《基于multi-agent的机床装备资源优化选择方法-尹超.pdf》由会员分享，可在线阅读，更多相关《基于multi-agent的机床装备资源优化选择方法-尹超.pdf（11页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、第22卷第6期2 O 1 6年6月计算机集成制造系统Computer Integrated Manufacturing SystemsV0122 No6June 2 O 1 6DOI：1013196jcims201606010基于MultiAgent的机床装备资源优化选择方法尹超1，罗鹏1，李孝斌1，李靓2(1重庆大学机械传动国家重点实验室，重庆400044；2重庆海特克制造业信息化生产力促进中心有限公司，重庆 400044)摘要：针对云制造环境下机床装备资源数量大、服务制约因素多、组合优化选择困难等问题，首先建立机床装备资源匹配指标体系和包括服务时间(T)、服务成本(C)、服务质量(Q)、服
2、务知识(K)、服务环境(E)、服务可靠性(R)、服务容错性(Ft)和综合满意度(sa)八维目标分量的机床装备资源评价指标体系；结合MultiAgent技术自主响应、智能交互的优势，提出一种基于MultiAgent的机床装备资源优化选择模型，设计了该优选模型的求解方法并通过实验仿真验证了该方法的适用性和有效性。关键词：MultiAgent；云制造；机床装备；优化选择中图分类号：THl66；TP311 文献标识码：AOptimaI selection method for machine tool reurce b嬲ed on multiagentyJN C口01，LU0 PPn91，LJ X缸D
3、6i竹1，LI L缸竹g 2(1State Key Laboratory of Mechanical Transmission，Chongqing University，Chongqing 400044，China；2Chongqing H1TECH InformationBased Manufacturing ProductiVity PromotionCenter CoLtd，Chongqing 400044，China)Abstract：Aiming at the issues oflarge amount of machine tool，many restrictive factors
4、 and combination optimizationproblems in cloud manufacturing environment，an eight dimension target component evaluation index system for machine tool resource was established，which included service time(T)，service cost(C)，service quality(Q)，serviceknowledge(K)，service environment(E)，service reliabil
5、ity(R)，service faulttolerance(Ft)and integrated satisfaction degree(Sa) 0n this basis，an optimal selection model for mac hine tool based on muItiAgent was proposed incombination with the advantages of multiAgent technology of intelligent interaction and autonomous response Asolution method for this
6、optimal selection model was designed to verify the applicability and validity of the proposedmethod with an experiment simulationKeywords：multiagent；cloud manufacturing；machine tooI；optimaI seIection0 引言云制造融合了现有的网络化制造、面向服务技术及云计算、物联网陋引、高性能计算、虚拟化等信息技术，将不同地域、不同企业的各类制造资源(制造硬设备、计算系统、软件、模型、数据、知识等)和制造能力(加工
