首页|工业互联网环境下位置感知的生产要素资源服务组合优化

工业互联网环境下位置感知的生产要素资源服务组合优化

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
工业互联网将工业系统与互联网技术相结合,通过与智能设备的配合显著提高生产效率、降低生产成本.在工业互联网环境下,一个生产过程通常由多个子任务组成,同时一个子任务的完成需要多个或多种生产要素资源.与互联网环境下的传统服务组合相比,工业应用下的服务组合更为复杂且具有挑战性.为解决工业互联网环境下生产要素资源的服务组合优化问题,本文定义了该问题的关键概念,并将其建模为一个多目标优化问题.其次,为得到最优的服务组合解,结合教学优化算法(TLBO)和禁忌搜索算法(TS)的优点,提出一种混合的多目标优化算法,称为TLBO-TS.最后,进行了一系列的扩展实验.实验结果验证了 TLBO-TS算法的优越性.
Location aware service composition optimization for production factor resource under industrial Internet
The Industrial Internet combines industrial systems with Internet techniques to significantly improve pro-duction efficiency and reduce cost by cooperating with intelligent devices.Under the Industrial Internet environment,a production process usually consists of multiple tasks,and one or more types of product factors are needed to finish a task.Thus,the service composition under industrial application is complex and challenging compared with tradi-tional service composition under the Internet environment.To solve the problem of service composition for production factor resource under Industrial Internet,the key concepts was defined,and was modeled as a multi-ob-jective optimization problem.To derive the optimal service composition solution,a hybrid optimization algorithm was proposed by combining the advantages of Teaching Learning Based Optimization algorithm(TLBO)and Tabu Search algorithm(TS),which named TLBO-TS.A series of extended experiments was conducted,and the result showed that the TLBO-TS method had better optimality.

industrial Internetproduction factor resourceservice compositionhybrid algorithmmulti-objective op-timization

谢润彬、康国胜、刘建勋、文一凭、丁领航

展开 >

湖南科技大学服务计算与软件新技术湖南省重点实验室,湖南 湘潭 411201

湖南科技大学计算机科学与工程学院,湖南 湘潭 411201

中国信息通信研究院,北京 100045

工业互联网 生产要素资源 服务组合 混合算法 多目标优化

国家重点研发计划资助项目国家自然科学基金资助项目国家自然科学基金资助项目湖南省自然科学基金资助项目湖南省教育厅资助项目湖南省教育厅资助项目

2020YFB170760261872139621770142022JJ3026220B24420B222

2024

10.13196/j.cims.2023.BPM23

计算机集成制造系统
中国兵器工业集团第210研究所

计算机集成制造系统

CSTPCD北大核心
影响因子：1.092
ISSN：1006-5911
年,卷(期)：2024.30(8)