云制造环境下的资源调度研究综述*

胡艳娟 朱非凡 王艺霖 石 超 武理哲

(长春工业大学机电工程学院，吉林 长春 130012)

随着科技的高速发展，技术的更迭周期越来越短，纵观制造业的发展史，从上世纪的传统手工业制造到集成化制造，再到21世纪后随着云计算、互联网、制造网格等新兴IT技术的快速发展，企业的生产和发展与网络的联系越来越紧密，企业需要在先进技术的支撑下，优化产业结构，加速产业升级，增强企业核心竞争力。在此背景下，2010年由中科院李伯虎院士及其团队率先提出云制造[1]的概念。所谓云制造既是一种面向服务的，高能低耗的网络化制造新模式，其融合了云计算、物联网、大数据、语义Web等IT技术。它将各类分散的制造资源和制造能力进行了虚拟化、服务化后形成虚拟化的制造资源和制造资源池，并通过网络进行集中的管理和经营。云制造的运营过程可表述为云制造服务平台根据用户的需求，在网上组织制造资源，为用户提供各类按需的、可随时获取的制造服务。云制造环境下的资源调度是云制造中重要一环，云服务平台接收到用户的服务请求后，云资源平台会根据用户的要求(时间、效率、成本等)给出最优的资源调度组合，云平台根据最优组合对资源进行调度从而在满足客户要求的同时也极大地提高了资源的使用率。资源调度方案的优劣会直接影响是否能够满足用户需求(按时交货、低成本等)，因此有必要对云环境下资源调度进行深入研究。

1 云制造资源调度的概述

云制造环境下的资源调度问题是一个综合考虑时间、成本、服务质量和能力等的动态多目标优化过程。云制造环境下资源调度问题的本质是一个NP-hard问题。其目的是将有限的服务资源合理地分配给不同任务，从而提高制造效率和资源利用率。云制造环境下资源调度的过程如图1所示。

2 云制造资源调度研究现状

云制造作为一种制造的新模式，与时俱进将制造与网络相结合，通过建立网络服务平台，用户可以通过互联网给网络服务平台发送相应的服务需求，然后服务平台会根据用户的要求进行相应的资源调度，以此来满足用户的服务请求，云制造资源调度极大的提高了资源的利用率以及生产效率。从近几年的国内外的文献来看，国内外的研究主要集中在以下几个问题：云制造环境下车间资源调度；云制造环境下的资源搜索方法以及云制造环境下基于调度模型的智能算法的应用。

2.1 云制造环境下车间资源调度研究

云制造车间资源调度问题是在传统车间资源调度的基础上对车间资源调度问题进行进一步深入研究，云环境下资源种类更加多样化，资源管理方式更加合理，资源分布更加广泛，资源实时共享性强，云制造理论与传统车间相结合形成云制造车间，这必然会产生新的待解决的问题如：车间资源的调度，管理，分配等。云制造环境下的车间资源调度问题显然也是个NP-hard问题，只能对其进行优化处理，得到最优的调度方案，满足用户的需求。

