面向云制造系统复杂任务请求的服务组合优化框架

刘　波　张自力

西南大学,重庆,400715

面向云制造系统复杂任务请求的服务组合优化框架

刘波张自力

西南大学,重庆,400715

为破解因多任务、强QoS约束及任务过量等因素导致云制造系统组合效果不佳的问题,研究并提出了面向复杂任务请求的全局优化策略框架。该框架以多任务全局优化、组合服务捆绑与共享为基本原则,提出了“单组合执行每任务”、“多组合执行每任务”及“多组合执行多任务”三种组合模式并建立了问题模型,最后利用基于混合算子的矩阵编码遗传算法予以实现。实验结果表明,该框架能高效、高质量响应云制造系统的复杂任务请求。

云制造；复杂任务；服务组合优化；全局策略

0　引言

服务组合优化是云制造中构造松耦合敏捷制造方案、实现资源优化配置的关键技术[1-3]。传统服务组合优化研究主要围绕着计算资源、Web服务、网格制造资源等服务类型展开[3-4],并在面向服务计算(service-oriented computing,SOC)[5-9]及面向服务制造(service-oriented manufacturing,SOM)[10-13]等应用领域取得了一定研究成果。与传统研究相比,云制造领域服务组合优化问题的特殊性在于其任务请求的复杂性,主要表现在:①普遍存在的“多资源需求型”任务[10]并行请求服务的情形;②无法避免的强服务质量(quality of service，QoS)约束[7]情形;③可能存在任务请求相对于可用资源过量的情形。对于任务请求的上述复杂性因素,传统SOC领域及SOM领域尚无法有效应对[14]。因此,如何解决因多任务、强QoS约束及任务过量等复杂性因素导致的云制造系统组合效果不佳的问题，本文通过分析研究提出了面向复杂任务请求的服务组合优化全局策略(global optimal strategy for complex task oriented services composition,GOS-CTOSC)框架,并介绍了上述策略框架在云制造原型系统服务组合优化引擎中的实现及验证。

1　云制造典型的任务请求场景

本研究首先选取一个典型的云制造案例即摩托车的生产过程(图1)来阐述问题场景：摩托车生产包括从“车架生产”到“包装发运”的6个生产环节(子任务)，每环节须在相应服务候选集(candidate service set，CSS)中选取一个构件服务(component service，CS)来执行相应的子任务，如成车总装可选取宗申或隆鑫装配线来完成。整体制造任务则由这些构件服务所构成的组合服务来完成。

图1　模拟摩托车生产流程

假定每个服务候选集均给定3个可用的构件服务,每个构件服务的QoS指标值(以时间指标为例)给定在图2中。

图2　各构件服务的给定QoS指标值

场景1(多任务):本场景假定制造任务T1和T2同时请求服务,均需从候选集CSS1到候选集CSS6中选取构件服务，并构造两个组合服务来响应制造任务T1和T2。其中,给定T1和T2的QoS约束分别为QoS-time1<523，QoS-time2<498。

场景2(强QoS约束):本场景在场景1的基础上,进一步假定制造任务T2为强QoS约束(对完成时间要求极高),即给定T2的QoS约束为QoS-time2<350,T1的QoS约束仍为QoS-time1<523。

场景3(任务过量):假设出现了同时请求的制造任务(不含强QoS约束的任务)多于可用服务的情况,即假定制造任务T1、T2、T3、T4同时请求服务，其QoS约束分别为QoS-time1<550,QoS-time2<1200,QoS-time3<1800,QoS-time4<1600。

2　传统服务组合优化策略概述与应用分析

2.1传统服务组合优化策略概述

传统服务组合优化方法在实施组合优化时主要基于以下四种策略：①局部策略[6]。局部策略从每个子任务对应的构件服务候选集中选择QoS最优的构件服务，构造整体QoS较优的组合服务。②全局策略[6-7,10,14-15]。传统全局策略以单一“多资源需求型”任务请求为基本假设条件，依据构件服务对组合服务整体QoS水平提升的贡献大小来实施优选，寻求面向整体任务QoS最优的服务组合方案。③混合策略[16-18]。混合策略的基本思路是将整体任务的全局QoS约束分解为各子任务的局部QoS约束，进而实施分布式的优选过程。④改进全局策略[7,19]。由于全局策略可能无法找到可行组合服务，故改进全局策略加入了服务等级协议(service level agreement,SLA)协商机制。发生可行组合失败时,该机制松弛QoS约束直至最佳可行方案出现,以最大限度地保证SLA被满足。

