文 | 山人
編輯 | 山人
«——【·前言·】——»
目前，中國農業裝置廠分布呈現分散化、小型化的特點，導緻農業裝備制造業裝置利用不平衡。許多小型農機廠還停留在工廠中的房間生産階段，生産效率低，管理混亂。
為了提高生産效率，小型農機廠已經開始通過雲服務平台組織生産。然而，在農業裝備的制造過程中使用了大量需要現場生産的非标部件，其品質難以量化，導緻農業裝備雲服務的準确性和效率難以提高。
雲制造是先進資訊技術、制造技術和新興物聯網技術相結合的産物。在雲制造中，工廠的加工資訊被虛拟化和數字化，并被封裝為雲服務池，為個人使用者共享資源。
在雲制造過程中，将制造任務分解為若幹個子任務，并為每個子任務比對相應的雲服務組合;然後選擇具體服務。子任務之間存在明顯的互相制約，是以子任務的優化成為一個多元度的問題，限制了雲服務的精度和效率。
目前，人工智能算法因其尋優速度快而被廣泛應用于複雜的優化問題，如遺傳算法(GA)、粒子群算法(PSO)、MAX-MIN螞蟻系統(MMAS)、人工蜂群算法(ABC)、螢火蟲算法等。
庫瑪和巴瓦提出了一種廣義蟻群優化算法(generalized ant colony optimizer, GACO)，但GACO并未在具體模型中進行測試，是以GACO的實用性有待進一步探索。
随着中國農業的發展，越來越多的裝置用于農業生産，是以有必要提高農業裝備制造中雲服務優化的準确性和效率。為此，本文提出了一種基于動态人工反蜂群算法的雲服務優化新方法。
首先，将動态系數政策和可靠性回報更新政策應用到服務品質(QoS)評價模型中，增強數學模型在農業繁忙環境下的适用性。
其次，DAABA是基于人工蟻群算法和蜂群算法設計的。在變異運算中加入傳統的人工蜂群算法，提高最優解的精度;采用最優融合評估政策和疊代調整門檻值政策，提高農業裝備制造雲服務的精度和效率。
最後，通過理論推導和仿真驗證了DAABA算法的收斂性;通過實驗仿真驗證了DAABA的精度和效率高于GA、ABC和MMAS。
數學模型
1.農業裝備制造中的雲服務優化流程
由于農業生産具有較強的季節性特征，農業裝備的制造任務往往集中在繁忙的農作中。在大規模訂單的情況下，合理的方案可以顯著提高工廠的效率。
是以，有必要對雲制造過程進行分析。如下圖所示，将制造任務分解為多個子任務，并為每個子任務比對相應的雲服務組合;然後按一定順序從相應的雲服務中選擇最優工廠，進而确定最優制造方案。
具體流程可分為以下幾個步驟:
（1）.制造任務分解:通過雲平台将農用裝備制造任務T分解為n個子任務ST。
（2）.子任務分類:根據處理技術的要求，為每個子任務比對相應的雲服務組合，其中CSA表示包含m個工廠F的雲服務組合。
（3）.子任務比對:在分析了雲服務組合中m個工廠的制造能力後，利用QoS評估模型将每個子任務STi與工廠Fi,j進行比對，其中i表示第i個子任務，i=1,2，…， j表示第j家工廠，j=1, 2，…, n。
2.QoS評價模型分析
服務品質(QoS)評估模型經常用于各種優化問題，是以本文采用QoS評估模型進行雲服務優化。考慮到計算方法的通用性，僅以可靠性(RE)、制造水準(ML)、規模(SE)和距離(DT)作為評價名額建立QoS評價模型。
可靠性(RE)。可靠性主要是由生産品質和工廠的信譽決定的。在農業裝備制造中，信譽越高的工廠，可靠性越高。在繁忙的時候，農業裝置承擔着繁重的生産任務，容易出現故障。
是以，為了保證農業生産，必須降低故障率，這就對農業裝置的可靠性提出了更高的要求。為了獲得農民的信任，必須優先考慮可靠性高的工廠。這部分資料是由工廠提供的。
制造水準(ML)。樂制造水準主要由技術人員的能力和制造工廠中的房間的精度決定。制造水準越高的工廠生産的農業裝置越好。這部分資料是由工廠提供的。
規模(SE)。工廠規模可以代表生産效率。随着工廠規模的擴大，在制造過程中花費的時間将會縮短，這是農業繁忙的農業裝備制造的理想狀況。這部分資料是由工廠提供的。
距離(DT)。距離可以表示運輸過程中的成本，主要用于解決制造過程中的TSP問題。這部分資料是從工廠提供的坐标轉換而來的。
可靠性回報更新。在農業裝備的制造過程中使用了大量的部件，這些部件分為标準件和非标準件。
但非标準部件需在現場加工，可靠性受原材料、人員等外部因素的影響。為了保證農用裝備的品質，必須嚴格控制非标部件的可靠性。
是以，采用回報更新政策，在每輪制造後及時更新各工廠的可靠性。