目前国内众多学者对对云制造环境下车间资源调度进行了深入研究，车间层资源调度是云制造环境下资源调度的基石，车间资源调度技术的发展为云制造环境下资源调度提供了强有力的技术支撑，云端的调度方案需到生产加工车间来完成相应的生产加工任务，云制造环境下车间资源调度易受外界事件干扰，同时外界突发情况的产生也对云制造环境车间资源调度影响很大。据此许敏湘[2]等提出事件驱动的云制造车间资源调度，用以提高云制造车间动态响应能力；杨屹[3]在事件驱动的云制造车间资源调度构想的基础上同时引入Fosstrak, Esper, Drools等开源软件用以解决云制造车间调度问题；而王军强等在文献[4]中研究了在云制造作业车间中不同扰动对机器的能力影响的问题，并在聚类算法的基础上提出面向云制造的机器能力界定方法，建立了面向云制造作业车间的机器能力界定模型；在云制造环境下车间资源都是以网络数据的形式存储在网络终端，因此对这些制造资源的管理调配也是云制造环境下车间资源调度问题需要解决与考虑的问题；朱吕[5]等通过引入JBoss Drools实现将程序中复杂的条件语句用规则的形式展示出来，方便管理程序的同时优化云制造车间资源调度问题；针对异地分布多车间协同生产计划的关联协调问题，基于云制造技术中面向服务的思想，李京生[6]等提出并建立动态制造资源能力服务化的分布式协同生产调度技术；针对云环境下车间资源分布广，协同化高，实时共享性强的特点，孙月洲[7]建立云制造车间资源的模型，解决云制造车间资源的动态调度问题。同样在文献[8]为有效解决并行调度问题，王刚等基于重复叫价组合拍卖的思想，设计了一种多主体调度机制。而在文献[9]中针对云制造混流车间的生产调度优化问题，基于物联网和复杂事件处理技术，鲁建厦等设计了一种两级递阶结构的混合生物地理学优化算法，采用在迁移算子中变异策略来提高算法搜索效率；在文献[10]中鲁陈璐通过对多企业间的云制造资源调度问题进行研究，提出了基于极限加时间的两级递阶算法，以及基于扩大空闲时间变邻域搜索的混合遗传算法；在文献[11]中刘永等基于资源调度策略的研究，其在资源调度策略中引入双向蚂蚁机制，在该双向蚂蚁机制中蚂蚁通过相互交流，能够快速地发现合适的虚拟机资源；在文献[12]中何林燕认为企业中柔性作业车间和云制造理论结合后会使柔性作业车间资源的调度任务发生改变即使得原本的设备能力变成离散型设备能力区间。针对这一问题，何林燕提出了启发式蚁群算法，采用分层的方法，用蚁群算法对工序进行选择，用启发式规则对机器进行选择。

同样在国外云制造车间资源调度也已取得相应研究成果。SMITH[13]等指出未来制造企业的发展趋势是从单纯的制造向服务化制造转变，企业需要将制造资源进行虚拟整合，提高资源的利用效率以解决转型阶段波动的订单需求与持久性制造能力之间的供需矛盾；在文献[14] 中O’Rourke等人认为随着全球供应链管理技术的发展将进一步有助于企业生产满足顾客需求的产品；而在文献[15]中Jackson J. R对动态事件的分类进行了细化，研究了机床设备突发事件和单机环境下加工零件连续达到的问题，提出了以滚动窗口为基础的再调度技术；随着技术的发展在文献[16]中Elizabeth S, Kerr M. R将能根据当前情况主动搜索知识库的专家系统方法引入动态调度系统，从而选择最优的调度策略；而在文献[17]中陶飞等提出一种新的求解资源调度问题的新搜索算法，该算法的基本原理与水草在繁殖时如何寻找水源的原理相同。试验显示对同一个任务，新的算法和以往的方法相比较，明显提高了作业效率与竞争的有效性，其在云制造车间资源调度领域也有广泛的应用前景。针对云制造柔性车间资源调度的特点，文献[18]中提出一种结合了混合粒子群优化算法与遗传算法相结合的混合算法，用于解决云制造柔性作业车间调度问题。在文献[19]中研究了云制造混合车间的协同调度问题，建立了基于工序成本的云制造混合车间调度模型，提出了遗传算法和SA算法相结合的混合算法解决该问题。

综合上述研究,目前关于云制造车间资源调度问题国内外研究学者们在充分研究云制造车间中资源的特点(分布广、种类多和实时共享性强等)的基础上结合了在车间环境下各种可能发生的状况对云制造车间资源调度问题进行了探讨，云制造车间资源在不同的影响因素下可采用不同的智能算法、软件技术、操作方式等来优化云制造车间资源调度问题，提高资源调度的效率，同时对不同类型的云制造车间资源调度问题研究者们也做了相应的研究。

2.2 云制造环境下资源搜索方法

云环境下的资源调度的过程，主要由两部分构成，即选择最优云组合和制造资源的快速匹配与搜索。资源的搜索与匹配是进行资源调度的前提，通过资源搜索系统能反馈给我们空闲有效的可利用的资源，通过快速进行资源搜索、匹配可以保证得到最合适的云服务组合，云制造的核心思想是制造即服务[20]，如何快速、高效的匹配，搜索到合适的制造资源，以最快的速度为用户提供最优的云调度方案是国内外学者研究的重点。

