一种基于复杂网络的制造网格复杂任务资源节点选择方法
【专利摘要】本发明涉及一种基于复杂网络的制造网格复杂任务资源节点选择方法，包括以下步骤：将复杂制造任务分解成适合于网格资源节点加工的子任务，分析各个子任务之间的关联约束，从而构建制造网格资源节点复杂网络；在此基础上对资源节点的度及其分布、节点的角色、节点间的平均路径长度和各个节点的聚类系数等动力学特性进行分析，并结合4个优化指标TQCS，采用传统全局最优选择算法即可进行资源节点优化选择。本发明方法能从复杂网络的角度提高制造网格环境下资源节点的全局优化选择能力，因此非常适用于制造网格动态资源环境中，适合求解大规模的动态资源选择问题。
【专利说明】一种基于复杂网络的制造网格复杂任务资源节点选择方法
【技术领域】
[0001]本发明涉及制造网格【技术领域】，尤其涉及一种基于复杂网络的制造网格复杂任务资源节点选择方法。
【背景技术】
[0002]在以制造资源和服务共享为基础的制造网格环境下，资源的选择及其优化调度方法是资源共享和协同的关键。为了使制造用户“在合适的时间以合适的方式使用合适的资源”，国内外许多学者针对Globus资源管理体系中的不足，提出了各自的资源选择方法。可以归纳为以下几点:
(I)基于智能算法模型的资源选择
基于智能算法的资源选择方法比较适合资源对象不明确的情况，它根据输入输出数据用神经网络等智能方法来确定黑箱模型。一些学者将智能化方法，如神经网络、蚁群算法、禁忌搜索算法、遗传算法、多智能体等用于制造资源的选择中，取得一些研究成果。这类方法的优点很明确，具有以下共同的要素:自适应的结构、随机产生的或指定的初始状态、适应度的评测函数、修改结构的操作、系统状态存储器、终止计算的条件、指示结果的方法、控制过程的参数。这些智能优化算法具有自学习、自组织、自适应的简单特征和简单、通用、鲁棒性强、适于并行处理的优点，在并行搜索、联想记忆、模式识别、知识自动获取等方面得到广泛的应用。但这些方法的缺点同样明显，对于制造网格多资源动态的复杂资源选择而言，由于不了解复杂资源对象的内部结构，因此不能有效地指导后续的选择算法设计。同时，当资源选择规模进一步扩大特别是在动态调度环境中，这类方法满足不了实时性的要求，故这类方法适合求解适当规模的静态资源选择问题。
[0003](2)基于图论模型的资源选择
最早将图论模型用于资源选择问题的是Balas于1969年提出的析取图，析取图是最简单的一种图论模型，通过此种描述，每种资源选择实现都可以看作是该图中的一条路径，因此极小化最后一个任务完成时间的选择目标可以看成是提取其中的某个完备子图使得其中的最大路径极小化；排队论网络模型在资源选择中的应用也得到研究，在排队理论中，每个制造资源作为节点，每个节点上子任务的堆积视为该节点上的队列，如果两个节点之间的队列有直接关联，即如果一个任务在某个节点上加工完紧接着还要到另一个节点上加工，则该两个节点对应的节点有边相连，从而使得选择问题一定程度上可以采用排队论理论来求解。一些学者将Petri网模型用于制造网格的资源选择问题中，取得一定效果。由于该类模型非常注重细节，因此具有极强的描述能力，但也正因为如此，Petri网的状态空间会存在指数爆炸问题，这限制了该模型更为广泛的应用；莫瑜等将节点着色模型应用到制造网格的资源管理中，其出发点是为了完成一定量的任务所需要的某种资源的最少量。通常完成一定量的任务可以用一个网络图来表示，而计算某种资源的最少量则可以相应地转化为该网络图上的节点着色问题。节点着色模型由于它的图论本质，具有形象化的优点，同时它的描述方法比Petri网简单很多。[0004]所有这些模型都有一个共同的假设，即在分析具体问题时，图的结构都必须是固定的，即必须是一个静态的图。比如对于析取图而言，如果网络结构一直在变化，要从中提取出一条最长路径几乎是不可能的；对于Petri网而言，所分析的也是一个静态的图，即所有待处理的事件都需要提前给定；节点着色模型只能针对一类比较狭窄的选择问题，即选择目标必须是某类资源的某种个数最少，这一事实限制了这类模型的应用范围，无法解决制造网格环境下多资源、动态异构的复杂资源选择问题。
【发明内容】
[0005]本发明要解决的技术问题在于针对现有技术中资源选择方法在制造网格分布、动态环境下复杂制造任务资源节点选择上的不足，提供一种基于复杂网络的制造网格复杂任务资源节点选择方法，以解决制造网格环境下多资源、动态异构的资源节点的全局优化选择问题。
[0006]本发明解决其技术问题所采用的技术方案是:一种基于复杂网络的制造网格复杂任务资源节点选择方法，包括以下步骤:
