摘 要

云计算技术是当今计算机行业中热门的研究方向，它主要的技术要点在于并行计算、分布式计算等相结合。首先，云计算系统的主要任务在于将虚拟资源与现实物理资源向结合形成一个云资源池，让用户能在需要的时候进行调度，为用户提供由服务质量（QoS）保证的高效可靠的云计算服务环境。服务调度是云计算系统所必需的具备的核心技术之一，它对云计算系统的整体优化性能起着至关重要的作用。

该设计的内容将有助于将云计算服务调度系统应用到云制造环境下工业机器人的制造生产产业。这对于优化制造业生产资源调度具有可观的现实意义，对于提高我国整体的制造业生产能力具有重要的意义。

基于大量的研究数据，云计算系统的服务调度不仅需要为用户提供服务质量（QoS）的可靠性，并且要做到这一点就需要考虑到云计算多任务调度问题，这也是当前计算机行业内公认的NP难题。如果使用简单的穷举搜索的计算方法，会带来计算复杂程度高、计算时间和计算机负载增加等问题。但随着如今群体智能算法（如人工蜂群算法）以及差分进化算法等遗传算法的发展，有人创造性的将这些算法运用于云计算多任务调度问题，其优势也已经初步呈现出来。然而，云计算服务调度的多变性、复杂性以及优化目标的不同，计算的任务服务调度仍然是一个有待研究的复杂难题，独立群智能算法都有其自身的有待优化之处。

差分进化算法是一种控制参数少，收敛速度快的全局并行进化算法，常用于解决优化问题。人工蜂群算法是一种种群优化算法，它使用随机搜索算子找到复杂问题的最优解或近似解。这种设计把两种算法结合到一起，既改善了两种方法的缺点，又优势互补，提高了算法的收敛速度和准确性。

本设计旨在使用基于混合进化算法开发一个云制造服务调度系统，实现工业机器人在云制造环境下的智能调度。

关键词：云制造；云计算；服务调度；差分进化算法；人工蜂群算法

Abstract

Being a popular research direction in computer industrial, cloud computing technology focus on the combination of parallel computing and distributed computing. First of all, the main task of cloud computing system is to combine virtual resources with real physical resources to form a cloud resource pool, so that users can schedule when needed, and provide users with an efficient and reliable cloud computing service environment guaranteed by (QoS). Service scheduling is one of the necessary core technologies for cloud computing systems, and it plays a vital role in optimizing the overall performance of cloud computing systems.

The content of this design will help to apply the cloud computing service scheduling to the manufacturing and production industry of industrial robots in the cloud manufacturing environment. This is of great practical significance to optimize the scheduling of production resources in the manufacturing industry, and is of great significance to improve the overall production capacity of the manufacturing industry in China.

Based on a large number of research data, the service scheduling of cloud computing system needs not only to provide users with the reliability of (QoS), but also to plan for the rationality of task scheduling. Cloud computing multi-task scheduling problem is a recognized NP problem in the computer industry. If we use the calculation method of exhaustive search to optimize, the computational complexity will be so high that increase computing time and the load of the computer. However, with the development of genetic algorithms such as swarm intelligence algorithms (such as artificial bee colony algorithm) and differential evolution algorithms, some people have creatively applied these algorithms to cloud computing multi-task scheduling problems, and their advantages have been initially shown. However, due to the complexity, variability and different optimization objectives of cloud computing service scheduling system, cloud task service scheduling is still a complex problem to be studied, and independent swarm intelligence algorithms have their own aspects to be optimized.

Differential evolution algorithm has the advantages of few control parameters and fast convergence, which makes it a regular way to solve optimization problems. Artificial bee colony algorithm is a population optimization algorithm, which uses random search operator to find the optimal solution or approximate solution of complex problems. this design will improve the shortcomings of these two algorithms and combine the two algorithms. This design combines the two algorithms together, which not only improves the shortcomings of the two methods, but also complements each other's advantages, and optimizing the rate of convergence and accuracy of the algorithm.

The purpose of this design is to develop a cloud manufacturing service scheduling system based on hybrid evolutionary algorithm to realize the intelligent scheduling of industrial robots in the cloud manufacturing environment.

Key Words: Cloud manufacturing; Cloud computing; Service scheduling; Differential evolution algorithm; Artificial bee colony algorith

目 录

第1章 绪论 1

1.1 研究背景和意义 1

1.1.1 研究背景 1

1.1.2 研究意义 1

1.2 国内外研究现状 2

1.2.1 云制造服务调度研究现状 2

1.2.2 人工蜂群算法研究现状 3

1.2.3 差分进化算法研究现状 3

1.3 主要研究内容及创新点 3

1.4 文章结构 4

第2章 基本理论及相关技术概述 6

2.1 云制造系统架构 6

2.2 云制造服务调度系统架构 7

第3章 人工蜂群算法及改进 9

3.1 人工蜂群算法原理 9

3.1.1 人工蜂群算法的介绍 9

3.1.2 真实蜂群的行为 9

3.1.3 人工蜂群算法的原理 9

3.1.4 人工蜂群算法流程 10

3.2 改进人工蜂群算法 11

3.2.1 引进高斯变异思想 11

3.2.2 引进自适应因子 11

第4章 离散差分进化算法及改进 12

4.1 差分进化算法原理 12

4.1.1 差分进化算法介绍 12

4.1.2 差分进化算法原理 12

4.1.3 差分进化算法流程 14

4.2 改进离散差分算法 15

4.2.1 引入自适应变异算子 15

4.2.2 引入离散化处理 15

4.2.3 引入自适应的交叉算子 15

第5章 云制造服务调度系统模型 17

5.1 云制造服务调度问题描述 17

5.2 云制造服务调度模型构建 17

5.2.1 编码方式 17

5.2.1 目标函数 18

第6章 仿真实验及结果分析 20

6.1 参数设置 20

6.2 实验结果及分析 22

6.2.1 改进人工蜂群算法调度仿真实验 22

6.2.2 改进离散差分算法调度仿真实验 24

6.2.3 改进混合进化算法调度仿真实验 25

第7章 总结与展望 27

7.1 总结 27

7.2 展望 28

参考文献 29

致谢 31

绪论

1.1 研究背景和意义

1.1.1 研究背景

如今，制造业生产系统信息化已成为推动经济全球化以及各个国家制造业发展的关键之所在。基于云计算的云制造工业机器人服务调度系统将成为一种信息化化制造业生产的新模式，

经过数年的科技发展，有关云制造的信息化技术与研究已经有了一定的进展，其各项关键技术的应用研究也取得了显著的进展。比如基于云计算、大数据、物联网等新型的科技技术。但是，如今传统的车间制造环境、传统的制造生产系统也演变的愈发繁重。慢慢显现出来的系统的动态性以及不确定性问题也愈发突出，使得如今解决复杂的制造环境下的服务调度问题也变得愈发困难。