国外已进行了很多相关研究，Fu J[21]设计了一种新的优化资源搜索方法，通过计算任务和资源的间隔距离来寻找所需的最佳制造资源；Marouane Kessentini[22]等通过建立了结合结构和句法指标的需要在一个由很多单元组合组成的搜索空间内进行的元模型来解决资源搜索问题，并运用元启发搜索算法对该模型进行求解。Wang J H, Liu H, Wang H Y[23]提出一种基于映射的树的相似度算法，该算法用来匹配在本体彼此相似的概念树，从而达到整合语义网中的各种信息的目的。文献[24]在分析制造资源和需求特性的基础上，提出一种综合语义距离、性能、结构和实施的相似度算法，遵循“多级匹配，逐步细化”的原则，实现供给和需求的智能匹配；Nikolaos Trokanas[25]等人提出了一种基于知识建模和本体的用来解决输入和输出匹配的语义法；Tekli J, Chbeir R[26]则提出了一种旨在减少用户在执行匹配任务时的工作量的自动XML语法匹配和比较的方法；Lartigau J, Nie L, Xu X[27]等针对环境约束提出一种将定单分解成多个任务并选择多个供应商执行的方法，来完成云制造资源的优化配置，该类方法很好地解决制造资源与服务请求之间的匹配问题。文献[28]中针对云制造服务在匹配过程中的多样性、异构性、动态性和多约束性特点，提出了基于Web服务本体语言的资源匹配搜索模型，该模型的匹配过程分为3个过程即参数匹配、属性匹配和综合匹配过程；文献[29]中为提高在中小型企业中云制造平台的搜索引擎的实用性，建立了一个基于本体语言服务的中小企业智能搜索引擎用以提高资源的搜索效率。

在我国对云环境下的资源搜索也取得了丰硕的成果。李成海[30]等对如何实现云制造服务资源搜索智能、高效、便捷的实现进行了深入研究，在已有研究成果的基础上提出了一种基于属性匹配的云制造服务资源搜索方法；郑镁[31]等针对云设计环境下设计资源具有分布性、异构性和面向服务等特点,以语义Web为基础，研究了基于语义推理的资源搜索匹配算法；郑立斌[32]等人提出了具有语义属性特征的能极大提高资源搜索效率的分级匹配方法；王成建[33]等人在研究了云资源匹配的问题，在充分考虑服务需求者要求的基础上提出了一种云制造服务资源多层次匹配算法。李慧芳[34]等人研究了如何在云制造服务中快速搜索，匹配到合适资源的问题，基于制造云服务形式化描述，提出一种包括先初步筛选出候选服务集合，然后在初步筛选服务集合中筛选出具有最高匹配度的制造云服务的匹配智能化制造云服务搜索匹配算法；胡德敏[35]等分析利用中心服务器的计算模式来管理大量云制造资源存在的问题，提出了一种在云资源搜索算法基础上进行改进的多关键字云资源搜索算法；李新[36]等人为了实现制造资源的加工能力和复杂加工任务之间的搜索匹配，设计了基于本体映射的加工任务与制造资源的匹配算法；文献[37]中提出了一种基于本体语义的云制造服务供需智能匹配方法，该算法用来保证在云资源调度过程中的高效匹配。在文献[38]中黎明、吴跃提出采用语义搜索引擎来解决云资源调度的问题；在文献[39]中刘烨等人研究了在网络环境中大量制造服务的描述存在异构的问题，如何令制造加工服务快速发现和匹配是亟待解决的问题，在此基础上，刘烨等人运用Web本体语言OWL-DL实现制造加工服务规范描述。

结合上述文献，研究者们根据云环境下资源是以虚拟资源的形式储存在云资源管理平台，根据网络搜索的特点研究者们提出或改进不同的资源匹配，搜索智能算法来提高资源搜索效率，达到快速匹配任务的目的。云环境下的资源搜索，匹配的速率对云资源调度的效率有直接影响。目前很少有研究者研究出针对云制造的独立资源搜索系统，计算机的硬件性能因素也会对资源搜索效率产生影响。

