英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
Real-Time Scheduling of Cloud Manufacturing Services Based on Dynamic Data-Driven Simulation
摘要：在面向服务的制造模式中，服务调度对于向客户提供及时的制造服务交付非常重要。建立了动态云制造调度问题的数学模型，提出了一种基于动态数据驱动仿真的调度方法，以提高调度性能。详细讨论了框架，调度规则和仿真策略。具体来说，根据服务时间，物流时间和候选服务的子任务队列状态，设计了三个单一的调度规则和三个组合的调度规则。任务和服务的实时信息包含在仿真策略中，以选择更好的调度规则。在与实时信息数据库连接的Simio软件中构建并仿真了拟议的调度策略的仿真模型。通过对云制造中数控加工的案例研究对该方法进行了测试，结果表明该方法是有前途的。
- 导言
云制造（CMfg）是一种面向服务和基于网络的制造模式，可为客户提供按需制造服务[1] – [3]。调度问题对于实现CMfg中任务和服务的最佳匹配和调度至关重要。与典型的制造系统相比，CMfg系统具有一些特点，例如客户的个性化要求，分布式服务和不确定性。与传统环境相比，这些功能在解决调度问题方面给CMfg带来了更多困难。
当前对CMfg调度的研究可分为两类：计算资源调度和制造资源调度。为了优化CMfg计算资源的分配，提出了一个具有计算，通信和可靠性约束的综合模型[4]。同时提出了一种排序混沌优化方法来同时调度制造和计算资源[5]。不同的优化算法，例如遗传算法[6]，粒子群优化[7]，[8]和蚁群优化[9]，已应用于计划生产任务CMfg。考虑了任务执行时间约束，研究了一种基于工作量的CMfg调度方法[10]。从模型匹配和服务调度方面研究了CMfg环境中三维打印服务的多任务调度问题[11]。为了优化物联网（IoT）网络的调度性能并最大程度地降低资源成本，提出了面向服务的物联网的三层QoS（服务质量）调度模型[12]。另外，建立了随机Petri网模型来分析复杂物流的不确定性并评估制造性能[13]。为了有效地集成分布式制造服务，为CMfg系统设计了供需匹配的制造服务超网络[14]。提出了两种调度算法以最大化服务系统的总应计利润[15]。周等。研究了针对个性化需求的多样化任务调度问题[16]。 CMfg资源-服务链组成算法也被提出来解决业务流程中服务之间的时间关系[17]。
以上方法几乎没有集中在动态云制造调度（DCMS）问题上。确定性方法的一个关键缺点是它们需要完全确定的流程和数据。但是，诸如随机到达的任务[18]，机器故障和材料短缺之类的意外事件实际上是在任务执行期间发生的[19]。因此，由确定性调度方法得出的调度通常不适用于实际CMfg系统。如果应用静态计划策略，则制造服务将在动态环境中停顿。
Buttazzo等人[20]比较了减少不同指标下的延迟的现有方法。典型制造系统中的动态调度问题已经研究了数十年。动态作业车间调度问题（DJSP）的方法包括基于实时过程信息的方法[21]，基于代理的方法[22]，将代理和蚁群智能相结合[23]，启发式调度[24]等。由于更大的解决方案空间和制造资源的灵活性，柔性制造系统中的动态调度问题比车间要复杂。柔性制造系统中的动态调度问题的方法包括基于瞬态的方法[25]，基于学习的方法[26]，启发式算法[27]，基于代理的方法[28]，重力仿真局部搜索算法[29]，多目标进化算法[30]等。
DCMS问题在范围，模型和目标方面与DJSP不同。首先，DJSP的范围是车间或企业，而DCMS的范围是跨企业的环境，其中不同的公司提供不同的制造服务。其次，CMfg中子任务类型和服务类型之间的关系是多对多的，而作业车间中的这种关系是一对多的。此外，由于有多个涉众，DCMS的优化目标是多种多样的，而DJSP的优化目标通常是确定的。由于问题的这些特征，需要提出新的有效方法来解决CMfg服务调度问题并提高调度策略的可靠性。本文对CMfg调度问题的特点进行了系统的分析，并数学建立了CMfg调度模型。提出了一种基于动态数据驱动仿真（DDDS）的服务调度方法，以解决DCMS问题，提高系统的鲁棒性。将提出的调度方法与一些熟悉的策略进行了比较。结果表明，该方法具有比典型方法更好的性能。
本文的其余部分安排如下。在第二节中，我们分析了CMfg系统的特性，并构建了DCMS问题的数学模型。在第三节中，从系统框架，调度规则和DDDS策略方面提出了一种基于DDDS的动态服务调度方法。在第四节中，进行了数控加工的案例研究，以验证所提出方法的有效性。第五部分讨论了结论和未来的工作。
