基于云制造大数据的多目标不确定资源调度

For the problems of low resource utilization, long task delay and high energy consumption in cloud manufacturing, this project exploits big data technique to provide scientific decision-making for scheduling, and investigates multi-objective uncertain resource scheduling theory and technology. This study concentrates on searching, optimizing and organizing uncertain factors that affect resource scheduling optimization and management. Uncertain factors are analyzed on the basis of big data in cloud manufacturing. An multi-objective uncertain resource scheduling model is developed which integrates uncertain factors of different types, thus the accuracy and credibility of the model are improved. An intelligent optimization algorithm is presented, joining macro adjustments up with micro adjustments to harmonize distribution and collaboration among several intelligent algorithms. Preferences of individuals and groups are mined to guide searching direction of the algorithm. A model for estimating the stability of resource scheduling is established, which objectively evaluate the quality of solutions. Therefore, the performance of the proposed algorithm is improved. To minimize adapting size, reduce response time and adjustment number, a resource coordinated emergency strategy is proposed based on critical path so that the stability of the scheduling is enhanced. This proposal aims to promote the cloud manufacturing scheduling theory and technology on the basis of big data, and provide novel solutions for manufacturing industries in China.

针对云制造资源利用率低、任务延迟长、能耗高等问题，项目围绕利用大数据为调度提供科学决策的核心思想，研究云制造多目标不确定资源调度理论和技术。本项目基于寻找、优化和管理影响资源调度的不确定因素展开，基于云制造大数据分析不确定因素类型，建立多目标不确定资源调度模型，解决异类不确定因素归一化问题，提高模型的精确性与可信性；提出基于宏观-微观联动的智能调度优化算法，挖掘个体与群体偏好信息引导算法搜索方向，建立调度稳定性评估模型综合评价解的质量，设计宏观-微观联动机制调控多智能算法间的分工与协作，提高算法的性能；提出基于关键路径的资源协同应急策略，最小化资源动态调整范围，缩短应急响应时间并减少调整次数，增强调度方案的稳定性。项目旨在通过上述研究，在开辟大数据新应用途径的同时，推进云制造调度理论与技术，为我国向制造强国转型提供新的解决思路。

中国制造“大而不强，强而不智”是当前我国制造业数智化转型亟待解决的问题。云制造作为“中国智造”的一种可行求解方案，承载着中国迈向制造强国的使命。.本项目聚焦云制造数量繁多、类型各异的不确定因素，针对云制造资源利用率低、任务延迟长、能耗高等问题，首先提出一种自适应网络流量管理方法提升网络流量测量精度，根据网络流量及时调整存储空间，为协同调度中资源信息实时共享提供底层网络支撑。在此基础上，以分布异构资源特征选择为切入点，构建资源制造能力综合评价指标体系，并提出基于二型模糊集的资源制造能力多属性决策方法。随后挖掘并有效利用云制造大数据蕴含价值，重点针对影响资源调度的不确定因素开展研究。将作业加工时间由常量扩展为不确定随机变量，构建作业加工时间估计模型，从而获取不同置信水平上更为准确的作业加工时间。建立具有不确定因素的柔性车间作业调度模型，在不确定随机变量运算法则的支撑下，可将所构建的不确定模型转化为等价的确定模型，由此避免不确定因素的干扰，提升模型的精确性。综合利用分布估计算法较强的全局探索能力和遗传算子较好的局部寻优能力，提出基于协同进化的不确定柔性车间作业调度方法，提高调度方案在实际运营过程中的适用性。最后为最小化资源动态调整范围，提出基于数据局部密度和模糊C均值聚类的信源数目估计方法，提高对关键资源调整位置的正确监测概率，进而缩短应急响应时间并减少资源调整次数。.本项目历经三年执行期的深入研究，工作进展顺利，完成了预期研究内容与目标。截止目前项目组共发表相关论文10篇，其中SCI论文8篇，EI论文2篇。申请发明专利3项，其中授权专利1项。协助培养博士研究生2名，硕士研究生3名。本项目的研究成果对于推进云制造健康良好的实际运营具有重要的应用价值，进而助力我国实现向制造强国的加速转型。

内容获取失败，请点击重试