2.3 云制造环境下基于调度模型的智能算法应用

云制造环境下的资源调度是云制造的重要一环，调度策略的选择直接影响云服务的服务质量，资源调度的本质是一个合理安排有限制造资源进行生产制造的过程，达到最大化提高制造资源的利用率，因此对调度策略的选择就显得尤为重要。下文结合国内外研究学者的研究成果对云制造环境下的解决资源调度问题的方法做了一个小结。

据国外相关研究，文献[40]针对云环境下制造资源的组织和优化过于复杂的问题，提出一种基于改进的分布式遗传算法用来选择最优制造资源组合。该算法通过将分布式优化过程分成几部分来完成，不仅保证了算法的运行速度同时也扩大了搜索范围，提高了精度；在服务云中云资源使用者会向云平台传递相应的服务指令，而云平台会根据算法智能地将客户服务指令分解成若干子指令。而在文献[41]中作者提出混合人工蜂群算法来解决混合云中的资源调度问题；在文献[42]中提出了一个综合资源服务选择的方法用以协助请求者获得最佳的制造服务，并对云制造中资源服务选择问题进行总结，提出了一种基于云制造中服务质量描述的模型和一种基于模糊理论的服务质量计算模型，基于上述模型，采用粒子群优化算法选择最佳的服务组合；文献[43]中Liu Yongkui ,Xu Xun, Zhang Lin等根据云制造允许多个用户同时向云制造平台提交需求任务，制造服务的集中管理和操作使云制造能够并行处理多个制造任务。因此，云制造的一个重要问题是如何优化调度多个制造任务，以获得更好的云制造系统性能。任务负载是云制造任务调度的重要基础，基于此思想，笔者提出了一个云制造多任务调度模型，该模型将任务负载建模和服务质量系数和服务数量等服务的其他基本要素结合起来，然后研究了基于不同工作负载的任务调度方法对系统性能的影响，如总完工时间和服务利用率，并用不同的算法对该模型进行了求解。在文献[44]中提出了一种支持服务统计相关性的云服务组合优化方法，建立了引入统计相关度指数的云服务统计相关性模型，并采用粒子群优化算法求解云服务组合优化问题；文献[45]中作者根据云制造中的批量处理调度任务时具有动态性、实时性、大数据并发性和交换性需求的特点，为了有效地节约时间，降低车间生产成本，提出了一种优化模型，利用改进的粒子群优化算法解决任务调度问题；针对大量的能源消耗导致高运营成本，低投资回报，并且污染环境等问题，在文献[46]中建立了系统在调度时把能源消耗作为一个重要参数的能源感知系统，该系统能把能源作为服务质量的一个重要参数，通过降低能源消耗，自动优化云资源的效率；在文献[47]中利用马尔可夫决策过程模型来构造基于云计算的视频服务在多个地理上分散的数据中心，开发了一个基于敏感性分析和样本的策略迭代优化算法，以获得最佳的视频位置和请求调度策；文献[48]中针对在混合云中进行资源调度的问题，提出了基于市场的混合云优化调度方法；文献[49]提出了一个面向共享的服务选择和调度方法，能够找到需求满意度、服务利用率和服务共享成本之间的权衡。

