云制造模式下粤港澳大湾区供应链的调度优化问题研究

林子楚LIN Zi-chu；施婉思SHI Wan-si；郑思妙ZHENG Si-miao；白敏静BAI Min-jing；杜倩怡DU Qian-yi；刘念LIU Nian；张元阳ZHANG Yuan-yang；巫秋仪WU Qiu-yi

（华南师范大学，广州528225）

0 引言

当前，全球新一轮科学技术以及各类产业都在厚积薄发，大数据、云计算、物联网、区块链等新一代信息技术的快速发展和广泛应用，进一步促进了全球供应链的加速重构。Thakur 等（2016）指出面对制造业服务化或服务制造业时，应重构供应链并增加服务元素。制造企业需要重新配置其制造系统和供应链以适应客户不断变化的需求（Qi Tian 等，2019）。中国也以更加积极的姿态去推动高科技产业深入融入全球供应链体系，努力提升我国供应链安全水平。国务院印发的《粤港澳大湾区发展规划纲要》指出，对于未来的发展，粤港澳三地要充分利用好CEPA 及服务业开放先行先试政策，加强科技创新领域的交流合作，开拓国际国内市场，努力优化粤港澳大湾区供应链的调度，以推动其创新型战略转型（黄钟等，2019）。同时，大数据等数字新技术可加强供应链的优化调整和创新，建立完善的成本控制体系，推进行业间的数据联盟（雷晨光，2020）。

云制造是一种面向服务的新技术，融合了先进的制造技术和信息技术，按用户需求在网络上组织资源，使供应链上资源利用效率得以提高。随着相关技术的发展，云制造已经在许多企业得到应用和发展，如美国的制造能力交易平台MFG.COM 缩短了制造业的采购流程，中国航天科工二院等大型集团研发的云制造服务平台实现了复杂产品制造全生命周期服务。优化云制造供应链上的资源调度能够进一步推动经济多元发展，为粤港澳大湾区的企业开创更广阔的发展空间。

本文基于云制造模式下，通过构建供应链调度的优化模型，以期为提高粤港澳三地在云制造环境下的区域协同合作、资源调度配置优化等机制提供理论支撑，进而加强三地的经济联系，实现粤港澳大湾区供应链匹配机制的协调发展。

1 云制造供应链调度优化的基本概念

供应链调度是指通过建立模型找到优化的决策和方案，使供应链上成员利益最大化，其中包含加工调度和运输安排等环节的优化决策问题。供应链调度可以为供应链上的企业带来显著的经济效益，但是要考虑供应链上所有成员工作的协同与调度，需要细化的问题很多，一旦供应链的调度失职，会影响整条供应链的生存。

而云制造的出现为供应链调度提供了一种新的破题思路。这是一种依托云计算、物联网等新技术发展起来的一种新兴制造模式——支持制造业在广泛的网络资源环境下，为产品提供高附加值、低成本和全球化制造的服务。云制造供应链通过云平台将分散在各地的供应链上的闲散制造资源和能力汇聚，提供更符合用户需求的服务，较好地弥补了现有制造模式下资源调度的缺陷。

在云制造供应链上资源是可以无限拓展的，用户可随时按需租用，因此要对不确定数量的制造资源进行调度优化，而且调度过程中制造资源数量和种类是变化的，需要发现并替换错误制造资源。这是一种动态的资源调度优化方式，能够体现云制造动态性、容错性的核心技术，为了动态高效地利用廉价的制造资源（贺利军，2016）。

2 云制造供应链调度优化研究现状分析

2.1 文献综述

近年来，国内学者主要采用多种算法技术与先进的制造系统对云制造环境下的资源计划配置进行调整优化，建立相关的专业模型，为业界各领域的资源利用提供了良好的理论框架和可靠的技术指导。

