云制造环境下基于蚁群算法资源动态调度优化,这是一篇与蚁群算法论文范文相关的免费优秀学术论文范文资料,为你的论文写作提供参考。
蚁群算法论文参考文献：
摘 要：动态资源调度是云制造中的一个关键问题.通过对资源动态在云制造环境下服务特点的了解,提出了基于蚁群算法的资源动态调度函数,以云服务提供者找到相对应的云服务使用者进行任务封装的时间最短为目标.通过Matlab优化了原有的资源动态服务模型,达到了预期的效果,对以后云制造下资源动态的调度具有指导意义.
关键词：云制造；蚁群算法；资源动态调度函数；Matlab
中图分类号：F253.9 文献标识码：A
Abstract： Dynamic resource scheduling is a key problem in cloud manufacturing. Based on resources dynamic characteristics under the environment of cloud manufacturing service,proposed based on ant colony algorithm resources dynamic scheduling function,aiming at the cloud service providers to find the corresponding task encapsulates the cloud service users the shortest time. The original resource dynamic service model was optimized by Matlab, reach the expected effect, under the cloud after manufacturing resources dynamic scheduling has a guiding significance.
Key words： cloud manufacturing； ant colony algorithm； resource dynamic scheduling function； Matlab
0 引 言
随着现在科技的飞速发展,制造业开始逐步和新兴云计算、物联网等技术交叉融合,产生一种面向服务的制造新模式——云制造,它一改制造长期以来面向设备、面向资源、面向订单、面向生产等的形态,从而转而真正面向服务、面向需求.在云制造中,一切能封装和虚拟化的都作为制造云服务（包括制造资源作为服务、制造能力作为服务、制造知识作为服务等）这种大转变是作为实现生产型企业向服务型企业转变、实现制造即服务（Manufacturing-as-a-Service, MFGaaS）的基础.在云制造中,通过物联网、虚拟化等技术实现资源的封装、发布、搜索、调度、执行、检测等功能,满足云服务提供者（Cloud Sevice Provide, CSP）和云服务使用者（Cloud Service User, CSU）之间的资源对接.本文重点讨论资源从CSP动态调度到CSU的这个过程,争取云制造资源的利用率达到最优是我们的目标.
目前各学者对云制造进行了相关研究,李伯虎院士为求解更加复杂的制造问题展开大规模协同制造,提出了一种面向服务的网络化制造新模式——云制造.陶飞、张霖等人设计了制造云服务管理原型系统功能结构, 对基于云制造全生命周期运行的云服务组合需求进行了阐述.对云服务组合建模/描述和一致性检查、云服务关联关系、云服务组合柔性、组合网络及其动力学特性、云服务组合建模和评估、组合优选等实现云服务组合的关键问题进行了研究, 为未来实现高效智能化的云制造服务管理提供理论支持[1]；张勇凯、李芳等人用ROV编码对蝙蝠算法进行了重新编码和解码,并且对其进行了混沌序列初始化和自适应变步长的运算步长改进,提高了原蝙蝠算法的收敛速度和最优解的精度[2],倪志伟、王会颖等人基于云计算技术和云服务技术研究了云服务的动态选择问题,给出了云制造服务层次化模型,提出了一种基于MapReduce和多目标蚁群算法的制造云服务动态选择算法（CS A）[3]；武超然、江海涛通过改进蝙蝠算法,实现了供需调度时间的最优[4]；唐海波、黄琼琼等提出了基于负载资源的均衡的动态调度策略,建立了以完成任务的总服务成本为最优化目标的模型,并实际验证了可行性[5].以上对于云制造资源调度的研究还有很大的发展空间,本文将以云制造资源的利用率为目标进行研究讨论.
1 云制造资源调度过程的描述
云制造资源的调度其实是实现云服务提供者CSP到云服务使用者CSU对接的过程.云服务提供者CSP包括原材料供应商、加工生产商、物流配送商等,他们各自将自身可以提供的资源登记在云服务的平台,等待云制造资源的出租销售；而云制造资源这个虚拟的资源是游离在云服务平台的,毫无序列而言,只等待搜索到相对应的云服务使用者CSC后,封装到某个生产生命周期,供云服务使用者USU使用；而云服务使用者CSU向云服务平台提出自己的需求,等待平台安排相应的云制造资源供其使用.
1.1 质量检测机制.在已经匹配好的一系列生命周期的生产工序中,前一个云服务提供者CSP完成这一项工序后要被检测合格后才可转交给下一个云服务提供者CSP进行下一项工序,否则重新完成.这样既可保证服务质量,又可减少损失,如若没有合格标准检测机制,不光会导致整条服务的不合格,云服务使用者不满意,而且无法完成这一项任务,整个生命周期需要的云服务提供者CSP都要重新来过,浪费了其他云服务提供者CSP的时间,降低了整个云服务资源的利用率.
1.2 原始资源动态调度过程.由于云服务平台数据处理的冗杂性,将有相同需求的云服务使用者CSU作为同一批次进行处理,通过关键词搜索需要的一系列云制造资源,将它们进行封装,作为一个整体完成任务.只有当所有的云服务使用者CSU的任务需求全部完成时,云服务提供者CSP才可以被释放,成为原来的游离状态,即可以继续下一批次的任务所搜索,继而封装在另一个整体工作.
结论：关于蚁群算法方面的的相关大学硕士和相关本科毕业论文以及相关蚁群算法 matlab论文开题报告范文和职称论文写作参考文献资料下载。
基于改进蚁群算法侦察无人机航路规划和实现
摘要：文章针对侦察无人机航路规划这一问题，分析了影响航路规划的因素，构建了航路规划的模型。结合侦察无人机航路规划的特点与模型，论证了基于蚁群算法。
自适应蚁群算法在双向生产车间调度中应用
摘要：本文将蚁群算法与双向调度算法结合，用以解决以生产周期和关键工件交货期为优化目标的车间作业调度问题。在传统的蚁群算法的基础上自适应调整挥发系。
蚁群算法和其他原理相结合在机械优化设计中应用
摘 要：通常我们在机械结构优化设计中，常借助基本蚁群算法进行优化设计，虽然能使得到的结构能够达到预期的目标与要求。但是这种基本蚁群算法通过实践发。
改进蚁群算法在全终端网络可靠性优化问题上的应用
摘要：本文着重解决全终端网络成本优化问题，以达到最佳的寻优效果和寻优速度，基于泰国学者KanyapatWatcharasitthiwat在解决网。