考慮供應商能耗的云制造資源優化組合研究

相 模，李 芳

（上海理工大學管理學院，上海 200093）

0 引言

大數據、云安全、物聯網、云計算等高新技術的快速發展給傳統制造模式帶來了強烈沖擊，制造模式逐漸由傳統的生產型制造向服務型制造模式轉變。傳統的先進制造模式如網絡化制造、敏捷制造、ASP、制造網格等，雖在一定程度上提高了資源利用率，使行業整體資源共享能力提高，但由于在資源共享和分配、服務方式以及信息安全等方面存在問題，嚴重制約了其發展空間。

李伯虎院士等［1-2］結合物聯網、云安全、云計算等技術，提出面向服務的網絡化制造新模式——云制造（Cloud Manufacturing），以“分散資源集中使用，集中資源分散服務”［2］的思想為制造業發展提供一種新的思路。云制造環境下的運營模式為服務需求方發布制造任務，云制造平臺根據服務需求方要求進行資源服務組合，組合完成后交由資源提供方完成要求的制造任務并最后交付給服務需求方。因此，云制造平臺是保證云制造模式下生產服務能夠優質完成的關鍵。云制造平臺擁有海量的虛擬制造資源信息，如何高效找出滿足服務需求方的制造資源服務組合成為關鍵。

現有資源優化組合研究大致分為資源優化組合模型研究、資源優化組合算法研究。尹超等［3］針對新產品開發問題建立一種包含8 大優選目標體系的云制造服務組合模型，采用灰色關聯度方法求解該模型；Zhou 等［4］建立以時間、成本、可靠性和可用性為指標的評價模型，運用混合人工蜂群算法求解該模型；朱李楠等［5］通過設計最優運輸方案建立模型，運用改進的差分進化算法求解該模型；Wei等［6］建立以時間、成本、服務質量以及負載平衡4 個指標的資源優化配置模型，利用蟻群算法對該模型進行求解；易安斌等［7］建立設備資源選擇模型，利用層次分析法、改進遺傳算法、熵值法求解該模型；Hu 等［8］針對大規模個性化生產環境下服務商最優選擇問題，建立多目標非線性規劃模型，運用改進的遺傳算法求解該模型；蘇凱凱等［9］綜合考慮服務需求方的QoS 指標以及云平臺運營方的柔性指標，建立雙層資源優化模型，利用NSGA-Ⅱ算法對模型進行求解；Li 等［10］針對機器人的配置建立時間最少、成本最低、負載均衡的目標，運用遺傳算法求解該模型；陳友玲等［11-12］在云制造環境下建立多供應商協同生產任務分配優化模型，運用改進的多目標粒子群進化算法對模型進行求解；建立以服務需求方和資源提供方的雙方約束模型，建立以服務時間、服務成本和可靠性的多目標函數，運用i-NS?GA-Ⅱ-JG 算法求解該模型；Wang 等［13］建立包含時間、成本、質量和風險的多目標優化模型，運用層次分析法確定適應度函數權重值，運用改進的混合蛙跳方法求解該模型；李雪［14］針對大規模定制模式特點，建立時間、成本、質量為目標函數的多目標模型，并運用NSGA-Ⅱ算法求解該模型。

上述文獻對云制造資源優化組合模型、資源優化組合算法方法方面做了大量研究并取得了豐碩的成果。目前研究在考慮QoS、柔性因素等角度建立資源分配模型，并分別運用不同的算法對特定的問題進行有效求解，但沒有充分考慮到資源提供商在制造過程中產生的能耗因素影響。“中國制造2025”戰略中提出要以綠色發展為指導方針，綠色發展、可持續發展成為未來制造業發展的主流方向［15］。在云制造環境下，由于不同企業的生產技術水平、設備資源、管理能力等差別較大，導致生產同樣商品產生的能耗不一樣?；谏鲜鲈颍疚奶岢鲆环N新的云制造資源優化配置方案，在考慮服務配置過程中涉及到的服務質量和柔性因素外，增加對服務提供方在制造過程中的能耗約束，建立包含時間、成本、質量、可靠性、滿意度以及能耗的多目標函數優化模型，運用改進的NSGA-II 算法對該模型進行求解。在保證服務需求方獲得滿意結果的同時減少服務提供方能耗，實現經濟的可持續發展。

1 問題描述

云制造服務系統包括服務提供方、服務需求方、云平臺運營方3 個主體［15］。云服務提供方將其閑置的制造資源、制造能力和制造產品通過借助各種RFID、傳感器等感知單元以及感知技術和物聯技術，將制造資源、能力、產品接入網絡，實現信息智能感知、接入、互聯、融合等功能，進而進行虛擬化封裝，形成虛擬資源云池構建。服務需求方根據需要在云平臺上發布需求信息，云平臺運營方對需求方任務進行分解、資源搜索、服務組合優選，如圖1 所示。首先，云平臺將需求方任務劃分為若干個子任務i，其中i=1，2，…，m。然后針對每個子任務i從資源云池里找到滿足要求的服務提供方｛Ai1，Ai2… Ain｝，n 表示滿足子任務i的候選服務數量。