在国内的相关研究中，熊永华[50]等分析了传统资源调度方法在云资源调度中的局限性即搜索效率和精度低以及服务响应慢等问题，提出了基于维持负载均衡的多目标优化模型，采用改进型粒子群算法进行求解；而在袁浩[51]等分析了当前用于求解云计算资源调度问题的群智能算法的一些局限性，为进一步提高云计算资源调度效率，袁浩等提出一种基于社会力群体优化算法的云计算资源调度方法；武善玉等[52]针对在云环境下同时面对多个服务命令请求时怎样进行资源调度的问题，提出以总完成时间最少及成本最低为最优目标的数学模型，并提出采用整数编码方法编码的离散粒子群遗传混合算法来对该模型进行求解；马军、罗国富等[53]详述了在云环境中多样化、复杂化的资源需要首先对资源进行虚拟封装处理，为了便于进行资源调度，文中提出基于改进合同网的虚拟制造资源CAgent运行机制；针对云环境下动态资源调度的问题，江笑妍等[54]利用Matlab对原有模型进行了优化，提出基于蚁群算法的，以资源使用者和资源提供商之间进行任务封装时间最短为目标的资源动态调度函数；邰丽君等[55]根据云环境下资源调度极易受到诸如制造周期长，资源使用情况不明，涉及的加工企业过多等不确定因素的影响，建立了以最小化制造服务能力，最小化制造服务成本，最优化制造服务质量，最小化总制造服务时间为目标的云环境下多目标资源调度模型，提出了一种将调度分为适时调度和周期性调度两种模式的技术，采用基于遗传蚁群算法的制造资源调度算法对模型进行求解；肖莹莹[56]等从供应链的角度对云环境下的资源调度问题进行了研究，建立了一个采用了改进混合蛙跳算法进行求解有效的多目标生产运输优化调度模型；唐海波等[57]研究了云制造环境下制造资源海量，异构等特点，构想出基于资源负载均衡的动态调度策略，建立以完成任务的总服务成本最小为最优化目标的模型；在云环境中进行资源调度会涉及调度耗时和开销成本等问题，在赵莉[58]提出的改进布谷鸟搜索算法能有效的对云计算资源调度问题进行求解；薛玉[59]为提高云计算资源调度的效率，提出了一种基于混沌粒子群优化算法的云计算资源调度方法。

综合上述研究文献可知在云制造环境下的资源调度问题主要是要建立相应的云调度模型，而云模型的构建需要考虑不同影响因素(如面对海量的制造资源如何构建调度模型、在多个服务请求命令同时出现时怎样调度、在面临负载不均衡时如何解决云环境下的资源调度问题等等)，面对不同的云模型求解的优化算法也是各异的。

3 现阶段存在的问题

随着云制造的快速发展，对云制造环境下的资源调度问题的研究在众多学者不遗余力的研究下也越来越深入。在总结他们的研究成果的同时也发现了以下存在的问题：

3.1 车间资源调度的局限性问题

随着云技术的快速发展，云制造环境下资源的特点是高度的共享。目前针对云制造环境下的车间资源调度问题主要集中在优化车间的资源调度策略，优化调度算法，建立不同车间调度模型以解决车间资源调度问题等等。其局限性在于研究的对象往往是一个车间或者企业内部若干个车间之间的资源调度问题，对于不同企业车间之间进行的资源共享的研究尚不完整，同时把企业作为云服务提供者和云服务需求者的研究还要继续深入研究。

3.2 资源搜索方法缺乏实用性的问题

在目前的研究中对云制造环境下的资源搜索和匹配方法大都对实际因素考虑不足，所提出的方法都是结合某一具体实例来验证算法的可行性，缺乏普遍适用性，在实际生产制造中不确定因素居多，突发事件会时常发生，这些都会成为目前所提资源搜索算法在实际应用的过程中难以解决的难点，因此如何在这些资源搜索方法中加入实际影响因素是未来研究的重点。

3.3 解决资源调度问题方法的考虑因素不够全面

在云资源服务的调度中研究者们都是在相对简单的环境下进行资源调度的研究，根据云制造环境中不同的影响因素来研究调度问题，并在理论情况下进行了验证。实际上云调度的过程是一个不可控的操作过程，在资源调度的过程中会遇到很多的问题，例如服务执行被耽搁，物流运输故障等问题，云制造环境下的资源存在地域上的差异性，不同企业之间进行资源信息交流时存在运输时间和成本的差异，这都是在未来进行云资源调度研究的方向。

4 发展展望

云制造是一个新兴的概念，是一种面向服务需求的，充分实现资源共享的制造新模式。通过将制造资源虚拟封装，由云资源平台集中进行管理和调度。云模式的成功应用有助于增强企业的核心竞争力，降低企业的生产成本，提高企业生产的效率，增强企业对市场的动态应变能力和组织能力。云制造环境下资源调度是云制造服务的重要组成部分，目前资源调度的研究虽然还不全面，但随着研究的深入，云平台机制的不断完善，云制造环境下的资源调度策略会越来越高效。