(I)对复杂制造任务进行分解:根据制造任务要求，复杂制造任务分解成适合于网格资源节点加工的可并行或串行执行的相关的η个子任务\ (i =1,2, -η)；
具体如下:
1.1)将复杂制造任务T按加工需求分解成η个子任务ti ；
1.2)如果\是最小子任务，则进入步骤2);否则进入步骤(1.3)；
1.3)对非最小子任务进行满意度测评，若达到任务分解平均满意度后则不必再分解，进入步骤2);否则回到步骤1.1)继续对该任务进行分解；
2)对分解后的子任务进行约束关系分析，构建制造网格中针对复杂制造任务的制造资源连通图，形成制造网格资源节点复杂网络；
具体如下:
2.1)对步骤(I)中分解的子任务进行约束关系分析，所述约束关系包括自由约束、并联约束和串联约束；
2.2)根据各子任务之间的关联约束关系，构建制造网格中针对复杂制造任务的制造资源连通图；
2.3)约束关系将复杂制造任务T的子任务\在网格上的各个资源节点之间进行分配，获得各个子任务的所有分配组合，将每种组合对应一种制造网格资源节点调度的网络结构，从而在制造网格中构建针对复杂制造任务T的制造资源节点复杂网络；
3)对制造网格复杂网络包括节点的度及其分布、节点的角色、节点间的平均路径长度和各个节点的聚类系数的动力学特性进行分析；
4)确定完成复杂制造任务T的4个优化指标TQCS，按照需要设置这4个优化指标TQCS的权重系数；所述优化指标TQCS为:T:执行时间最小；Q:完工质量最好；C:执行成本最低；S:服务质量最佳；
5)用全局最优选择算法对制造网格的资源节点进行优化选择。
[0007]按上述方案，所述步骤1.3)中满意度测评的方法为:
设计组通过模糊变量集{很不满意，不满意，一般，满意，很满意}来表示，并分别以数值{0,0.25，0.5,0.75，1}来量化表示；平均满意度设计为:
【权利要求】
1.一种基于复杂网络的制造网格复杂任务资源节点选择方法，其特征在于，包括以下步骤: (I)对复杂制造任务进行分解:根据制造任务要求，复杂制造任务分解成适合于网格资源节点加工的可并行或串行执行的相关的η个子任务^ (i =1,2, -η)； 具体如下: 1.1)将复杂制造任务T按加工需求分解成η个子任务ti ； 1.2)如果\是最小子任务，则进入步骤2);否则进入步骤(1.3)； 1.3)对非最小子任务进行满意度测评，若达到任务分解平均满意度后则不必再分解，进入步骤2);否 则回到步骤1.1)继续对该任务进行分解； 2)对分解后的子任务进行约束关系分析，构建制造网格中针对复杂制造任务的制造资源连通图，形成制造网格资源节点复杂网络； 具体如下: 2.1)对步骤(1)中分解的子任务进行约束关系分析，所述约束关系包括自由约束、并联约束和串联约束； 2.2)根据各子任务之间的关联约束关系，构建制造网格中针对复杂制造任务的制造资源连通图； 2.3)约束关系将复杂制造任务T的子任务\在网格上的各个资源节点之间进行分配，获得各个子任务的所有分配组合，将每种组合对应一种制造网格资源节点调度的网络结构，从而在制造网格中构建针对复杂制造任务T的制造资源节点复杂网络； 3)对制造网格复杂网络包括节点的度及其分布、节点的角色、节点间的平均路径长度和各个节点的聚类系数的动力学特性进行分析； 4)确定完成复杂制造任务T的4个优化指标TQCS，按照需要设置这4个优化指标TQCS的权重系数；所述优化指标TQCS为:T:执行时间最小；Q:完工质量最好；C:执行成本最低；S:服务质量最佳； 5)用全局最优选择算法对制造网格的资源节点进行优化选择。
2.根据权利要求1所述的制造网格复杂任务资源节点选择方法，其特征在于，所述步骤1.3)中满意度测评的方法为: 设计组通过模糊变量集{很不满意，不满意，一般，满意，很满意}来表示，并分别以数值{0,0.25,0.5,0.75,1}来量化表示；平均满意度设计为:
3.根据权利要求1所述的制造网格复杂任务资源节点选择方法，其特征在于，步骤3)中动力学特性分析采用以下公式: 其中，资源节点平均度k表达为:
4.根据权利要求1所述的制造网格复杂任务资源节点选择方法，其特征在于，所述全局最优选择算法为遗传算法或禁忌搜索算法。
【文档编号】H04L29/08GK103944998SQ201410180427
【公开日】2014年7月23日 申请日期:2014年4月30日 优先权日:2014年4月30日
【发明者】尹勇, 撒继铭, 周祖德 申请人:武汉理工大学