Fig.1 Task decomposition of manufacturing resources圖1 制造資源任務分解

2 多目標優化模型

以往相關研究中，大多數數學模型均從服務需求方角度出發，在云平臺考慮柔性因素基礎上建立總成本最低、總時間最少、總質量最優的優化模型。本文考慮到不同資源提供方在生產服務過程中產生的能耗不同，增加了云平臺對資源提供方在生產過程中產生的能耗約束，生成在滿足服務需求方任務的同時減少企業能耗、社會總效益最優的數學模型。

2.1 服務需求方和云平臺運營方約束

2.1.1 服務需求方約束

在云制造環境下，服務需求方通常關注服務時間T、服務成本C、服務質量Q 三項指標。

服務時間T：服務時間表示需求方在云平臺上發布資源任務到獲取資源任務所花費的時間，主要包括子任務的制造時間Tmu（i）、物流運輸時間Tt（i，i+1）以及候選制造資源等待時間Tw（i）。

服務成本C：服務成本表示需求方在云平臺上發布資源任務到獲取資源任務所花費的成本，主要包括子任務制造成本Cmu（i）、物流運輸成本Ct（i，i+1）。

服務質量Q：服務質量表示供給商提供的產品服務能夠滿足需求商對產品的要求的能力。

2.1.2 云平臺運營方約束

為減少制造服務過程中可能出現的風險，保障其自身利益，運營方會對服務提供方的可靠性（FT）、滿意度（FE）等方面進行考量。同時為了減少環境能耗，實現可持續性發展，云平臺運營方會增加對供應商的能耗（E）評估。

可靠性（FT）：可靠性表示當云制造任務發生改變或資源發生改變時，資源提供方能順利更改并完成任務的能力，包括技術可靠性（Fc）和資源可靠性（Fl）。

滿意度（FE）：云制造服務供應商滿意度由歷史服務評價結果表示。滿意度主要包括資源提供方的服務態度（Fs）、服務能力（Fe）。

能耗（E）：如文獻［16］所述，云制造模式下的能耗主要包括以下幾方面：服務生產階段的能耗Eu、服務運輸階段的能耗El、廢棄物處置階段的能耗Eh?？紤]到不同企業的加工方案、生產工藝、管理水平以及物流運輸方式的不同，即使生產同種產品，其能耗消耗也不同。另外，不同的資源調度組合也會對云制造任務總體能耗產生影響。

因此，本文在充分考慮服務需求方約束和云平臺運營方約束的基礎上建立多目標優化函數以及約束條件。

2.2 多目標優化函數

式（4）中，wc是技術可靠性的權重系數，wl是資源可靠性的權重系數，且wc+wl=1；式（5）中，ws是服務態度權重系數，we是服務能力權重系數，且ws+we=1。

2.3 約束條件

式（7）為時間約束，Tmax表示云制造需求商要求的最遲交貨時間；式（8）為成本約束，Cmax表示云制造需求商期望的最大成本；式（9）為質量約束，Qmin表示云制造需求商要求的產品最低質量；式（10）為可靠性約束，FTmin表示云平臺運營方要求云制造供應商的最低可靠性指標；式（11）為滿意度約束，FEmin表示云平臺運營方要求云制造供應商的最低滿意度指標；式（12）為能耗約束，Emax表示云平臺運營方要求的云制造服務組合過程中產生的最大能耗。

3 改進的NSGA-Ⅱ算法

本文構建的模型屬于多目標規劃（MOP）問題，此問題求解十分復雜。向峰等［17］提出的NSGA-II 算法是目前有效求解多目標優化問題算法之一，應用廣泛。傳統的NS?GA-Ⅱ算法在父代子代種群合并后，通過快速非支配排序產生一系列非支配解集F1、F2…Fn，級別越低表示適應度越高，然后依次將F1、F2…放入設定好的空間容量為N 的新父代種群中，對最后進入新父代種群的非支配解集Fi進行擁擠度排序，取前個個體組成新父代種群（見圖2），這種方法會嚴重影響種群的多樣性。因此，為保證種群的多樣性，本文對經過非支配排序后的每一層級都進行擁擠度計算，按照設定的最優前端個體系數保留每一個層級的部分個體進而形成新的父代種群（見圖3），以此確保種群的多樣性，避免局部收斂。

Fig.2 New species group synthesized by improved NSGA -Ⅱalgorithm（1）圖2 改進前NSGA-Ⅱ算法合成新種群（一）

Fig.3 New species group synthesized by improved NSGA-Ⅱalgorithm（2）圖3 改進前NSGA-Ⅱ算法合成新種群（二）

改進后的NSGA-Ⅱ算法流程如下：

（1）對滿足約束條件的候選服務資源提供方進行排序后，對該候選資源服務提供方進行整數編碼，其中編碼位置表示子任務候選服務序號，編碼數值表示子任務候選資源提供方序號，如2-2-3-1 表示制造子任務1 選擇第2 個候選資源提供方，第2 個子任務選擇對應的候選資源提供方為第2 個，以此類推。