7、能力、设计能力)进行虚拟化和服务化，构成虚拟化制造资源池，并进行统一的、集中的智能化管理和经营，利用网络和云制造服务平台按用户需求组织制造资源，为用户提供可随时获取的、按需使用的、安全可靠的、优质廉价的制造全生命周期服务6。云制造的核心思想是分散资源的集中使用和集中资源的分散服务7-8。在云制造环境下，制造资源体量大、种类多、分布广，如何在云制造资源池收稿日期：20150513；修订日期：20160卜14。Received 13 May 2015；accepted 14 Jan2016基金项目：国家863计划资助项目(2015AA043801)。F0岫dation item：Project s
8、upported by the National HighTechR8LD Program，China(No2015AA043801)万方数据第6期 尹 超等：基于MultiAgent的机床装备资源优化选择方法中获取用户需求的、最优化的制造资源，是实现制造资源高度共享与增值服务、促进云制造产业推广应用的关键。目前，国内外学者对云制造环境下制造资源的优化选择进行了探索。如文献9设计了制造云服务管理原型系统的功能结构，研究了云服务组合建模描述和一致性检查、云服务组合柔性、云服务组合评估、组合优选等实现云服务组合的关键问题；文献10针对云制造环境下不同地域制造资源的选择和评价问题，建立了基于服务质量
9、(Quality of Service，QoS)的云制造资源评价指标体系，基于偏差平方和最小原理建立了指标权重的优化模型；文献11提出了包含服务时间T、服务质量Q、服务成本C、可用性A、可组合性Co、可信任性Tr、可维护性Ma和可持续性Su八大目标变量的优选目标体系，建立了一种面向新产品开发的云制造服务资源组合优选模型，并采用灰色关联度分析方法对该模型进行了分析求解；文献12在形式化描述云制造资源优化配置问题的基础上，构建了以成本、时间最小化及质量最优化的资源配置模型，并采用最大继承法对模型进行了求解；文献13为实现云制造环境下制造服务的智能优选与组合，通过对云制造服务能力、服务规范等进行形式
10、化描述，提出了云制造服务质量及信任度评价方法，建立了基于服务匹配度与全局信任度的服务优选及评价模型，并采用遗传算法对优选模型进行了求解；文献14为实现云制造的海量数据环境下的资源需求快速发布及更新、资源信息快速发现及获取，基于资源及服务的动态属性，建立了云制造三层属性结构，提出了基于资源云服务的封装、发布及发现模型，研究了基于资源云服务(Resource Via Cloud Service，RVCS)框架的云制造资源服务封装、发布和发现模型，并对实现过程中涉及的关键模块进行了分析，初步搭建了原型系统；文献15针对企业与其合作伙伴附件资源共享存在的云服务优选困难及决策效率低等问题，提出了云服务和
11、计算资源(DuaI Scheduling of CloudServices and Computing Resources，DSCSCR)的双调度方法，并采用一种新的混沌优化(RankingChaos 0ptimization，RCO)排序算法进行求解；文献16针对云服务优选问题提出了基于QoS感知的云服务优选模型，研究建立了QoS信息感知模型和量化方法，并根据变粗糙集理论确定QoS评价指标的权重，最后采用云服务选择算法求解，得出服务质量综合性能排序；文献17在云制造资源优化配置过程中考虑到设备的负荷，建立了包括时间、成本、质量和负荷平衡的四维目标优化函数，并应用蚁群优化算法对目标函数进行了求
12、解；文献18针对云制造服务组合优选问题提出了一种自适应蚁群优化算法，并在Hadoop环境中对云制造服务组合的执行路径进行了优化。以上资源优化选择方法均在传统网络化模式下得到了很好的研究和应用，但专门针对云制造环境下机床装备资源的优化选择研究较少，尚未建立比较完整的机床装备资源评价指标体系及其组合优选方法。为此，本文在以上研究成果的基础上，针对云制造环境下机床装备资源的特点及其匹配可行解域的优化选择问题，对其评价指标体系、优选模型及求解方法等进行研究和探索，并结合应用实例进行验证。1 云制造环境下机床装备资源属性特点及优选需求11 云制造环境中机床装备资源属性分析我国机床装备资源数量巨大，是制造