2.2传统服务组合优化策略应用分析

2.2.1多任务场景下的组合优化

针对场景1,直接运用局部策略,即同时到达的制造任务T1和T2在局部策略的作用下将分别从各个云服务候选集中挑选出最佳的基础云服务，如图3所示。由图3可知，在多任务场景下，基于相同的评估指标体系、优选模型、优化算法,同一批优秀的候选服务易被多个复杂任务中相同类型的子任务同时选中，进而造成选择冲突。

再就场景1,考虑直接运用传统全局策略的情况:在全局策略的作用下，系统将逐一面向复杂任务T1和T2构造全局最佳的组合服务，如图4所示。

由图4分析可知:将复杂多任务请求转化为多次单任务请求后，可能出现先序任务用尽较优候选服务而后序任务难以保障SLA的现象，即次序冲突。

2.2.2强QoS约束场景下的组合优化

针对场景2，当强QoS约束任务请求时，传统全局策略存在无法找到可行组合服务的可能[7](图5)。局部策略、混合策略不可能构造成比传统全局策略QoS更优的组合服务，也无法克服强QoS约束下难以找到可行组合服务的缺陷。改进全局策略虽可通过协商SLA来降低某些QoS约束条件以最大限度保证SLA的满足,但不能避免因松弛QoS约束引发的组合服务QoS水平不足；即使形成最优组合服务，也是通过降低用户某些方面的QoS期望得到的结果，无疑是一种迫不得已的折中方案。

图3　局部策略下多任务服务组合的选择冲突

图4　全局策略下多任务服务组合的次序冲突

图5　强QoS约束下传统全局策略的失效

传统组合优化策略的局限性在于任务与组合服务之间存在双射限定。而单个组合服务所能提供的QoS存在上限，一旦任务的QoS约束增强到所有组合服务的能力上限之外时，即发生可行组合失败。

2.2.3任务过量场景下的组合优化

在场景3的实例中,由于各候选集中均只有3个候选服务，故只可产生3个组合服务。依据传统策略，3个组合服务仅能响应3个制造任务请求，因而总有一个任务请求会发生服务响应失败(图6)。

图6　任务过量场景下传统组合优化策略的失效

实际上,从场景3的给定条件来看,3个组合服务的QoS较高,而4个任务给定的QoS约束偏低,因此存在完全响应4个任务请求的可能性。但传统组合优化策略限定组合与任务间“一一映射”关系，特别是任意组合服务只可为单个任务请求提供服务(独占性条件)，使得某些任务享有的服务能力有余，而另一些任务的组合需求却无法得到满足。

3　云制造中面向复杂任务请求的服务组合优化全局策略

基于对传统组合优化策略的应用分析，本文认为云制造中的服务组合优化策略需考虑以下三大原则：①多任务全局优化，即构造面向复杂多任务的、整体全局策略；②组合服务捆绑，即突破任务请求只允许由一个组合服务来执行的基本假设；③组合服务共享，即破除加诸组合服务上的独占性条件。

根据上述原则,本文设计了云制造中面向复杂任务请求的GOS-CTOSC框架。GOS-CTOSC框架包含了由简至繁的三类组合模式定义。

3.1单组合执行每任务组合模式

定义1单组合执行每任务(each composition for each task,ECET)组合模式,即针对每个任务请求只构造一个组合服务予以执行。

ECET组合模式适用于解决不含强QoS约束和任务过量的复杂多任务服务组合优化问题(场景1)。它是GOS-CTOSC框架中最简单的多任务服务组合优化全局策略,包含两个特征:①面向所有任务请求实施整体决策(区别于传统全局策略)。②任务请求与组合服务之间仍沿用“一一映射”假设条件。

根据定义1,其问题模型建立过程如下。

(1)设定决策变量x(i,j,k)。x(i,j,k)=1,即候选服务集CSSj中的第k个构件服务CS(j,k)被选取到组合服务Si中,用于执行任务Ti;反之，则x(i，j，k)=0。