對于标準件，可靠性高，不需要過多考慮;對于非标準件，可靠性變化很大，是以必須優先考慮可靠性高的工廠。
通過調整QoS評價模型中可靠性的比例，選擇不可靠的工廠，進一步保證農用裝備的品質。如果采用固定系數來調整可靠性的比例，會出現一些不連續點。
是以，結果會有很強的波動。根據資料分析，提出了一種動态系數法來解決這一問題。QoS評價模型可表示為下邊的公式:
組合評價名額可以看作是各個評價名額的聚合，聚合方法與子任務的結構有關。在本文中，制造方案具有順序結構，是以具體的聚合函數如下表所示。
QoS值可由下式計算，其中c1、c2、c3、c4為專家給出的值:
一般來說，基于QoS模型的雲服務優化問題的求解相當于尋找QF函數的最大值。函數值越大，性能越好。
基本算法
目前，人工智能算法在優化問題中得到了廣泛的應用，并取得了良好的效果。DAABA是改進的人工蟻群算法和人工蜂群算法的改進算法。
- 最大——最小螞蟻系統(MMAS)
MMAS的參數初始化、資訊素初始化、啟發式函數、狀态轉移規則、适應度函數、資訊素更新等操作如下表所示：
MMAS的優勢主要表現在以下兩個方面:
- 算法具有并行化的潛力，進而具有較強的魯棒性和高效率。
- 算法在早期具有較強的全局搜尋能力。
- 人工蜂群(ABC)算法。
2005年，卡拉波加提出了人工蜂群算法。ABC算法憑借強大的全局搜尋能力，成功地應用于優化問題中。ABC包括四個基本要素:蜂蜜來源、雇傭蜜蜂、圍觀者蜜蜂和偵察蜜蜂。
ABC的基本操作包括蜜源适應度函數、跟随機率和檢測，如下表所示。
ABC算法的搜尋範圍是随機确定的，增強了全局搜尋的能力。但是，前期精度低，後期收斂速度慢是明顯的缺點。
動态人工抗蜂群算法設計
考慮到MMAS和ABC的優缺點，本文提出了DAABA。與改進蟻群算法和傳統人工蜂群算法相比，DAABA在三個方面進行了改進:
(1)提高了早期搜尋的準确性。首先，DAABA調用MMAS來獲得更好的基本解決方案。當MMAS在後期出現停滞行為時，采用最優融合評估政策，減少無用計算。
(2)增強全局搜尋能力。與傳統的人工蜂群算法相比，帶突變操作的算法可以增強全局搜尋能力。
(3)優化後期的搜尋能力。
當可行解接近最優解時，采用疊代調整門檻值政策增加蜂群數量。是以，可以更快地找到最優解。
- 最優融合評估政策
傳統的混合算法通過設定固定的疊代次數來控制結合點，即使收斂效果并不理想。在調用ABC之前，算法必須執行幾次無用的疊代，這使得混合算法的速度很慢。為了加快速度，采用了最優融合評估政策。
當MMAS出現停滞行為時，及時調用ABC，避免了計算資源的浪費。最優融合評估政策的具體步驟如下:
(1)将MMAS的最小疊代次數和最大疊代次數設定為NAmin和NAmax。
(2)當下圖所示的條件滿足時，終止MMAS并調用ABC:
- 疊代調整門檻值政策
在早期，DAABA利用MMAS強大的全局搜尋能力，快速收斂到最優解的範圍内。在後期，DAABA利用ABC優秀的優化能力，快速搜尋最優解。
ABC的搜尋精度與蜂群數量直接相關，蜂群數量越大，搜尋精度越高。然而，随着蜂群數量的增加，計算負擔會迅速增加。
為了在降低計算複雜度的同時提高DAABA的精度，本文采用了疊代平差政策。設計了一個門檻值NBj來調整人口增長的時間。NBj可由下式計算，其中NBmax表示最大疊代次數，φ表示調整系數。
當ABC的疊代次數大于NBj時，增加蜂群的數量，進一步尋找最優解。
模拟和實驗
5.1. 模拟
為了保證農業裝備制造能夠及時完成，需要進行仿真實驗來驗證DAABA的可靠性。仿真的具體步驟如下:
(1)農業裝備制造任務從1到6編号。每個任務又分為10個子任務，包括模鍛、擠壓、軋制、拉伸、切割、熔焊、水射流切割、等離子切割、銑削、剪切等加工工藝。
(2)将每個雲服務組合中的工廠編号為1 ~ 40，并根據評價名額對制造資訊進行處理。
(4)農業裝備制造業雲服務優化結果如下圖所示。結果表明，經過200次疊代後，DAABA趨于收斂，再次證明了DAABA的收斂性。
- 通過雲服務池的任務配置設定，實作多個農業裝備制造任務同時進行。多個制造任務的結果如下圖所示，其中橫軸和縱軸代表虛拟平面坐标，每個點代表一個工廠，每個色環代表一個完整的農業裝備雲制造方案。
5.2. 比較實驗
為了驗證DAABA在雲服務優化中的準确性，進行了基于DAABA、GA、MMAS和ABC的實驗。
各算法的控制參數如下表所示。
所有算法都針對9個大規模問題進行了測試，測試規模如下表所示。