武超然等（2014）改进蝙蝠算法对初始种群的产生进行限定，解决批任务调度问题，缩短找到合适任务分派策略的时间，证明了改进蝙蝠算法在云制造供应链调度中的有效性，避免了资源超载和资源闲置的现象，使任务总完成时间最短，推动着云制造在供应链方面的应用。江笑妍、李芳（2016）通过Matlab 仿真实验和蚁群算法解决了云制造在动态环境下一对一解决关键匹配问题，通过前后比对量化数据，实现了云资源提供者CSP 和云资源使用者CSU 在较短时间内的最优配置。结合云制造资源计划及服务能力，易玲玲等（2016）应用子链技术精确核算和计划制造资源，通过对子链之间的计划协商、进度反馈、冲突化解等机制进行深入研究，提出了各层次子链协调落实云制造资源计划的方法，帮助企业科学地跟踪和监控生产过程中的产品生产情况。陈友玲等（2019）结合双层规划资源优化配置模型，采用i-NSGA-II-JG 算法对多目标制造资源配置问题进行探索，得出了云制造环境制造资源的最优解。

国外不同学者则突出信息共享和数据转化的重要性，通过探究新算法与建立混合模型，实现物理系统与云计算资源的平衡，进一步优化数据传达的渠道，解决资源分配环节中出现的问题。

Atakan Yucel（2011）提出了一种加权的模糊规划方法，利用供应商的约束条件、目标和各因素的权重，建立了模糊多目标线性模型，解决了供应商的选择问题，为各供应商分配最优订货数量。Ben et al（2019）针对云计算的弹性和服务交付的弹性管理，提出了一个描述和评估基于服务的业务流程（SBP）弹性策略的框架——Stratfram，以帮助云租户在运营成本和QoS 水平间找到正确的平衡点。为解决云制造过程中的分布资源组合问题，避免制造资源分配的局部最优停滞，Bouzary 和Chen（2019）结合了遗传算法进化算子（evolutionary operators of the genetic algorithm）和灰狼优化算法（grey wolf optimizer algorithm）的特点，提出了一种新的混合算法。Ibn et al（2019）运用网格的定位方法，提出了两个混合整数线性规划模型，第一次使来源数据中心的位置分配问题得到有效的解决。Borangiu et al（2019）指出云服务和云资源加速了出版行业的数据转换，这一研究成果在未来的产业框架中实施网络物理生产系统和工业互联网的主要构建块至关重要。

由此可见，目前学者们对云制造的结构、框架、模型等的认知趋于一致，在云资源调度优化方向进行深耕，但在建模和运用算法的方面以低维多目标优化问题为主，而实际上的优化问题大多是高维多目标问题。本文从跨地理位置的供应链角度构建模型，应用遗传算法和蚁群优化算法寻找粤港澳三供应链资源调度的最优解，并引入服务质量模型权衡粤港澳三地面临的差异，尽可能缩小地区最优解的偏差。该算法能提高粤港澳三地在云制造环境下的区域协同合作、网络协作机制和资源调度配置优化，实现粤港澳大湾区供应链匹配机制的协调发展。

2.2 研究分类

目前，国内外学者对于供应链下的资源调度在传统生产调度和系统服务组合的优化研究已经相对成熟，但由于云制造环境异构化与动态化的特殊性，使其发挥效果在实际应用过程中大打折扣。但基于云制造模式下的供应链调度与传统资源调度的原理一致，在面对云制造模式下的供应链的调度优化问题的有关研究中，相关研究学者积极探索出了多种行之有效的调度方法、调度模型与调度算法，主要研究方法可归集为以下三种：

①针对服务的资源检索方法。李慧芳等（2018）提出一种高效且极具应用价值的制造云服务智能搜索与匹配方法，将服务类型与状态消息形式化描述后，再将请求端和服务的功能属性及非功能属性进行匹配，从而快速有效地筛选出具备最高匹配程度的制造云服务。Tai et al（2013）在剖析云设备资源特点的基础上，按照层面与级别多层次，层级之间精细化的匹配原则，构建出可以达到智能匹配服务供给与需求的一种相似化算法。李新等（2015）提出建立在云制造资源与加工任务的统一本体模型基础上的资源匹配模型，通过制造资源和加工任务两者之间的映射关系的智能匹配算法来解决资源发现的问题。

