文 | 山人
编辑 | 山人
«——【·前言·】——»
目前，中国农业设备厂分布呈现分散化、小型化的特点，导致农业装备制造业设备利用不平衡。许多小型农机厂还停留在车间生产阶段，生产效率低，管理混乱。
为了提高生产效率，小型农机厂已经开始通过云服务平台组织生产。然而，在农业装备的制造过程中使用了大量需要现场生产的非标部件，其质量难以量化，导致农业装备云服务的准确性和效率难以提高。
云制造是先进信息技术、制造技术和新兴物联网技术相结合的产物。在云制造中，工厂的加工信息被虚拟化和数字化，并被封装为云服务池，为个人用户共享资源。
在云制造过程中，将制造任务分解为若干个子任务，并为每个子任务匹配相应的云服务组合;然后选择具体服务。子任务之间存在明显的相互制约，因此子任务的优化成为一个多维度的问题，限制了云服务的精度和效率。
目前，人工智能算法因其寻优速度快而被广泛应用于复杂的优化问题，如遗传算法(GA)、粒子群算法(PSO)、MAX-MIN蚂蚁系统(MMAS)、人工蜂群算法(ABC)、萤火虫算法等。
库玛和巴瓦提出了一种广义蚁群优化算法(generalized ant colony optimizer, GACO)，但GACO并未在具体模型中进行测试，因此GACO的实用性有待进一步探索。
随着中国农业的发展，越来越多的设备用于农业生产，因此有必要提高农业装备制造中云服务优化的准确性和效率。为此，本文提出了一种基于动态人工反蜂群算法的云服务优化新方法。
首先，将动态系数策略和可靠性反馈更新策略应用到服务质量(QoS)评价模型中，增强数学模型在农业繁忙环境下的适用性。
其次，DAABA是基于人工蚁群算法和蜂群算法设计的。在变异运算中加入传统的人工蜂群算法，提高最优解的精度;采用最优融合评估策略和迭代调整阈值策略，提高农业装备制造云服务的精度和效率。
最后，通过理论推导和仿真验证了DAABA算法的收敛性;通过实验仿真验证了DAABA的精度和效率高于GA、ABC和MMAS。
数学模型
1.农业装备制造中的云服务优化流程
由于农业生产具有较强的季节性特征，农业装备的制造任务往往集中在繁忙的农作中。在大规模订单的情况下，合理的方案可以显著提高工厂的效率。
因此，有必要对云制造过程进行分析。如下图所示，将制造任务分解为多个子任务，并为每个子任务匹配相应的云服务组合;然后按一定顺序从相应的云服务中选择最优工厂，从而确定最优制造方案。
具体流程可分为以下几个步骤:
（1）.制造任务分解:通过云平台将农用装备制造任务T分解为n个子任务ST。
（2）.子任务分类:根据处理技术的要求，为每个子任务匹配相应的云服务组合，其中CSA表示包含m个工厂F的云服务组合。
（3）.子任务匹配:在分析了云服务组合中m个工厂的制造能力后，利用QoS评估模型将每个子任务STi与工厂Fi,j进行匹配，其中i表示第i个子任务，i=1,2，…， j表示第j家工厂，j=1, 2，…, n。
2.QoS评价模型分析
服务质量(QoS)评估模型经常用于各种优化问题，因此本文采用QoS评估模型进行云服务优化。考虑到计算方法的通用性，仅以可靠性(RE)、制造水平(ML)、规模(SE)和距离(DT)作为评价指标建立QoS评价模型。
可靠性(RE)。可靠性主要是由生产质量和工厂的信誉决定的。在农业装备制造中，信誉越高的工厂，可靠性越高。在繁忙的时候，农业设备承担着繁重的生产任务，容易出现故障。
因此，为了保证农业生产，必须降低故障率，这就对农业设备的可靠性提出了更高的要求。为了获得农民的信任，必须优先考虑可靠性高的工厂。这部分数据是由工厂提供的。
制造水平(ML)。乐制造水平主要由技术人员的能力和制造车间的精度决定。制造水平越高的工厂生产的农业设备越好。这部分数据是由工厂提供的。
规模(SE)。工厂规模可以代表生产效率。随着工厂规模的扩大，在制造过程中花费的时间将会缩短，这是农业繁忙的农业装备制造的理想状况。这部分数据是由工厂提供的。
距离(DT)。距离可以表示运输过程中的成本，主要用于解决制造过程中的TSP问题。这部分数据是从工厂提供的坐标转换而来的。
可靠性反馈更新。在农业装备的制造过程中使用了大量的部件，这些部件分为标准件和非标准件。
但非标准部件需在现场加工，可靠性受原材料、人员等外部因素的影响。为了保证农用装备的质量，必须严格控制非标部件的可靠性。
因此，采用反馈更新策略，在每轮制造后及时更新各工厂的可靠性。
对于标准件，可靠性高，不需要过多考虑;对于非标准件，可靠性变化很大，因此必须优先考虑可靠性高的工厂。
通过调整QoS评价模型中可靠性的比例，选择不可靠的工厂，进一步保证农用装备的质量。如果采用固定系数来调整可靠性的比例，会出现一些不连续点。
因此，结果会有很强的波动。根据数据分析，提出了一种动态系数法来解决这一问题。QoS评价模型可表示为下边的公式:
组合评价指标可以看作是各个评价指标的聚合，聚合方法与子任务的结构有关。在本文中，制造方案具有顺序结构，因此具体的聚合函数如下表所示。
QoS值可由下式计算，其中c1、c2、c3、c4为专家给出的值:
一般来说，基于QoS模型的云服务优化问题的求解相当于寻找QF函数的最大值。函数值越大，性能越好。