13、企业实现生产制造的核心能力。通过云制造服务平台接人机床装备资源，实现其网络化、集成化、服务化的运行和共享，是提升企业制造能力和竞争能力的重要方法。云制造环境下的机床装备资源具有网络化、服务化的特点，下面对云制造环境中机床装备资源的属性进行分析。(1)组合服务性云制造服务模式中，为满足用户的制造服务需求，需要多个不同类型、不同功能、不同地域的机床装备资源有序组合在一起，完成同一个制造任务或生产服务；同一个机床装备资源又可能同时与其他机床装备资源组合在一起，为其他用户提供制造服务。因此，云制造环境中多个机床装备资源组合在一起，形成云制造服务为用户提供制造服务。(2)动态演变性 由于机床装备在云制造
14、服务模式中是通过组合服务的形式满足用户需求的，而根据加工任务的不同或随着服务进程的改变，机床装备资源的状态信息、运行信息、交易信息等都会发生动态变化；同时，机床装备资源实时接人退出云制造环境中，当出现更佳的机床装备资源或某机床装备出现故障时，将导致已有的机床装备组合服务需要重新进行组合优选和服务构建，因此机床装备资源组合服务也是动态变化的。万方数据计算机集成制造系统 第22卷(3)分散异构性 云制造通过物联网、互联网、服务封装、传感器等技术，将分散在不同地域的机床装备资源虚拟化、服务化地接人云制造服务平台，实现机床装备资源的集中管控，同时又通过网络为分散在不同地域的用户提供各类制造服务。云制造
15、环境中机床装备资源的类型、型号、功能、厂商、技术参数和交易信息等方面各不相同，所提供的制造服务能力和加工服务质量也不尽相同。(4)多功能相似性云制造将各类不同的机床装备注册和发布在网络中，实现机床装备资源的高度共享。目前多数机床都属于数控类功能复合型机床装备，即一台机床可通过更换不同刀具实现不同的加工工序，或具备刀库的数控机床可同时实现多种加工功能；在云制造环境中，大量不同的机床装备资源又具有相似的功能特性或加工能力，如不同企业拥有的X5036立式升降台铣床和数控铣削中心都具备铣削加工平面的功能。(5)知识累积性云制造服务模式中，机床装备资源通过提供网络化的制造服务而产生的各类加工模型、运维技
16、术、操作经验、数控程序、工艺参数等机床装备相关知识，都会积累并存储在云制造服务平台中，形成专门的机床装备知识性资源，辅助并提升云制造环境中机床装备资源的服务能力和服务质量。12云制造环境下机床装备资源优选需求分析云制造服务模式的产生和应用为广大机床装备企业间资源的充分共享和业务的高度协同提供了新的技术路径，并推动着企业从传统生产型制造向服务型制造方向转型发展。其核心理念是分散资源的集中管理，集中资源的分散服务，核心价值是高度集成的制造资源和制造能力。这一核心价值理念也为云制造模式的推广应用带来了一定的技术瓶颈：(1)随着云制造服务平台上注册机床资源种类、规模的不断增加，机床装备的功能相似性、信
17、息模糊性等特征越发明显，使得平台用户企业根据制造任务需求搜索获得的候选机床装备资源数量越来越大，搜索效率和精度不断降低，致使用户企业选择资源的难度增加。因此，如何对量大面广的制造资源进行科学、系统的评估，进而为云制造服务平台用户选择最佳的制造资源以提供数据支撑，是当前急需解决的技术瓶颈之一。(2)云制造服务平台是一个公共的、动态的云制造服务支撑环境，其机床装备资源的运行状态、服务质量、服务可靠性等属性特征将随着云制造服务的运行而不断变化；且由于制造业务的特殊性，其制造资源特别是机床装备资源地域分布、高度自治的特点也制约着云制造服务的开展。因此，如何支持制造资源运行状态的实时跟踪和评价，亦是实现
18、云制造环境下制造资源优化选择的关键。(3)在云制造环境下，企业间的制造业务协同主要有两类：单资源的制造业务协同，即用户企业从通过大量搜索获得的候选资源列表中选择最佳资源，以支持基于网络的单资源制造业务协同；多资源的制造业务协同，即用户企业从通过大量搜索获得的、符合各子任务需求的候选资源集合中选择最佳资源组合，以支持基于网络的多资源制造业务协同。可以看出，实现制造资源的优选与组合是云制造服务优化运行的关键，也是云制造服务平台成功运行的核心。2机床装备资源评价指标体系21 机床装备资源搜索匹配评价指标在云制造环境下的机床装备资源优化选择之前，需要对符合用户需求的机床装备资源进行搜索匹配，下面结合机