②基于调度模型的方法。张卫等（2012）提出基于服务质量的制造服务选择模型，并综合云模型和蚁群算法的优势，建立了制造服务调度模型来快速响应用户的在线制造服务申请。胡毅等（2010）针对调度最小化执行时间问题，提出了一种区别于传统蚁群算法并能灵活调度网格任务的以云模型为基点的自适应蚁群调度算法。王岩等（2017）结合云计算和工作流构建云工作流系统，并建立了划分为两个调度阶段的系统资源调度模型。

③针对多目标优化的方法。邰丽君等（2013）以时间、质量、成本三要素为多目标构建数学模型，建立了云制造环境下基于遗传蚁群算法的制造服务资源多目标动态调度模型。袁正午等（2016）提出了一种针对粒子群算法的认知项和社会项错乱问题的改进算法，其强劲的全局搜索能力可以更加有效地调度云计算资源。范泽兵等（2013）采用模糊聚类方法以实现设备负载率方差的最优化目标，并提出了系统的基于免疫遗传算法的优化制造资源配置的方法。

2.3 典型算法

云制造供应链调度优化受到科研学者广泛的关注，许多学者寻求高效的云资源调度策略，并在云资源调度算法研究领域进行了算法的优化，用以寻找供应链资源调度的最优解。下面介绍云制造供应链调度优化中的三种典型算法：

①粒子群算法。粒子群算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法，粒子群体通过迭代找到最优解。在粒子群算法中，“粒子”是随机搜捕食物的每只鸟，即优化问题的解，鸟群正在搜捕的食物即是问题的最优解。搜捕过程中每只鸟会共享信息，从而调整飞行轨迹，鸟群对每只鸟共享的信息进行整合后，共同调整飞行的速度及方向，直到找到食物。在这一迭代的过程中，空间中的粒子通过历史位置和其他粒子的信息来确定向量的调整，从而不断区域最优解，直至得到最优解。粒子的自有组织、粒子与空间的交互、粒子的记忆功能，都体现出粒子群算法是一种仿生优化算法，且具备智能性。

②遗传算法。遗传算法，同样是优化仿生算法，借助生物进化中“适者生存”的法则，通过模拟自然进化过程搜索最优解。遗传算法通过编码，将问题空间内的所有点表示为遗传空间的个体，空间中的个体对应所有可行解。经过种群初始化后，对个体的适应度进行评价，判断优劣程度，再进入选择、交叉、变异运算，终止条件判断输出最优解。与粒子群算法不同，遗传算法中个体不能共享信息，也无法保存记忆，使得个体收敛于最优解的效率较低。但遗传算法编码技术和遗传操作相对简单、收敛速度可估，适用于处理复杂问题。

③蚁群算法。蚁群算法模拟蚂蚁觅食的过程，以蚂蚁的行走路径表示待优化问题的可行解，所有蚂蚁的所有路径构成待优化问题的解空间。蚂蚁群体能够利用了自身在行走过程中释放的信息素，实现信息的传递，提高觅食效率。在离食物最近路径上的蚂蚁往返的频率会更快，释放的信息素也就越多，其他蚂蚁感知到信息素，便会集中到最短路径上，信息素便形成正反馈机制。蚂蚁数量众多，意味着多个个体并行计算，运行效率大大提高，且不容易陷入局部最优。此外，“信息素”的正反馈使得搜索过程不断收敛最终逼近最优解。但由于群体规模大，需要时间体现信息素累积的差异，因而需要较长的搜索时间。

