基于动态参数蚁群算法云制造服务组合.PDFVIP

第28卷 第1期 计 算机 技 术 与发 展 Vol.28 No.1 2018年1月 COMPUTERTECHNOLOGY AND DEVELOPMENT Jan. 2018 基于动态参数蚁群算法的云制造服务组合 张严凯,周井泉,李 强 (南京邮电大学 电子科学与工程学院,江苏 南京 210003) 摘 要:为了使云制造资源更加有效地分配到各个制造任务中,提出了一种动态参数蚁群算法(DynamicParameterAnt Col- ony Optimization,DPACO)。 该算法建立在QoS(Quality of Service)评估模型之上,QoS评估模型通过综合成本 C(Cost)、时 间T(Time)、质量函数Q(Quality function)和满意度S(Satisfaction)四个方面得到适应度函数F,F越小结果越优。 DPACO 算法通过改变参数在不同阶段的值来使算法获得更快的收敛效率,加入特殊蚂蚁使得算法更好地跳出局部最优解获得全 局最优解。 最后通过钢铁锻造任务的云制造资源优选将 DPACO算法与原始ACO、PSO、DE算法作比较,实验结果表明, DPACO算法在求解云制造服务组合问题上能够更好地获得全局最优解,并具有较高的收敛效率。 关键词:云制造服务组合;动态参数蚁群算法;QoS评估模型;适应度函数 中图分类号:TP301.6 文献标识码:A 文章编号:1673-629X(2018)01-0127-04 doi:10.3969/j.issn.1673-629X.2018.01.027 Cloud Manufacturing Service Composition Based on Dynamic Parameters Ant Colony Algorithm ZHANG Yan-kai,ZHOU Jing-quan,LI Qiang (School of Electronic Science and Engineering,Nanjing University of Postsand Telecommunications, Nanjing210003,China) Abstract:Inordertomakethecloudmanufacturingresourcesmoreeffectivelyallocatedtoeachmanufacturingtask,aDynamicParameter Ant Colony Optimization (DPACO) isproposed.It ison the basis of QoS (Quality of Service) evaluation model which gets a fitness function F by combining cost,time,quality function and satisfaction.The smaller the F,the better the result.DPACO can accelerate its convergenceby changing the parametersin different stages and betterjump out of local optimal solution for global optimal solution by adding a specialantalgorithm.Finally,DPACOiscomparedwithACO,PSOandDEthroughcloudmanufacturingresourcesoptimization of steel forging task.The