(2)输入参数。qm(CS(j,k))(m=1，2,…,M)表示任意构件服务CS(j,k)所能提供的某种维度的QoS水平,例如q1(CS(j,k))可代表CS(j,k)时间维度的QoS水平,q2(CS(j,k))可代表CS(j,k)成本维度的QoS水平,q3(CS(j,k))可代表CS(j,k)可靠性维度的QoS水平。CS(j,k)所能提供的整体QoS水平,可用全维度的向量Q(CS(j,k))=(q1(CS(j,k)),q2(CS(j,k)),…,qM(CS(j,k)))来表示。qm(Ti)表示任意复杂任务请求Ti给定的某种维度的QoS约束。Ti给定的整体QoS约束可用向量Q(Ti)=(q1(Ti),q2(Ti),…,qM(Ti))表示。

(3)问题模型:

(1)

(2)

(3)

(4)

(5)

针对场景1的求解,由图7可知,尽管ECET组合模式针对单个任务构造的组合服务QoS未必是最优(执行T1的组合服务QoS只有520,小于它所能达到的最优结果490)，却能在多个任务间做到统筹规划,最终获得满足所有任务请求QoS约束的全局最优QoS值。

图7　ECET组合模式下针对T1和T2的组合结果

3.2多组合执行每任务组合模式

定义2多组合执行每任务(multi-composition for each task,MCET)组合模式,即针对每个任务请求,由多个组合服务捆绑后形成一个组合服务组予以执行。

MCET组合模式适用于解决含强QoS约束的复杂多任务服务组合优化问题(场景2)。它包含两部分的整体决策：①利用可用的构件服务决策组合服务的构造、优选过程；②利用构造好的组合服务，决策组合服务组的形成过程。该模式破解强QoS约束任务请求的关键在于：以面向所有任务请求的整体决策为基础，通过将能力不足的若干组合服务捆绑来响应强QoS约束的任务请求，即允许组合服务与任务请求之间多对一的关系。

根据定义2，其问题模型建立过程如下。

(1)设定决策变量x(l,j,k)与y(l,i)。其中，x(l,j,k)=1表示第k个构件服务CS(j,k)自第j个候选服务集CSSj被选取到第l个组合服务Sl中;反之则x(l,j,k)=0。当y(l,i)=1时,表示第l个组合服务Sl被捆绑到第i个组合服务组SGi中,为任务Ti服务；反之则y(l，i)=0。

(2)输入参数。qm(CS(j,k))表示任意构件服务CS(j,k)所能提供的某种维度的QoS水平。CS(j,k)所能提供的整体QoS水平用向量Q(CS(j,k))=(q1(CS(j,k)),q2(CS(j,k)),…,qM(CS(j,k)))来表示。qm(Ti)表示任意复杂任务请求Ti给定的某种维度的QoS约束。Ti给定的整体QoS约束可用向量Q(Ti)=(q1(Ti),q2(Ti),…,qM(Ti))表示。

(3)问题模型：

(6)

(7)

(8)

Q(SGi)=fin_out(Q(CS(j,k)),x(l,j,k),y(l,i))

(9)

(10)

式(6)～式(10)的意义与ECET的问题模型类似。MCET问题模型特殊在于：①目标函数(式(6))及约束条件(式(7)、式(8))的构成元素由组合服务替换成了组合服务组，以反映MCET下组合服务与任务请求之间的“多对一”关系以及“合众为一”的组合服务捆绑策略;②式(9)代表了如何从构件服务的QoS计算得出组合服务QoS，再得到组合服务组QoS的过程，该过程需运用内部组合结构模式及其表达式计算得到组合服务QoS[5],以此为基础,再运用外部组合结构模式及其表达式得出组合服务组QoS[14],其中,函数fin_out代表运用内部及外部组合结构模式的计算表达式实施运算。

针对场景2的求解,由图8可知，基于MCET模式,当T1的强QoS约束导致单个组合服务无法满足时,可将多个组合服务再次聚集到一起，捆绑成一个组合服务组，共同响应强QoS约束的任务请求。

图8　MCET组合模式下针对T1和T2的组合结果

3.3多组合执行多任务组合模式

定义3多组合执行多任务(multi-composition for multi-task,MCMT)组合模式。即若干任务可组成一个任务组,若干组合服务可组成一个组合服务组；一个任务组中的多个任务可共享使用一个组合服务组中的多个组合服务。

MCMT组合模式适用于有任务过量的复杂多任务服务组合优化问题(场景3),其整体决策包含三个部分:①合理的任务组划分；②组合服务的构造、优选决策；③合理的组合服务组构造。MCMT模式破解任务过量问题的关键在于:它同时满足多任务全局优化、组合服务捆绑、组合服务共享三个原则，允许组合服务与任务请求之间最一般的多对多关系，以最大限度地挖掘现有资源的潜力。