每個算法重複20次以減少誤差，優化結果如下圖所示，其中任務大小表示為T (n,m)， m為子任務個數，n為每個子任務在雲服務組合中的工廠個數。
為了驗證DAABA在雲服務優化中的速度，在DAABA和ABC上進行了實驗。每種算法的平均耗時如下圖所示。
綜上所述，DAABA的性能優于其他幾種，更适合解決農業裝備雲服務優化中的大規模問題。
結論
農業裝備制造過程中使用了大量非标部件，其品質難以量化，限制了農業裝備制造雲服務的效率和準确性。
針對這一問題，本文提出了一種雲服務優化方法，提出了可靠性回報更新政策和動态系數政策，調整可靠性在評估模型中的比例，提高農用裝備的品質。
為了提高農業裝備雲制造的精度和效率，提出了一種動态人工抗蜂群算法(DAABA)。
在DAABA中，采用最優融合評估政策及時調用ABC，減少了不必要的疊代，縮短了計算時間，提高了雲服務的運作速度。
在ABC中加入突變操作，直接更新蜜源，使優化能力最大化。
采用疊代調整門檻值政策，增加蜂群數量，提高雲服務的準确性，同時降低後期的計算複雜度。
最後，通過理論推導和仿真驗證了DAABA算法的收斂性，通過基于DAABA、GA、MMAS和ABC的實驗，驗證了DAABA的性能。
結果表明，DAABA在農業裝備制造業雲服務優化中的精度和效率優于其他方法。
參考文獻：
[1] G. Geng and K. Li,“Research and application of digital design and manufacturing technology of agricultural machinery,”Agro Food Industry Hi-Tech, vol. 28, no. 1, pp. 2891–2894, 2017.
[2] G. Ozogul,“Effffects of changing concepts and conditions of agricultural production to agricultural machinery manufacturing sectorin globalizing world,”Journal of Food Agriculture and Environment, vol. 10, no. 3-4, pp. 456–462, 2012.
[3] B. Ben, R. Ihab, and L. Wang, “Cloud manufacturing: current trends and future implementations,”Journal of Manufacturing Science & Engineering, vol. 137, no. 4, Article ID 044001, 2015.
[4] Y. Cao, S. Wang, L. Kang, C. Li, and L Guo,“Study on machining service modes and resource selection strategies in cloud manufacturing,” Ae International Journal of Advanced Manufacturing Technology, vol. 81, no. 1–4, pp. 597–613, 2015.
[5] Y.-L. Luo, L. Zhang, F. Tao et al.,“A modeling and description method of multidimensional information for manufacturing capability in cloud manufacturing system,”Ae International Journal of Advanced Manufacturing Technology, vol. 69, no. 5–8, pp. 961–975, 2013.
[6] M. Cygan, L. Kowalik, and A. Socala,“Improving TSP tours using dynamic programming over tree decompositions,”European Symposium on Algorithms, vol. 15, no. 4, pp. 1–19, 2019.