19、床装备资源的属性和加工服务的特点，提出包括基本评价指标、功能评价指标和性能评价指标的匹配评价指标体系，如图1所示。云制造环境下的机床装备资源匹配评价指标体系基本评价指标l I功能评价指标l I性能评价指标机床加工类型 雾蓁霎0蓁蓁0垂萎0萋0蓁蓁0蓁茎批量合格塞图1 云制造环境F机床装备资源匹配评价指标(1)基本评价指标包括机床装备类型、机床服务可用性、服务获取方式、机床资源信誉等指标。其中：机床装备类型包括铣床、车床、磨床等，可根据用户加工零件类型的不同，选择不同类型的机床装备资源；机床服务可用性指标是指机床装备资源在云制造服务平台中是否能为用户提供制造服务，若不能，则该机床装备资源不被纳入
20、匹配及优化选择的范畴；服务获取万方数据第6期 尹超等：基于Multi-Agent的机床装备资源优化选择方法方式包括两种形式：本地服务形式(即该机床装备资源与用户距离较近，不需要物流支持)，远程服务形式(通过云平台下达制造任务，加工服务完成后需要物流支持交货)；机床资源信誉是指该用户对该服务资源的历史信誉评价综合等级，可将机床资源信誉分为15个等级。(2)功能评价指标功能评价指标是指机床装备资源能够实现制造服务的内容，包括加工形状类型、加工材料类型、加工尺寸范围、加工零件类型等。上述功能评价指标都是比较主观的概念，将功能评价指标分为四个评价层次(比较相关、比较符合、符合、完全符合)，可分别用等级
21、14来表示。即等级1表示比较相关，等级2表示比较符合、等级3表示符合、等级4表示完全符合。若用户需要加工一个轴类零件，且备选机床装备资源为数控车床，则该备选资源的加工零件类型匹配指标等级为4。(3)性能评价指标性能评价指标是对机床装备能够实现的加工制造能力的体现，包括加工尺寸精度、加工形状精度、表面粗糙度等加工精度性能指标以及单位加工率和批量加工合格率等加工能力指标。这类指标可以使用量化的数字进行评价，根据用户加工零件的需求设置相关指标最值，如加工尺寸精度达到IT6、加工形状精度达到IT7等，只有所有指标参数都满足用户设定值的机床装备资源，才能够进行优化选择。22机床装备资源优化选择评价指标异
22、地多点的机床装备资源接入云制造服务平台后，可为广大机床装备制造企业、应用企业和服务企业提供个性化的制造服务，不仅资源集成广度有所增加，而且其协同制造业务复杂度也明显提升，难以运用传统评估方法对机床装备资源进行评价和优选。下面结合云制造服务模式的运行特点和现有研究成果，提出包括加工制造时间(T)、加工制造成本(C)、加工制造质量(Q)、制造服务知识(K)、机床绿色性(E)、机床可靠性(R)、机床容错性(R)和综合满意度(S口)八维目标分量的机床装备资源优选评价指标体系，如图2所示。云制造环境下的机床装备资源优选评价指标体系加工制造时间r|加工制造成本cI|加工制造质量Q|制造服务知识j【lI机床
23、可靠性别l机床绿色性E|I机床容错性，fI J综合满意度肠加工准备时间兀加工制造时间死物流匿输时间加工服务成本c1物流服务成本c2平口服务成本生产加工精度Ql批量A口格蛊Q2表面粗糙程度知识饱有量蜀知识共享度任务执行成功蛊R1平均无故障时间R2服务安全性能月加加工材料损耗El图2云制造环境下机床装备资源优选评价指标体系(1)加工制造时间(1、)加工制造时间是指云制造服务平台中从加工制造任务形成到完成加工制造任务的时间间隔。在云制造环境下，机床装备资源的服务时间丁(S)主要包括加工准备时间T，(S)、加工制造时间T2(S)和物流运输时间T3(S)，即T(S)一T1(S)+T2(S)+T3(S)。
24、其中S泛指某机床装备资源，下文同。(2)加工制造成本(C)加工制造成本是指云制造平台中完成加工任务所需要支付的费用。根据云制造服务运行模式可知，加工制造成本C(S)主要包括加工服务成本C。(S)、物流服务成本C：(S)和平台服务成本C。(S)，制造碳排放量功能相似程度nl技术保障能力Ft2机床可维护性历史评价记录勋l企业服务信誉黝2售后服务能力即C(S)一C1(S)+C2(S)+C3(S)。(3)加工制造质量(Q)加工制造质量指标主要是对机床装备加工制造零件时能够达到的加工精度等级以及生产能力的评估，如生产加工精度、表面粗糙度、产品合格率等。设机床装备资源的加工制造质量为Q(S)，”则Q(s)