在云资源池中根据资源的状态合理调度资源是目前研究者们研究的主线，云环境下的生产调度具有多任务并行的特点，此时如何对资源进行调度，处理任务排队等候服务的问题都是值得研究的问题。随着调度的发生会伴随产生成本的问题，成本包括很多方面例如时间成本，运输成本，人力成本等等。现阶段研究者们对在调度的过程中调度未能成功执行的研究甚少，那么在调度失败后必定要考虑将会随之而产生的惩罚成本，那么这个成本该如何计算也将是后续值得研究的问题。

5 结语

本文主要围绕云制造环境下资源调度的相关问题进行论述，并对云资源调度问题中涉及的车间资源调度，资源搜索以及云制造环境下基于调度模型的智能算法应用等问题的研究现状进行了分析和总结，同时也发现了在现有研究中存在的问题和缺陷以及尚需进一步深入研究之处，例如在云制造车间资源调度中进行云资源调度的企业既可作为云服务的提供者也可作为云服务的需求者的情况，在云制造环境下资源的搜索方法中缺乏实际参考因素的问题，对于不同企业之间进行云服务交流时的成本不同问题等都需要后续进行进一步研究。

云制造环境下的资源调度使得资源的调度模式摆脱了传统调度模式，资源调度更加高效，资源利用率更高，为企业的发展，转型提供技术支持。云制造环境下调度技术的成熟将对云制造在全国的推广普及有重要的作用，是我国从“制造大国”向“制造强国”转型的关键因素。

[1]李伯虎,张霖,王时龙,等.云制造—面向服务的网络化制造新模式[J]. 计算机集成制造系统,2010, 16(1): 1-7.

[2]许湘敏. 云制造理念下基于本体及其环境感知的作业车间调度问题研究[D]. 广州: 华南理工大学, 2015.

[3]杨屹. 事件驱动的云制造车间调度研究 [D]. 广州:华南理工大学, 2014.

[4]王军强, 崔福东, 张承武,等. 面向云制造作业车间的机器能力界定方法[J]. 计算机集成制造系统,2014, 20(9):2146-2163.

[5]朱吕, 姚锡凡, 徐川. 基于JBoss Drools的车间调度[J]. 组合机床与自动化加工技术, 2014(6):131-134.

[6]李京生, 王爱民, 唐承统,等. 基于动态资源能力服务的分布式协同调度技术[J]. 计算机集成制造系统,2012, 18(7): 1563-1574.

[7]孙月洲. 云制造车间资源调度与配置模型及优化研究[D]. 哈尔滨：哈尔滨理工大学,2012.

[8]王刚，陈秋双，全雄文. 加工时间可控的多主体调度问题[J]. 计算机集成制造系统，2013, 19(9):2187-2192.

[9]鲁建厦, 胡庆辉, 董巧英,等. 面向云制造的混流混合车间调度问题[J]. 中国机械工程,2017,28(2):191-198.

[10]鲁陈璐. 制造系统柔性资源调度问题及其优化算法研究[D]. 杭州：浙江大学,2016.

[11]刘永, 王新华, 邢长明,等. 云计算环境下基于蚁群优化算法的资源调度策略[J]. 计算机技术与发展, 2011(9):19-23.

[12]何林燕. 云制造环境下柔性作业车间调度算法的研究[D]. 哈尔滨：哈尔滨理工大学,2017.

[13] Smith A D, Rupp W T. Application service providers (ASP): moving downstream to enhance competitive advantage.[J]. Information Management & Computer Security, 2002, 10(10):64-72.

[14] ORourke D. The science of sustainable supply chains.[J]. Science, 2014, 344(6188):1124-1127.

[15] Jackson J R. Scheduling a production line to minimize maximum tardiness[J]. Management Sciences Research Project,1955: 43-47.