根据定义3,其问题模型建立过程如下。

(1)设定决策变量z(i,n)、x(l,j,k)、y(l,n)。z(i，n)=1代表第i个任务请求Ti被配属到第n个任务组TGn;反之则z(i,n)=0。

x(l,j,k)=1代表第k个构件服务CS(j,k)自第j个候选服务集CSSj被选取组合到第l个组合服务Sl中;反之则x(l,j,k)=0。y(l,n)=1代表第l个组合服务Sl被捆绑到第i个组合服务组SGi中,共享给第n个任务组TGn中的所有任务使用;反之则y(l,n)=0。

(2)输入参数。输入参数与多组合执行每任务组合模式输入参数相同。

(3)问题模型：

(11)

(12)

(13)

Q(SGi)=fin_out(Q(CS(j,k)),x(l,j,k),y(l,n))

(14)

(15)

式(11)～式(15)的意义与ECET及MCET问题模型类似,MCMT问题模型的特殊之处在于:它新增了任务请求的分组过程(式(15))，并利用任务组对应组合服务组(式(12))，构成了GOS-CTOSC框架中最一般的“多对多”映射关系,形成了该框架中最一般的问题模型。但正因它的一般性,使之具有了极高的问题复杂度,也更依赖高效算法的设计与实现。

需要说明的是,组合服务组和任务组规模不会无限膨胀，且组合服务组也不会被无限划分。原因在于:①组合服务捆绑规模的增长会自然受到QoS指标体系的约束，例如：实施捆绑策略固然可利于QoS时间指标优化(更多资源执行任务使工期缩短)，但同时也导致QoS成本、可靠性等指标恶化(租用更多资源需支付更多租金,协同更多服务环节使风险增加),故一定捆绑规模下会形成Max-min问题下的平衡态;②由于构件服务的QoS有限,则组合服务组必然存在QoS上限,故任务组规模扩张也将受到遏制;③由于资源共享将导致管理、物流、协同等额外开销，故组合服务组被无限划分共享的情况也会受到遏制。

基于上述问题模型,求解场景3如图9所示。针对场景3的求解,由图9可知,当组合服务相对任务请求发生数量上的紧缺时，可依据MCMT模式：一方面按照最适宜的分组数量对任务请求进行分组，另一方面按相同分组数量将构造的组合服务捆绑成若干组合服务组，并将组合服务组配置给各任务请求组共享使用，以此来化解组合服务紧缺的矛盾。

图9　MCMT组合模式下针对过量任务的组合结果

4　GOS-CTOSC框架的实现与验证

4.1GOS-CTOSC框架在云制造原型系统服务组合优化引擎中的实现

GOS-CTOSC框架实现了三类组合模式：ECET、MCET及MCMT。其特性如表1所示。从表1可知,GOS-CTOSC框架中,三类组合模式的优势和局限均十分突出,没有一种组合模式可将其他模式完全代替。故在云制造应用中，可根据实际在适用范围、复杂度、难度间进行权衡和抉择。

表1　GOS-CTOSC框架中各组合模式的特性比较

注:A.单/多个“单资源需求型”任务或单个“多资源需求型”任务请求情形;B.不含强QoS约束和任务过量情形。

我们在前期研发的云制造原型系统[20]的服务组合优化引擎中设计实现了任务请求探测模块。该模块在调用GOS-CTOSC框架中不同的组合模式之前，会检测任务请求的类型，以便组合执行模块调用最适宜的组合模式执行服务组合优化过程。

GOS-CTOSC框架采用Java语言编程实现;同时,利用MATLAB实现了ECET、MCET及MCMT三种组合模式,并封装成可供调用的.jar文件。其中,ECET、MCET及MCMT实现模块均选取了时间、成本、可靠性三个维度的QoS指标，并分别基于3种组合模式的问题模型实现了对应的求解算法；求解算法采用了基于混合算子的矩阵编码遗传算法(hybrid-operator based matrix coded genetic algorithm,HO-MCGA)予以实现。在笔者的前期研究中，该算法对较复杂的组合优化问题具有良好的求解性能[14]。

GOS-CTOSC中实现多任务请求与组合模式的执行逻辑如图10所示。

图10　多任务请求与三种组合模式的执行逻辑

4.2模拟实验

基于4.1节的GOS-CTOSC框架实现,我们在云制造原型系统中分别模拟了多任务、强QoS约束、任务过量的情形。原型系统模拟生成上述三类情形的步骤如下：

(1)随机生成各候选构件服务的QoS指标值。

(2)从各个构件服务候选集中找到时间、成本、可靠性三种维度的最大、最小指标值；利用这些值计算组合服务的绝对最小、最大QoS评估值[6](用Qmin、Qmax表示)。