25、一：硼iq：，其中：吼为机床装备资源第if=l项服务质量指标的归一化度量值，叫i为机床装备资源第i项服务质量指标的权重(o训，1，且硼；一1)，咒为机床装备资源服务质量指标的i=1个数。万方数据计算机集成制造系统 第22卷(4)制造服务知识(K)制造服务知识主要用于衡量云制造环境下机床装备资源在工艺参数、数控程序、加工经验、技术专利等知识方面的饱有量和共享度。设机床装备资源S，拥有的知识记录总数为s“m(Si)，其制造服务知识评价指标为K(Sj)，知识饱有量为芦i，共享度为q，则K(SJ)一哗户J+叫。铆j。其中：膨一s“mm(sj)s“m(sj)，功一s“m(sJ)s“优(s，)，畔和J=l
26、叫。分别为知识饱有量和共享度的权重值(ow。，叫。1，且叫。+硼。一1)，m为云制造服务平台中同类型机床装备资源的数量，s“m(Si)为机床装备资源S，通过云制造服务平台共享的知识记录数。(5)机床绿色性(E)机床绿色性是根据当前低碳环保的要求，对云制造环境下机床装备资源的制造过程碳排放量、加工材料损耗等环境指标进行的评价。记机床装备资源S的绿色性评价指标为E(S)，则E(S)一CB+M珐。其中CE；和Mz；分别为机床装备资源S提供服务i的碳排放量和按标准煤计算的加工材料损耗，可根据文献1920提出的公式进行计算。(6)机床可靠性(R)机床可靠性R(S)指机床装备资源S在平台用户规定的时间和条
27、件下成功执行服务的能力，包括服务执行成功率S比，(S)、平均无故障时间MTTF(S)和服务安全指标SPc(S)，即R(S)一S“，(S)+MTTF(S)+Sef(S)。其中：S“，(S)一N(S)N(S)，即机床装备资源S成功完成服务次数N(s)与执行制造服务总次数N(S)的比值；M丁玎(S)一T。(S)L(S)，即机床装备资源S无故障运行时间T。(S)占在线总时间L(S)的比例；SPc(S)一N断(S)N(S)，即机床装备资源S未发生技术信息泄露、网络传输中断等服务安全性故障的P寝。(7)机床容错能力(R)机床容错能力n(S)是指机床装备资源S在执行加工任务过程中发生故障时的可替代性和可修复
28、能力，其具体指标包括机床资源功能相似度Sim胁(S)和机床可维护性屹(S)，即F(S)一Sim胁(S)+M口(S)。其中：Sim胁(S)表示机床装备资源S可被同一类制造资源替代的程度。设机床装备资源Si和S，同属于资源类A(S)，若存在U，SiU，S，则Si可替代Si。其中U胁Si表示Si所支持的服务集合。设A(S)的资源数为N船，Si的可替代资源数为Ns，则Sim胁(S，)一NsNAs。M。(S)指机床装备发生故障到恢复规定性能所需的修复时间平均值。(8)综合满意度(Sn)综合满意度S口(S)是用户对云制造平台中机床装备资源的综合评价值，包括历史评价记录、服务信誉度、售后服务能力等综合性指标
29、，即S口(S) “一A。寺s钆(s)，其中：sn为机床装备资 净1一=1源第i项满意度指标的第歹次评估值，Ai为机床装备资源第i项满意度指标的权重(oA，1，且：A：一1)，咒为机床装备资源第i项满意度指标的百评价次数，是为机床装备资源满意度指标的个数。3基于Mlll供Ag啪t的机床装备资源优选模型31 基于Mlllt卜咖lt的机床装备资源优选实现框架Agent是存在于一定环境中的软硬件实体，基本结构包括目标模块、感知器、信息处理器、效应器和通讯机制等，可根据所具备的知识以及周围发生的事件进行自动感知、推理、规划、通信，并反作用于环境，具有自主性、主动性、反应性、社会性、智能性等特点21I。M
30、ultiAgent通常由多个独立的、相互协调的Agent组成，其多个Agent之间相互通信、相互服务和相互合作，共同完成仅依靠单个Agent难以实现的复杂任务2 2|。云制造环境中，一个任务需求往往需要调用多个资源、按照一定的顺序执行才能完成，且资源数量大、组合方式多样，MultiAgent能够根据云制造环境的变化，自主采取动作以适应动态环境变化，有效构建复杂分布式信息管理系统。因此MultiAgent技术的应用可为解决云制造环境下的机床装备资源优选问题提供有效途径。基于MultiAgent的机床装备资源优选模型的实现思路是：通过调用云制造服务平台的任务需求Agent，对任务(机床装备资源)需