[16] Elizabeth S, Kerr M. R. Knowledge-based Reactive Scheduling[J]. Production Plan&Control, 1994, 5(5): 124-145

[17] Cheng Lin, Zhang Qingzhen, Tao Fei, et al.A novel search algorithm based on waterweeds reproduction principle for job shop scheduling problem[J].The International Journal of Advanced Manufacturing Technology, 2016, 84(1):405-424.

[18] Tang Jianchao, Zhang Guoji, Lin Binbin, et al.A hybrid algorithm for flexible job-shop scheduling problem[J].Procedia Engineering, 2011, 15(1):3678-3683.

[19] Li X, Lu J, Chai G, et al. Hybrid genetic algorithm for mixed-model hybrid-shop scheduling problem[J]. China Mechanical Engineering, 2012, 23(8):935-940.

[20] Chen K, Zheng W M. Cloud computing: System instances and current research[J]. Journal of Software, 2010, 20(5):1337-1348.

[21] Fu Jingzhi. A practical resource-searching method for manufacturing grid[J]. The International Journal of Advanced Manufacturing Technology, 2014, 74(1):335-340.

[22] Kessentini M, Ouni A, Langer P, et al. Search-based metamodel matching with structural and syntactic measures[J]. Journal of Systems & Software, 2014, 97:1-14.

[23] Wang Jihua, Liu Hong, Wang Huayu. A mapping-based tree similarity algorithm and its application to ontology alignment[J]. Knowledge-Based Systems, 2014, 56(C):97-107.

[24] Tai Lijun, Hu Rufu, Chen Caowei, et al. Manufacturing resources and demand intelligent matching in cloud manufacturing environment[J]. Advanced Materials Research, 2012, 616-618:2101-2104.

[25] Trokanas N, Cecelja F, Raafat T. Semantic input/output matching for waste processing in industrial symbiosis[J]. Computers & Chemical Engineering, 2014, 66(10):259-268.

[26] Tekli J, Chbeir R. Minimizing user effort in XML grammar matching[J]. Information Sciences, 2012, 210(10):1-40.

[27] Lartigau J, Nie L, Xu X, et al. Scheduling methodology for production services in cloud manufacturing[C]// International Joint Conference on Service Sciences. IEEE Computer Society, 2012:34-39.

[28] Yin Chao,Qing Xia,Wu Lizhen. Semantic matching technique of cloud manufacturing service based on OWL-S[J].Computer Integrated Manufacturing Systems, 2012, 18(7):1494-1502.

[29]Sheng Buyun, Zhang Chenglei, Yin Xiyan, et al. Common intelligent semantic matching engines of cloud manufacturing service based on OWL-S[J]. The International Journal of Advanced Manufacturing Technology, 2016, 84(1):103-118.

[30] 李成海, 黄必清. 基于属性描述匹配的云制造服务资源搜索方法[J]. 计算机集成制造系统,2014, 20(6):1499-1507.

[31]郑镁, 罗磊, 江平宇. 基于语义Web的云设计服务平台及关键技术[J]. 计算机集成制造系统, 2012, 18(7):1426-1434.

[32]郑立斌, 顾寄南. 网络制造资源发现机制的研究[J]. 机械设计与制造,2011(4):242-243.

[33]王成建, 刘建胜, 夏芳臣,等. 云制造服务资源多层次匹配算法研究[J]. 机械设计与制造,2014(5):250-252.

[34]Li Huifang , Dong Xun , Song Changgang. Intelligent searching and matching approach for cloud manufacturing service[J]. Computer Integrated Manufacturing Systems, 2012, 18(7):1485-1493.

[35] 胡德敏, 张明英. 多关键字云资源搜索算法研究[J]. 计算机应用研究,2016, 33(9):2615-2618.

[36]李新. 基于本体的制造资源建模与智能搜索研究开发[D]. 西安：西安建筑科技大学,2016.

[37]刘慧敏, 宋庭新, 伍孟轩,等. 一种基于本体语义的云制造服务供需智能匹配方法[J]. 湖北工业大学学报, 2015, 30(1):47-50.