(3)分别生成三类情形:①多任务情形。在[Qmin,Qmax)内随机生成若干任务请求的QoS约束,且任务数量少于给定的构件服务所能组成的组合服务的规模。②强QoS约束情形。在[Qmin,Qmax]内靠近Qmax一侧,随机生成若干任务请求的QoS约束,当其值接近Qmax时,即出现强QoS约束。③任务过量的情形。在[Qmin,Qmax)内随机生成若干任务请求的QoS约束，且任务数量可多于给定的构件服务所能组成的组合服务的规模。

从服务组合优化引擎的运行状况来看,GOS-CTOSC框架能高效高质量地求解多任务或强QoS约束场景下的服务组合问题(表2及图11)；传统全局策略因出现了无法满足某些任务QoS约束的情况,以致组合结果的QoS受惩罚而下降(表2)。此外，当任务过量时,GOS-CTOSC也能

表2　给定20×6个候选构件服务下

以显著高于传统策略的QoS响应所有任务请求(表2)。但在该场景下，GOS-CTOSC仅适合处理较小的问题规模，当问题规模逐渐增大时，其时间性能渐成瓶颈(见图11)。

图11　不同组合模式在不同问题实例下的请求响应时间

5　结论

(1)指出了云制造系统任务请求的特殊性及传统服务组合优化策略应用于云制造典型场景存在的选择冲突、次序冲突、可行组合失败、服务响应失败等局限与原因，并提出了服务组合优化策略设计的原则。

(2)设计了面向复杂任务请求的服务组合优化全局策略框架，突破了传统策略面向单任务及加诸于任务请求和组合服务之上的“一一映射”基本假设，建立了以多任务全局优化、组合服务捆绑、组合服务共享为原则,适宜于云制造环境的ECET、MCET及MCMT组合模式。

(3)提出了以面向复杂任务请求的服务组合优化全局策略框架为基础的服务组合优化引擎实现方案，并在云制造原型系统中初步验证了其可用性。

(4)下一步工作将设计针对MCMT组合模式的高效智能算法,以破除服务组合优化引擎在任务过量场景下的时间性能瓶颈。

[1]Tao F,Laili Y,Xu L,et al.FC-PACO-RM:A Parallel Method for Service Composition Optimal-selection in Cloud Manufacturing System[J].IEEE Transactions on Industrial Informatics,2013,9(4):2023-2033.

[2]Laili Y,Tao F,Zhang L,et al.A Study of Optimal Allocation of Computing Resources in Cloud Manufacturing Systems[J].International Journal of Advanced Manufacturing Technology,2012,63:671-690.

[3]陶飞,张霖,郭华,等.云制造特征及云服务组合关键问题研究[J].计算机集成制造系统,2011,17(3):477-486.

Tao Fei,Zhang Lin,Guo Hua,et al.Typical Characteristics of Cloud Manufacturing and Several Key Issues of Cloud Service Composition[J].Computer Integr ated Manufacturing Systems,2011,17(3):477-486.

[4]邓水光,黄龙涛,尹建伟,等.Web服务组合技术框架及其研究进展[J].计算机集成制造系统,2011,17(2):404-412.

Deng Shuiguang,Huang Longtao,Yin Jianwei,et al.Technical Framework for Web Services Composition and Its Progress[J].Computer Integrated Manufacturing Systems,2011,17(2):404-412.

[5]Cardoso J,Sheth A,Miller J,et al.Quality of Service for Workflows and Web Service Processes[J].Journal of Web Semantics,2004(1):281-308.

[6]Zeng L,Benatallah B,Ngu A H H，et al.QoS-aware Middleware for Web Services Composition[J].IEEE Transactions on Software Engineering,2004,30(5):311-327.

[7]Ardagna D,Pernici B.Adaptive Service Composition in Flexible Processes[J].IEEE Transactions on Software Engineering,2007,33(6):369-384.

[8]Laili Y,Tao F,Zhang L,et al.A Ranking Chaos Algorithm for Dual Scheduling of Cloud Service and Computing Resource in Private Cloud[J].Computer in Industry,2013,64(4):448-463.