- DCMS问题模型
- 数学描述
CMfg环境在某些方面（例如任务，服务和不确定性）与典型的制造系统有所不同。有N个服务提供商P1，P2，...，PN。 Pi和 Pj是 li，j之间的物流时间。 Pi提供了制造业服务Si，1，Si，2，...，Si，ni。 Si，j是hi，j的服务类型。在动态CMfg环境中，任务随机到达CMfg平台。假设在[t1，t2]期间到达的任务数为M（t1，t2），第i个到达的任务为Ti。任务类型，到达时间，到期日和Ti是 bi，ai，ci和pi的优先级。共有H个不同的任务类型。 CMfg系统中的任务数和服务状态会随时间变化。服务状态包括服务可用性信息和子任务队列信息。可以根据任务的类型将其分解为子任务序列。 Ti是 Ii的第j个子任务确定了Ii，j是 gi，j的子任务类型。任务类型bi是 mi的子任务序列的长度。
为了研究系统运行性能和不同调度策略的任务执行情况，我们考虑了特定时间段[t1，t2]中的DCMS问题。一个s表示子任务Ii，j在 Sx，y上是 ex，y，i.j的服务时间。我们定义了一个关系指示器vhx，y，gi，j如（1）来表示从服务类型hx，y到子任务类型gi，j的多对多映射关系：
如果服务Sx，y具有执行子任务Ii，j的能力，则关系变量v = 1，其中hx，y是服务Sx，y的类型，而gi，j是子任务Ii，j的类型。否则，v =0。存在三个决策变量，包括由Ii，j选择的提供者的序列号（由xi，j表示），由Ii，j选择的服务的序列号（由yi，j表示）和开始Ii，j的时间（由zi，j表示）。
CMfg中有多个利益相关者，包括需求者，提供者和运营者。对于不同的利益相关者，DCMS问题的优化目标可能不同甚至矛盾。该仿真方法可以仿真针对不同优化目标的不同调度策略的操作过程。模拟的统计结果可以帮助CMfg平台在当前系统环境下为特定类型的涉众选择更好的调度策略。我们假设Ii，j是 fi，j的完成时间。 Si，j关于 t的剩余服务时间为ri，j（t）。 Si，j在 t队列中子任务的总服务时间为qi，j（t）。 Ti是 Fi的完成时间。 [t1，t2]中Si，j的利用率为ui，j（t1，t2）。和Ti是 di的延迟时间。
- 问题特征
与面向资源的传统制造系统相比，CMfg是一种面向服务的制造模式。在CMfg系统中，制造资源通过资源虚拟化被封装到制造服务中。 CMfg是一种需求驱动的制造模型，可支持云客户的个性化需求。服务需求者可以通过CMfg平台获得按需制造资源。客户无需花费大量时间和成本来建立和维护制造资源。此外，通过集成不同类型的制造资源，CMfg平台可实现资源的集中管理并按需共享。当需求者使用云服务时，制造过程的细节通常对需求者隐藏。 CMfg系统可以实现不同企业制造资源之间的高效协作。
与传统的制造调度问题相比，DCMS问题具有某些特征。首先，CMfg是跨企业系统，其中不同的分布式公司提供不同类型的制造服务，因此需要物流来支持协同任务执行。当一项任务的不同子任务被调度到不同的企业时，DCMS中的物流时间和成本是相当大的[31]。其次，CMfg中的供需匹配不是一对一的。子任务类型和服务类型之间的映射关系是多对多的。一种服务通常能够执行多种类型的子任务，而一种子任务可以在多种类型的服务中执行。此外，CMfg中的角色也不同，包括服务提供商，需求者和运营商。结果，DCMS的优化目标是多种多样的，并且与特定的利益相关者有关。此外，随机性比DJSP对DCM的影响更大。随机事件包括任务到达，服务故障，可变服务能力等。一些研究人员研究了DJSP随机性，例如可变服务时间[32]和机器故障[33]。仿真方法的优点是可以验证不同优化目标下每种调度策略的性能。
- 优化目标
下面给出了DCMS问题的四个不同的优化目标，即平均服务利用率U（t1，t2），平均任务延迟时间D（t1，t2），加权平均任务延迟时间W（t1，t2）和比例[t1，t2]期间延迟任务R（t1，t2）的数量。
1）平均服务利用率：对于服务提供商和平台运营商而言，服务利用率无疑是重要的优化目标。平台运营商关注所有服务提供商的平均服务利用率，而每个服务提供商仅关注其自己服务的服务利用率。因此，在CMfg环境中，平均服务利用率被认为是DCMS问题的优化目标之一。平均服务利用率的表达式为
平均服务利用率U是通过CMfg平台计算中所有服务Si的利用率ui，j得出的。由（3）得出的服务Si，j的利用率。分母是从t1到t2的时间跨度。分子是分配给Si，j的所有子任务的执行时间的总和