[38]黎明, 吴跃, 陈佳. 基于语义搜索引擎的云资源调度[J]. 计算机应用研究, 2015, 32(12):3735-3737.

[39]刘烨, 史明华. 基于OWL-DL的制造加工服务描述建模方法[J]. 计算机集成制造系统, 2011, 17(4):767-775.

[40] Wang Lei, Guo Shunsheng, Li Xixing, et al. Distributed manufacturing resource selection strategy in cloud manufacturing[J]. International Journal of Advanced Manufacturing Technology, 2016:1-14.

[41] Zhou Jiajun，Yao Xifan. A hybrid artificial bee colony algorithm for optimal selection of QoS-based cloud manufacturing service composition[J]. International Journal of Advanced Manufacturing Technology, 2016:1-17.

[42]Zheng Hao, Feng Yixiong, Tan Jianrong. A fuzzy QoS-aware resource service selection considering design preference in cloud manufacturing system[J]. The International Journal of Advanced Manufacturing Technology, 2016, 84(1):371-379.

[43]Liu Yongkui ,Xu Xun, Zhang Lin, et al. Workload-based multi-task scheduling in cloud manufacturing[J]. Robotics and Computer-Integrated Manufacturing, 2016，45(2017):3-20.

[44]Li Huifang, Rui Jiang , Ge Siyuan. Researches on manufacturing cloud service composition & optimization approach supporting for service statistic correlation[C]// CCDC, 2014:4149-4154.

[45] Jian,C.F,& Wang,Y. Batch task scheduling-oriented optimization modelling and simulation in cloud manufacturing.International [J]. Journal of Simulation Modelling,2014,13(1), 93-101.

[46] Singh S, Chana I, Singh M, et al. SOCCER: Self-Optimization of Energy-efficient Cloud Resources[J]. Cluster Computing, 2016:1-14.

[47]Zhang Zhenghuan, Jiang Xiaofeng, Xi Hongsheng. Optimal content placement and request dispatching for cloud-based video distribution services[J]. International Journal of Automation & computing, 2016, 13(6):1-12.

[48] Wang Zhongjie, Xu Xiaofei. A sharing-oriented service selection and scheduling approach for the optimization of resource utilization[J]. Service Oriented Computing and Applications, 2012, 6(1):15-32.

[49] Ding Kai, Jiang Pingyu, Zheng Mei. Environmental and economic sustainability-aware resource service scheduling for industrial product service systems[J]. Journal of Intelligent Manufacturing,2015:1-14.

[50] 熊永华, 王静, 吴敏,等. 面向多目标优化的云制造虚拟资源调度方法[J].计算机集成制造系统, 2015, 21(11):3079-3087.

[51] 袁浩, 李昌兵. 基于社会力群智能优化算法的云计算资源调度[J]. 计算机科学, 2015, 42(4):206-208.

[52]武善玉, 张平, 李方. 云制造系统中基于粒子群优化的多任务调度[J].华南理工大学学报, 2015, 43(1):105-110.

[53]马军, 罗国富, 路迪,等. 制造资源云集成元建模及云Agent服务调度研究[J].中国机械工程, 2014,25(7)：917-923，930.

[54] 江笑妍, 李芳. 云制造环境下基于蚁群算法资源动态调度优化[J]. 物流科技, 2016, 39(1):24-27.

[55] 邰丽君, 胡如夫, 赵韩,等. 面向云制造服务的制造资源多目标动态优化调度[J]. 中国机械工程, 2013, 24(12):1616-1622.

[56] 肖莹莹, 李伯虎, 庄长辉,等. 面向用户多品种定制的分布式供应链调度[J]. 计算机集成制造系统, 2015, 21(3):800-812.

[57] 唐海波, 黄琼琼, 张明,等. 云制造环境下资源动态调度系统研究[J]. 机械工程与自动化, 2014(6):4-6.

[58] 赵莉. 基于改进布谷鸟搜索算法的云计算资源调度[J]. 南京理工大学学报, 2016, 40(4):472-476.

[59] 薛玉.云计算环境下的资源调度优化模型研究[J].计算机仿真,2013,30(5):362-365.