[9]Tao F,Guo H,Zhang L,et al.Modelling of Combinable Relationship-based Composition Service Network and Theoretical Proof of Its Scale-free Characteristics[J].Enterprise Information Systems,2012,6(4):373-404.

[10]Tao F,Zhao D,Hu Y,et al.Resource Service Composition and Its Optimal-selection Based on Particle Swarm Optimization in Manufacturing Grid System[J].IEEE Transactions on Industrial Informatics,2008,4(4):315-327.

[11]Tao F,Hu Y,Zhou Z,et al.Application and Modeling of Resource Service Trust-QoS Evaluation in Manufacturing Grid System[J].International Journal of Production Research,2009,47(6):1521-1550.

[12]Tao F,Zhao D,Hu Y,et al.Correlation-aware Resource Service Composition and Optimal-selection in Manufacturing Grid[J].European Journal of Operational Research,2010,201(1):109-143.

[13]Tao F,Zhang L,Lu K,et al.Research on Manufacturing Grid Resource Service Optimal-selection and Composition Framework[J].Enterprise Information Systems,2012,6(2)：237-264.

[14]Liu W,Liu B,Sun D,et al.Study on Multi-task Oriented Services Composition and Optimization with the “Multi-composition for Each Task” Pattern in Cloud Manufacturing Systems[J].International Journal of Computer Integrated Manufacturing,2013,26(8):86-805.

[15]刘卫宁，刘波，孙棣华. 面向多任务的制造云服务组合[J]. 计算机集成制造系统，2013，19(1)：199-209.

Liu Weining,Liu Bo,Sun Dihua.Multi-task Oriented Service Composition[J].Computer Integrated Manufacturing Systems,2013,19(1):199-209.

[16]Alrifai M,Risse T,Nejdl W.A Hybrid Approach for Efficient Web Service Composition with End-to-end QoS Constraints[J].ACM Transactions on the Web,2012,6(2):1-31.

[17]Li J,Zhao Y,Sun H,et al.DH4SS:A Distributed Heuristic for QoS-based Service Selection[J].International Journal of Web and Grid Services,2011,7(4):388-409.

[18]Richter J,Baruwal C M,Kowalczyk R,et al.Establishing Composite SLAs through Concurrent QoS Negotiation with Surplus Redistribution[J].Concurrency and Computation:Practice and Experience,2012,24(9):938-955.

[19]Lin C,Sheu R,Chang Y,et al.A Relaxable Service Selection Algorithm for QoS-based Web Service Composition[J].Information and Software Technology,2011,53(12):1370-1381.

[20]刘波,刘卫宁,孙棣华,等.自适应制造资源动态服务组合与优化框架[J].中国机械工程,2012,23(10):1187-1193.

Liu Bo,Liu Weining,Sun Dihua,et al.A Self-adaptive Dynamic Service Composition and Optimization Framework for Manufacturing Resource[J].China Mechanical Engineering,2012,23(10):1187-1193.

(编辑张洋)

Framework of Complex Task Oriented Service Composition and Optimization in Cloud Manufacturing Systems

Liu BoZhang Zili

Southwest University,Chongqing,400715

To circumvent the problems of SCO in the typical scenarios of complex multi-task requests,severe QoS constraints on tasks,and services shortage relative to tasks in cloud manufacturing systems,a framework of global optimal strategy for complex task oriented services composition(GOS-CTOSC) was presented.In this framework,the principles of multi-task oriented holistic optimization and the ideas of composite services binding and sharing were proposed to eliminate the drawbacks of traditional SCO approaches.Based on the principle,the composition patterns of “each composition for each task”,“multi-composition for each task” and “multi-composition for multi-task” were designed in the framework,and the related problem models were also formulated.The implementation and evaluation of the framework were conducted in a prototype system,by means of the hybrid-operator based matrix coded genetic algorithm.The experimental results indicate the presented framework is sound performance-wise.

cloud manufacturing;complex task;service composition and optimization(SCO);global strategy

2014-05-19

国家科技支撑计划资助项目(2012BAD35B08)；中央高校基本科研业务费专项资金资助项目(XDJK2014C042，SWU113028)

TH166DOI：10.3969/j.issn.1004-132X.2015.08.011

刘波,男,1981年生。西南大学计算机与信息科学学院讲师、博士。主要研究方向为云制造、云计算、服务组合。发表论文8篇。张自力,男,1964年生。西南大学计算机与信息科学学院教授、博士研究生导师。