基本算法
目前，人工智能算法在优化问题中得到了广泛的应用，并取得了良好的效果。DAABA是改进的人工蚁群算法和人工蜂群算法的改进算法。
- 最大——最小蚂蚁系统(MMAS)
MMAS的参数初始化、信息素初始化、启发式函数、状态转移规则、适应度函数、信息素更新等操作如下表所示：
MMAS的优势主要表现在以下两个方面:
- 算法具有并行化的潜力，从而具有较强的鲁棒性和高效率。
- 算法在早期具有较强的全局搜索能力。
- 人工蜂群(ABC)算法。
2005年，卡拉波加提出了人工蜂群算法。ABC算法凭借强大的全局搜索能力，成功地应用于优化问题中。ABC包括四个基本要素:蜂蜜来源、雇佣蜜蜂、围观者蜜蜂和侦察蜜蜂。
ABC的基本操作包括蜜源适应度函数、跟随概率和检测，如下表所示。
ABC算法的搜索范围是随机确定的，增强了全局搜索的能力。但是，前期精度低，后期收敛速度慢是明显的缺点。
动态人工抗蜂群算法设计
考虑到MMAS和ABC的优缺点，本文提出了DAABA。与改进蚁群算法和传统人工蜂群算法相比，DAABA在三个方面进行了改进:
(1)提高了早期搜索的准确性。首先，DAABA调用MMAS来获得更好的基本解决方案。当MMAS在后期出现停滞行为时，采用最优融合评估策略，减少无用计算。
(2)增强全局搜索能力。与传统的人工蜂群算法相比，带突变操作的算法可以增强全局搜索能力。
(3)优化后期的搜索能力。
当可行解接近最优解时，采用迭代调整阈值策略增加蜂群数量。因此，可以更快地找到最优解。
- 最优融合评估策略
传统的混合算法通过设置固定的迭代次数来控制结合点，即使收敛效果并不理想。在调用ABC之前，算法必须执行几次无用的迭代，这使得混合算法的速度很慢。为了加快速度，采用了最优融合评估策略。
当MMAS出现停滞行为时，及时调用ABC，避免了计算资源的浪费。最优融合评估策略的具体步骤如下:
(1)将MMAS的最小迭代次数和最大迭代次数设置为NAmin和NAmax。
(2)当下图所示的条件满足时，终止MMAS并调用ABC:
- 迭代调整阈值策略
在早期，DAABA利用MMAS强大的全局搜索能力，快速收敛到最优解的范围内。在后期，DAABA利用ABC优秀的优化能力，快速搜索最优解。
ABC的搜索精度与蜂群数量直接相关，蜂群数量越大，搜索精度越高。然而，随着蜂群数量的增加，计算负担会迅速增加。
为了在降低计算复杂度的同时提高DAABA的精度，本文采用了迭代平差策略。设计了一个阈值NBj来调整人口增长的时间。NBj可由下式计算，其中NBmax表示最大迭代次数，φ表示调整系数。
当ABC的迭代次数大于NBj时，增加蜂群的数量，进一步寻找最优解。
模拟和实验
5.1. 模拟
为了保证农业装备制造能够及时完成，需要进行仿真实验来验证DAABA的可靠性。仿真的具体步骤如下:
(1)农业装备制造任务从1到6编号。每个任务又分为10个子任务，包括模锻、挤压、轧制、拉伸、切割、熔焊、水射流切割、等离子切割、铣削、剪切等加工工艺。
(2)将每个云服务组合中的工厂编号为1 ~ 40，并根据评价指标对制造信息进行处理。
(4)农业装备制造业云服务优化结果如下图所示。结果表明，经过200次迭代后，DAABA趋于收敛，再次证明了DAABA的收敛性。
- 通过云服务池的任务分配，实现多个农业装备制造任务同时进行。多个制造任务的结果如下图所示，其中横轴和纵轴代表虚拟平面坐标，每个点代表一个工厂，每个色环代表一个完整的农业装备云制造方案。
5.2. 比较实验
为了验证DAABA在云服务优化中的准确性，进行了基于DAABA、GA、MMAS和ABC的实验。
各算法的控制参数如下表所示。
所有算法都针对9个大规模问题进行了测试，测试规模如下表所示。
每个算法重复20次以减少误差，优化结果如下图所示，其中任务大小表示为T (n,m)， m为子任务个数，n为每个子任务在云服务组合中的工厂个数。
为了验证DAABA在云服务优化中的速度，在DAABA和ABC上进行了实验。每种算法的平均耗时如下图所示。
综上所述，DAABA的性能优于其他几种，更适合解决农业装备云服务优化中的大规模问题。
结论
农业装备制造过程中使用了大量非标部件，其质量难以量化，限制了农业装备制造云服务的效率和准确性。
针对这一问题，本文提出了一种云服务优化方法，提出了可靠性反馈更新策略和动态系数策略，调整可靠性在评估模型中的比例，提高农用装备的质量。
为了提高农业装备云制造的精度和效率，提出了一种动态人工抗蜂群算法(DAABA)。
在DAABA中，采用最优融合评估策略及时调用ABC，减少了不必要的迭代，缩短了计算时间，提高了云服务的运行速度。
在ABC中加入突变操作，直接更新蜜源，使优化能力最大化。
采用迭代调整阈值策略，增加蜂群数量，提高云服务的准确性，同时降低后期的计算复杂度。
最后，通过理论推导和仿真验证了DAABA算法的收敛性，通过基于DAABA、GA、MMAS和ABC的实验，验证了DAABA的性能。
结果表明，DAABA在农业装备制造业云服务优化中的精度和效率优于其他方法。
参考文献：
[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.