132 / 2023-07-13 20:04:51

考虑物流服务商选择的复杂产品制造服务组合协同优化

云制造；服务组合优化；多目标优化；快速非支配排序多目标遗传算法

智能系统工程 > 3. 复杂系统智能调控与优化

随着新技术的不断涌现，制造业正在面临着前所未有的挑战。传统的制造模式已明显不满足制造供应链中的资源配置。与其相反，云制造具有更强的适应性、智能性、透明性和经济性。其作为一种提出的新兴制造模式，其可以通过资源的组合配置优化来合理分配资源最终达到扩大生产能力。而物流作为制造业的重要环节，同样面临着协调物流资源、降低物流成本和增强物流服务质量等挑战。制造以及物流资源组合调度研究是云制造资源服务组合优化的重要研究对象。它们的协同调度对于提高供应链效率和降低供应链成本具有重要意义。本文把云制造服务组合多目标优化问题作为研究对象，基于复杂产品制造任务的制造和物流服务执行过程构建了制造资源和物流资源服务组合优化的多目标数学模型，采用NSGA-II算法对制造资源和物流资源服务过程进行协同优化。

本文的研究内容主要有：

（1）考虑云制造企业的制造资源服务与物流资源服务资源，建立制造资源服务与物流资源服务组合优化模型。基于复杂产品制造任务的制造和物流服务执行过程，通过分配任务与挑选服务，基于时间、成本、可靠性指标，建立多目标服务组合模型，包括任务模型和资源服务模型，其中资源服务模型包括制造服务模型和物流服务模型。

（2）基于NSGA-II算法制造与物流服务组合配置策略优化。为了提高调度效率和服务质量，云物流服务优化使用NSGA-II算法来解决任务分配和服务选择的多目标优化问题。给出算例分析，验证了NSGA-II算法在解决云制造服务组合优化方面上的有效性。

云制造服务组合问题是典型的一类具有多目标约束的NP-hard问题，其自提出以来，国内外学者都在持续关注该问题的发展。在云服务环境中，任务调度的复杂性很高，其中包括了各种不确定因素和动态因素调整，这些因素造就关于云制造服务组合方面的研究具有挑战性。本文通过对云制造资源服务组合优化问题进行研究，建立了基于复杂产品制造任务的制造资源和物流资源服务组合优化的多目标数学模型，并采用NSGA-II算法进行协同优化。论文主要的工作和结论包括如下：

（1）构建了云制造资源服务组合的多目标数学模型基于复杂产品制造任务的制造和物流服务执行过程，通过分配任务与挑选服务，基于时间、成本、可靠性指标，建立多目标服务组合模型，包括任务模型和资源服务模型，其中资源服务模型包括制造服务模型和物流服务模型。

（2）运用NSGA-II算法对所构建多目标数学模型进行求解。多目标遗传算法NSGA-II（Nondominated Ranking Genetic Algorithm-II）经常被用来解决优化问题。为了提高调度效率和服务质量，云物流服务优化使用NSGA-II算法来解决任务分配和服务选择的多目标优化问题。其可以获得均匀分布的Pareto最优解，且优化效率高，对多目标优化问题有较强的有效性。

（3）进行数值仿真对优化算法进行分析多目标粒子算法MOPSO（Multi-objective particle swarm algorithms）同样是一种典型的多目标优化算法，本文将两种算法求得的最终最优解集进行对比来验证NSGA-II算法的性能。结果表明，NSGA-II算法相比MOPSO方法在制造供应链中的资源配置中能够有效地优化制造资源和物流资源服务过程，降低时间和成本，提高资源调度效率和服务质量。

同时，本文也存在着诸多不足，现将本文的不足以及对后续此领域的研究展望归结如下：

1）在构建数学模型时，本文假设生产供应链中的子任务是按时间顺序进行的，在一个子任务结束后，再对下一个子任务进行调度。但现实生活中，云制造任务显然存在着同时进行的情况，本文欠缺了这方面的考虑。

2）在构建数学模型是，本文只考虑了时间、成本、可靠性指标。在未来的研究中，可以考虑将更多的因素纳入模型中，如环境影响和社会效益等，以构全面和实用的云制造资源服务组合优化模型。

3）进行数值仿真中，由于进行实验所使用的的实验数据集根据前人研究以及一定的事实规律通过实验仿真生成的数据，缺乏真实性，这在很大程度上影响了云实验结果的可信度。在以后的研究中，可以将具体制造企业的数据应用在实验中，以更好地验证方法的可行性。