31、求进行规范化描述；调用任务分解Agent对任务需求进行功能分解和任务解析，形成相应的子任务；根据各子任务需求，由搜索匹配Agent利用知识Agent中存储的搜索方法进行需求资源的供需匹配，形成机床装备资源可行解域，并将结果反馈回用户；用户根据其自身的优选要求，调用平台中的评价Agent和资源优选Agent，对机床装备资源可行解域进行组合优选，进而通过资源Agent调用相应的优选制造资源。基于MultiAgent的机床装备资源优化选择实现框架如图3所示。万方数据第6期 尹超等：基于MultiAgent的机床装备资源优化选择方法图3基于MultiAgent的机床装备资源优选实现框架(1)任务需求A
32、gent 它是企业用户注册发布在云制造服务平台上的所有需求的代理，负责对每类任务需求进行属性分析、语义描述和封装，以形成相应的制造任务需求单元，记为MR。(2)任务分解Agent 主要根据云制造服务平台中的任务分解策略，对用户发布的任务需求MR按照其属性构成进行信息理解、功能分解、QoS属性解析和任务间关联度优化，以分解形成各自独立n的串行子任务序列，即MRU MR。其中：MRt=l为任务需求MR的第i个子任务，咒为任务需求分解得到的子任务个数。(3)搜索匹配Agent负责根据任务分解Agent得到的各个子任务懈i的基本信息、功能信息和QoS属性信息，借助知识Agent调用相应的匹配算法，进行
33、子任务与机床装备资源(服务)的搜索与匹配，获得相应的机床装备资源可行解域，记为FRS一(FRSl，FRS2，FRS”，FRS。)。其中FRSi为子任务MRl需求搜索匹配得到的候选机床装备资源集合，FRS，一F础，FR2，F磁，删)，即共有走个机床装备资源能够满足第i个子任务很i。(4)评价更新Agent 根据搜索匹配Agent得到的机床装备资源可行解域，对各机床装备资源的评价指标参数值进行动态更新，从而为资源的组合优选提供准确的数据支持。(5)资源优选Agent 根据平台用户对候选机床装备资源各项评价指标的权重配置，利用知识Angent中的算法，计算出满足任务需求UMR。的最优l=1资源组合，
34、并反馈给平台用户。此外，资源管理Agent负责实现对云制造服务平台中的各类机床装备资源的管理和调度；协调Agent在实现各个Agent之间协调通信的基础上，支持对其他Agent的运行监控和协调管理；知识Agent则主要为各Agent提供知识、算法等支持。图4为基于MultiAgent的机床装备资源优化选择实现流程。32基于Multi-Agent的机床装备资源优化选择数学模型由机床装备资源评价指标体系及优化选择实现框架可知，云制造环境下机床装备资源的优化选择问题本质上是多目标优化决策问题。设任务分解Agent将企业用户需求分解为一个串行子任务序列月懈一U懈，一懈。，懈2”，懈。)，搜索匹配Al=
35、lgent获得的机床装备资源可行解域FRS一(F尺S。，FRS：，FRS”，FRS)，其中，2为任务需求MR的子任务个数，FRSi一职，FR2，F磁表示子任务MR，共有志个机床装备资源可行解，则任务需求MR的资源优选即是对资源组合方案各项评价指标进行复合计算的过程，其优化选择模型如下：万方数据1480 计算机集成制造系统 第22卷-l任务需求Agent I I任务分解Agent I J资源匹配Agent f l评价更新Agent l资源优选Agent I I资源管理Agent I盯发布任务需求 任务分解请求。搜索匹配请求。匹配结果反馈记录一保存评价指标更新请求优选发起 、优化结果反馈资源调用请
36、求资源调用反馈图4基于MultiAgent的机床装备资源优化选择实现流程=t(FR；，FR；，)=Ci(FR，FR；，)一Q。(FR；，FR；，)=Ki(FR；，FR；，)=E。(FR；，FR；，)一Ri(FR；，FR；，)i=Fi(FR；，FR；，)i一i(FRj，FR；，)子任务目标分量甘0多(T，C，Q，K，E，R，R，S口)评价决策矢量 多目标优化根据优化选择模型，可得出机床装备资源优化选择的目标函数O。(MR)可表示为：8仉(躲)一硼。o牟(s。)； (1)m=lO。(S)一minT(FR；)，minc(豫；)，max(min Q(FR；)，maxK(FR；)，min奎E(FRm m