Ai，j是用来表示调度到Si，j的子任务的所有下标的集合，如
2）平均任务延迟时间：每个服务需求者都希望尽快从CMfg平台接收所需的产品/零件。对于CMfg平台运营商而言，减少所有任务的平均任务延迟时间是重要的调度优化目标。可以通过以下公式计算平均任务延迟时间D（t1，t2）
延迟时间di在任务Ti中可通过（6）计算。完成时间Fi在 Ti中等于Ti的最后一个子任务的完成时间，如（7）所示
3）加权平均询问延迟时间：信息服务的质量，不同的客户及其任务始终具有不同的优先级。因此，对于CMfg平台运营商，应考虑[t1，t2]期间所有任务的加权平均延迟时间W（t1，t2），并可以通过以下公式计算
4）延迟任务的比例：时间跨度[t1，t2]中延迟任务的比例也是CMfg平台运营商的重要优化目标。 R（t1，t2）的表达式由（9）给出，其中B用于表示[t1，t2]期间所有延迟任务的集合。 B的定义为（10）
5）约束：DCMS问题的调度解决方案有两种约束：服务选择约束（x，y）和子任务开始时间zi，j的约束。
为了限制服务选择（x，y），子任务Ii，j只能选择能够执行子任务Ii，j的服务。即vh，g = 1，其中h = hx，y和g = gi，j。
一方面，对于子任务开始时间zi，j的约束，第一个子任务的开始时间不能早于Ti的到达时间，如（11）所示。另一方面，中间/最后子任务Ii，j的开始时间不能早于其前子任务Ii，j-1的完成时间，如（12）所示
其中1le;ile;M（t1，t2），2le;jle;mi。
- 建议的DSS方法
仿真技术在动态调度中的优势体现在对未来调度性能和事件的预测上，以指导当前的调度决策。传统模拟在很大程度上由于过去实时制造系统制造系统的实时数据的可用性有限，因此无法使用制造系统。随着传感器和基于物联网技术的最新发展[34]，实时数据的可用性和质量已大大提高[35]。在DDDS中，仿真系统会不断受到实际系统实时数据的影响[36]。库克等。提出了基于DDDS的动态车间调度问题的优化启发式方法[37]。 Keller和Hu提出了一种用于基于移动代理的系统的数据驱动仿真建模方法[38]。
为了解决DCMS问题，提出了一种基于DDDS的动态CMfg服务调度方法（DSS），以解决动态CMfg环境中随机到达的任务和不可预测的服务时间。在本节中，将从系统框架，DDDS策略和调度规则等方面介绍DSS方法。
- 系统框架
DSS的系统框架如图1所示。 1.框架中有三个主要角色：服务需求者，服务提供者和CMfg平台。服务需求者将任务需求提交给CMfg平台，而CMfg平台则应用服务调度系统来基于实时任务信息，实时服务信息，调度规则和优化目标生成任务调度。服务提供商接收分配的子任务，并根据任务计划在特定时间执行这些子任务。然后，完成的产品/零件通过物流从选定的服务提供商交付给服务需求者。
1）问题处理：任务处理模块将需求者的模糊和定性需求转换为确定的子任务序列和定量需求。任务的信息然后存储在任务数据库（任务DB）中，并通过服务调度系统与服务进行匹配。
2）服务调度：服务调度系统根据输入的信息和特定的调度规则生成实时子任务调度。服务调度系统的输入信息包括实时子任务信息和实时服务信息。服务调度系统中有两种调度规则：子任务排序规则和服务选择规则。生成的实时时间表规定了所有触发的子任务的选定提供者，服务和开始时间。
3）仿真器调用：由于服务时间的随机性，很难保证预设的仿真模型中的服务时间等于实际制造系统中的实际服务时间。但是，概率模型可以用来描述服务时间，从而使仿真过程中生成的服务时间在统计上更接近实际情况。基于服务时间的历史数据获得服务时间的期望值。用正态分布描述服务时间的仿真模型，服务时间的概率密度函数e *表示为
一方面，当实际服务时间与预期服务时间之间的偏差大于某个阈值时，将调用DDDS仿真器来仿真不同的调度规则。另一方面，平台运营商可以在不同的调度优化目标之间进行切换，这将在第二部分中进行分析。更改调度优化目标后，还会触发DDDS仿真器，以测试当前优化目标的不同调度策略的调度性能。因此，服务调度系统中的调度策略是通过基于实时系统状态和当前优化目标的DDDS仿真进行优化的。
- 计划规则
所提出的方法有两种调度规则，包
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[239268]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
