(jī)集成制造系統(tǒng). 2015(08)

碩士論文
[1]“工業(yè)4.0”對推進(jìn)“中國制造2025”的啟示[D]. 李衛(wèi)東.外交學(xué)院 2017



本文編號：3517768