37、axR(FR；)，maxR(FR；)，i=1max(FR；)；矿。一f 1， 。一q鲁i。一0，(一一吐i。)(靠。一靠；。)，90。一靠i。o，(a)【(靠。一矿)(靠。，一矗。)，礼。一q0；。o。(b)(3)式中0。(S。)依次为一组机床装备资源可行解中T、C、Q、K、E、R、Ff和S口等评价指标的最优值，o8硼。1，且：蝴=1。各项指标的值可根据机 二i床装备资源评价指标体系中给出的量化方法及式(3)进行计算和归一化处理，其中：一为资源评价指标，嘛。为资源评价指标的最大值，靠i。为资源评价指标的最小值。在所有指标中，服务质量、服务知识、服务可靠性、服务容错性和综合满意度为效益型指标(指
38、标值越大越符合用户利益)，采用式(3b)进行归一化计算；服务时间、服务成本、服务环境为成本型指标(指标值越小越符合用户利益)，采用式(3a)进行归一化计算。恤刖蚶一，_扩乩印一鼬跏一一一一一正GQKERR&万方数据第6期 尹超等：基于Multi-Agent的机床装备资源优化选择方法 14814机床装备资源优化选择模型求解混合粒子群算法是在基本粒子群算法的基础上加入遗传算法、模拟退火算法和蚁群算法思想得到的一种智能算法2 3|。应用混合粒子群算法解决云制造资源优选的关键在于粒子初始化表示、适度函数设定和参数的确定(粒子群大小、变异策略、交叉策略、允许目标函数变坏范围)。(1)粒子初始化表示应用混
39、合粒子群算法进行云制造环境下的机床装备资源优选，首先要解决资源选择问题与粒子的映射，即粒子初始化。设每个粒子表示一个可选资源组合，即从每个待选资源集合FRS；中选取一个资源形成资源组合，则粒子搜索空间(粒子的位置空间)为N维，与每个任务所需的机床装备资源数对应。设第志个粒子可表示为pt一(纠，鹾，露，p)，其中以为从资源集合FRSi选取的第忌组可选资源对应索引，取值范围是一个离散的值域麒：1幺K，)，K，为FRSi中机床装备资源的个数。例如，可选资源组合为FRi，FRi，FR2，FRi，FR)，表示子任务MR。所选取的机床装备资源为待选资源集合FRS，中第三个资源FR；子任务MR：所选取的资源
40、为待选资源集合FRs。中的第二个资源FR；，以此类推，则映射粒子可表示为p=(3，2，6，5，3)。如图5所示。制造任务资源集合l舰- 村R2 MR3 舰 肘孤I簇 I蒺 I蓑 I蠢 I蓑I职蜀 FRS2 FRS3 FR FR合嘻群粒子图5资源组合与粒子映射实例不意图(2)适度函数设计根据上述目标函数可知，机床装备资源优化选择的目标就是选择时间、成本、环境影响最小，质量、知识、可靠性、容错性和综合满意度最高的资源组合。为此，本文设计混合粒子群算法的适度函数如下：Nfitness(p)一叫。(T(FR)一1+j=1N N叫。(c(职)一1+叫。Q(职声)+叫。K(FR巧)+叫。(E(FR)一1+
41、=1 j=lN N NsR(FR)+叫，R(FR乒)+j=I =l =1N叫8 I|&(FR)。 (4)，一l式中(u1，2，叫3，(cJ4，c，5，6，cU7和cJ8分别表示需求用户对机床装备资源评价指标对于时间、价格、服务质量、可靠性、可替换性和安全性制定的权重比。适度函数fitness(p1)越大，表示该粒子pi越优秀。(3)变异策略、交叉策略由于混合粒子群算法是在基本粒子群算法的基础上变换而来，在混合粒子群算法中对于基本粒子群算法中的速度更新公式可用遗传算法的变异操作和交叉操作进行替换，让当前解与个体极值和全局极值分别作交叉操作，产生的解为新的位置。本文设计混合粒子群优化算法的变异策略
42、和交叉策略如下：1)变异策略：在粒子户一硝，硝，钟，熊)中，随机选择第J1位和第歹2位的值，在粒子中交换第J1位和第J2位的值，粒子其余位置的值保持不变，则可得到的新粒子户。例如粒子po一(o，1，2，3，4，5，6，7，8，9)，f13(粒子第3位的值为2)，歹26(粒子第6位的值为4)，则变异后得到新的粒子为声。一(O，1，5，3，4，2，6，7，8，9)。2)交叉策略：粒子矿和粒子户1的交叉操作，是在户1中随机选取一个交叉区域，将该交叉区域加到户。的对应位置，删除粒子矿中已在户1的交叉区域中出现过的值。例如两个粒子分别为：户。=(1，2，3，4，5，6，7，8，9)和p1一(9，8，7，