（2）根據模型中的約束條件（式（7）-式（12）），將變量x設定在指定范圍內，在該范圍內隨機產生初始父代種群P。

（3）根據模型中的適應度函數（目標函數）（式（1）-式（6）），先對種群P 進行適應度值計算，進而對種群進行非支配排序分層并對每一層進行擁擠度計算。

（4）對種群P 中的非支配排序分層以及個體的擁擠度進行種群個體選擇，然后對種群進行交叉、變異操作，產生子代種群Q，子代種群Q 與父代種群P 合并得到新的種群PQ。

（5）根據模型中的適應度函數（目標函數）對種群PQ中的個體進行非支配排序分層，并分別計算每個層級中個體的擁擠度。根據設定的每個層級的前端最優個體系數選擇最優的種群個體產生新父代種群P′。

（6）重復步驟（3）-（5），直到迭代次數達到設定值，即得到云制造服務組合Pareto 解集。

Fig.4 Flow of improved NSGA-Ⅱalgorithm圖4 改進后的NSGA-Ⅱ算法流程

4 實例驗證

服務需求方在云制造平臺上發布任務需求，云制造平臺按照產品性能、生產具體要求將制造任務分解為4 個可執行的子任務，并對每個子任務篩選出符合要求的候選服務提供方，如表1 所示。候選服務提供方相關參數如表2所示。

Table 1 Candidate resource services表1 候選資源服務

本文模型參數如下：wc=0.5，wl=0.5，ws=0.4，we=0.6，Tmax=70，Cmax=550，Qmin=0.9，FTmin=0.88，FEmin=0.85，Emax=300。改進的NSGA-II 參數設置如下：種群規模大小為40，最大迭代代數100，最優前端系數0.4，交叉率0.7，變異率0.03。分別畫出種群在目標函數下的平均適應度值，如圖5、圖6所示。分別畫出目標函數的pareto 前沿圖，如圖7、圖8 所示。

Fig.5 Average fitness value under time，cost and energy consumption圖5 時間、成本、能耗下的平均適應度值

Fig.6 Average fitness value under quality，reliability and satisfaction圖6 質量、可靠性、滿意度下的平均適應度值

Fig.7 Pareto chart of time，cost and quality圖7 時間、成本、質量pareto 圖

經過驗算，在求解得到pareto 解集后，考慮到供應商更加注重時間、成本、質量、能耗等因素，取出如下部分pareto解集，并優先按照時間、成本、能耗、質量、可靠性和滿意度進行排序，如表3 所示。資源服務組合RS11-RS23-RS31-RS42和RS11-RS23-RS31-RS43在時間和成本上相同，如果優先考慮質量因素將選擇RS11-RS23-RS31-RS42。但是考慮到企業能耗對社會可持續發展的影響，因此優先考慮能耗因素，所以選擇RS11-RS23-RS31-RS43。另外，不同企業可根據自身實際情況以及發展需要選擇最優的資源服務組合。

Table 2 Parameters related to candidate manufacturing resources表2 候選制造資源相關參數

另外，為驗證改進的NSGA-Ⅱ算法和經典的NSGA-Ⅱ算法在收斂性和有效性等方面的性能優劣，本文分別將兩種算法運算20 次求出Pareto 均值。如表4 所示，改進的NSGA-Ⅱ算法的Pareto 解平均遺傳代數為17 代，傳統的NSGA-Ⅱ算法的Pareto 解平均遺傳代數為21 代，相比而言，改進的NSGA-Ⅱ算法有更強的收斂性；另外，改進的NSGA-Ⅱ算法在時間、成本、質量、可靠性、滿意度、能耗等方面均優于傳統的NSGA-Ⅱ算法，這說明改進的NSGA-Ⅱ算法比傳統的NSGA-Ⅱ算法有效性更高。

Fig.8 Pareto chart of reliability，service degree and energy consumption圖8 可靠性、服務度、能耗pareto 圖

Table 3 Pareto optimal solution of improved algorithm表3 改進算法的pareto 最優解

Table 4 Algorithm comparison表4 算法對比運算

5 結語

如何降低企業制造能耗、實現綠色發展是未來制造業發展的主流方向。本文在充分考慮服務需求方在資源配置過程中關注的時間、成本、質量因素，以及云平臺運營方關注的可靠性、滿意度因素外，增加云平臺運營方對服務提供方在制造過程中產生的能耗約束，建立包含6 個目標函數的多目標優化配置模型，并運用改進的NSGA-Ⅱ算法對模型進行求解。計算結果以及分析表明，該模型能在滿足服務需求方制造要求的同時，有效減少服務提供方能耗，使社會總效益最優。后續將研究云制造環境下的制造資源優化組合問題，對建立的模型進行優化，提高模型的適應性和穩定性，并進一步對算法進行改進，提高算法的收斂性和有效性。