43、6，5，4，3，2，1)，若交叉区域为(6，5，4，3)，则交叉后得到的新粒子为夕=1，2，6，5，4，3，7，8，9)。(4)粒子维度取值范围和适度函数接受范围粒子每个维度取值是离散的值域1蔹Mi，在完成变异或交叉操作后，粒子某一维度的取值可能超出了其值域，因此若维度取值超出了值域，则需要对粒子进行极值处理，即若俄Mj，则讲一Mj。对粒子进行变异和交叉操作后，得到的新粒子可能比原有粒子的位置要差，即新粒子的适度函数值可能小于原有粒子的适度函数值，需要对新粒子制定接受准则，从而在一定范围内接受变异操作和交叉操作并得到新的粒子。接受准则采用模拟退火算法的思想，允许适度函数莅有限的万方数据计算机集
44、成制造系统 第22卷范围内变坏。为简化计算量，并不按概率取舍，而是直接按8进行取舍，e为按允许适度函数变坏的范围。本文设计了基于混合粒子群算法的云制造资源优选算法，其算法步骤如下：步骤1设定粒子数n。，规定迭代次数咒。，随机产生咒。各初始解(初始资源组合)po。步骤2 根据当前粒子计算适度函数值fitness。，设置当前适度函数值为个体极值户z沈眠当前粒子为个体极值最佳粒子户c阮s，根据各个粒子的个体极值户Z沈盯，找出全局极值gz钯盯和全局最佳粒子gc6e5：While(迭代次数规定迭代次数押。) doFor“一1：卵。将第“个粒子户o(“)与gc船s进行交叉操作，得到声o(“)；将；o(“)
45、与夕f托sf进行交叉操作得到；1(z)；对；1(甜)进行变异操作，得到(“)；根据适度函数计算新粒子的适应函数值fitneSSl；计算粒子经过交叉和变异操作所引起的适度函数值的变化量；若P则接受新粒子；否则拒绝，第“个粒子户1(“)仍为po(M)；若fitnessl(“)一户Z6esf(甜)，贝0户c6esf(“)=p1(M)，声Z69sf(“)一fitnes8l(“)；End For。步骤3根据各个粒子的个体极值pz沈sf，找出全局极值gz6Psz和全局极值最佳的粒子gc沈盯：户o+p1；End While步骤4输出全局极值gz如sf和全局极值最佳的粒子gf6esf，最佳粒子gc6P盯即为最
46、优云制造组合的编码。5 实验仿真设基于MultiAgent的机床装备资源优化选择模型中的任务分解Agent将用户需求分解，得到子任务序列MR一MRl，MR2，MR。，MR。，MR5，MR。)；搜索匹配Agent根据子任务序列MR搜索得到的机床装备资源可行解域FRS一FRS。，FRS。，FRS。，FRS。，FRS；，FRS。)，其具体评价指标值如表1所示。表l待选资源的评价指标值注：1单位为h；C单位为兀；Q为服务质量评价值；K为知识分享率；E为机床装备服务过程中的碳排放量；R为机床可靠性，Ff为机床容错性；s。为综合满意度。设定离子数咒。=10，最大迭代次数佗。一1 000，适度函数变坏的范围
47、e一一o1。适度函数中1一O20，珊2020，3020，4010，ccJ5=O10，cu6一O05，7一O05，8=O10，应用MATLAB数学计算工具编写混合粒子群算法程序，对上述资源组合进行优化选择。经过计算，求得适度函数的最大值为2358 9，最佳资源组合为(3，3，1，1，4，1)，即选取资源组合为FRSi，职Si，FRSj，FRSj，FRs，FRs)。算法求解结果如图6和图7所示。-I蝴嘲槲嘲瑚坤瓣￥_峨瓣；$穗蹙蕊辅戳辩煳黼蛳；g瓣l瓣鞲麟毒鬻i弱赫$t搬g；g!l；缵赫霸*辫辫瀚端鬻勰溱鬻鬻。*j；m黥警2z：m*a鬻黼t -x etk，q枷“|I“。一。n、枷一I”舢、，一 ，
48、：ml”j-*2_|m-，*H j 1-I_t r_4rf=1，rf一一l pq：，、wf|- l、，t-I+l-，t讲f，“ ：h一爵茹一。；i；r“i；蜮；莓赫强曙黑麓曩*；科鼙o i二赫；i二：=二_=图6混合粒子群算法的部分MATLAB程序代码万方数据第6期 尹超等：基于Multi-Agent的机床装备资源优化选择方法 1483“_-_o 自童謦。1粤_、啊-孵啭2，鼍!L：二_。搿受州“，。” 蛾。#紫“m 6躬 _。o*：酬_茹o啦-舞嘣k=：五孽喇k_蹦州-_轴州*-“址蚰出“山h_一岫日厶码如：8上-n_4 j-6 结束语图7实验仿真结果本文针对云制造环境下制造环境变化快、服务制约因素多、资源优化选择难度大等特点，首先建立了机床装备资源匹配评价指标和包括服务时间(T)、