3 优化模型

云制造依托云制造平台将分布在不同位置的空闲资源汇聚集成到高质量的云制造服务中，满足有制造任务需求的企业，快速响应动态市场需求，提高制造资源供应企业的资源利用率。云制造平台会根据属性信息自动将所请求的任务分解成若干子任务，然后从云资源池中搜索与每个子任务相匹配的资源，为优化过程准备相应的资源。该调度优化方法根据资源请求者的需求，以最小的加工时间和生产成本追求最佳的产品质量。云制造模式下跨地点资源供应链的调度优化，需要对不同地点的资源进行组合优化，而优化云制造供应链需要考虑的因素较多。云制造供应链调度优化中供应商的选择方法主要有三类：多准则决策、数学规划模型和人工智能方法。其中，多准则决策和数学规划模型方法是解决供应商选择问题的主要技术。然而，相比于智能优化算法，他们虽然有出色的优化能力，但是其对于复杂的组合优化问题处理能力较弱。因此，应用遗传算法和蚁群优化模型来选择多准则供应商，并利用遗传算法和蚁群优化的混合算法以解决云制造供应链调度优化问题，相较于传统的优化运算，该混合运算结合了不同算法和模型之间的优点，具有独特的优势。

3.1 目标函数建立过程

此外，在决策制定过程中，还包含了其他关键因素，故特别考虑了质量因素（Q）、技术研发强度（T）、文化兼容性（D）、财务状况（F）和成本因素（C）。所挑选的合适供应商应为最大化质量、文化兼容性、技术研发强度和财政状况以及最小化成本，将此记为{maxQ，maxT，maxD，maxF，minC}，即max{Q，T，D，F，-C}。一个公司的完整产品完成需要N 种由J 个合格供应商提供的原材料，对于第i 种原材料，它有Mi个潜在供应商，而候选的J，有5 类价值指标，Q，T，D，F，-C。而第i 种原材料可以写为qijtijdijfij（-cij）。这些潜在的供应商应满足下列函数：

约束等式如下：

3.2 云服务组成过程

云服务组成过程分为两个步骤。第一步发送请求分析和任务分解：当具体的任务β 提交给云平台时，该任务根据其制造过程的复杂性分为n 个子任务Sβ＝{Sβ1，Sβ2，…，Sβi}。其中，Sβi代表第i 个子任务，其中i＝1，2，…，n；第二步搜寻与匹配：为了完成子任务，相应的运算用于获得所有满足函数需求和服务需求质量的云制造供应链服务，然后针对供应链的每一个子任务产生相应的云制造候选服务集。

3.3 服务质量（Quality of Service，QoS）评估模型分析

由于粤港澳大湾区的地区性，同时为了避免过度约束导致本研究失去普遍性，因此在服务质量模型中仅考虑四个因素，时间qβe、成本qcc、可用性qms和可靠性qre，及其数据均由服务提供者与云平台提供。

时间：βE={βErun，βEtrans}，其中βErun是系统运行时间，βEtrans是网络传输时间。成本：包含管理成本CCmanagement、物流成本CClogistic和执行成本CCexecution。可用性：云制造服务有能力在时区[t1，t2]能行使资源调度，可表示为：MS=t0/（t2-t1），其中，t0表示在[t1，t2]时间区间成功调用的时间。可靠性：云制造资源平台就给定的时间和条件下成功完成了任务，即实现了i 个供应商与j 种原材料相匹配，可表示为：RE=α1/（α0+α1），其中，α0表示系统匹配任务执行失败的次数，α1表示系统匹配任务成功执行的次数。

经过标准化后， 云制造服务（Cloud Services Manufacturing，CMS）的评估模型为：

根据线性权重方法，云制造服务平台组成服务的服务质量方程为：CQ＝w1QβE+w2QCC+w3QMS+w4QRE

其中，w1，w2，w3和w4为权重系数，由用户或者行业专家给定。

3.4 遗传算法和蚁群优化算法

应用遗传算法和蚁群优化算法能够计算出粤港澳三地的地区供应链资源调度优化解。遗传算法的初始操作步骤主要包括译码、生成初始总体、确定适应度函数（即方程（3）），通过基本的基因操作，加速方程（3）的收敛，以获得目标最优解。

除此以外，对蚁群优化算法做出如下改进：在迭代中，只有表现最佳的蚂蚁才被允许更新信息素。

信息素强度P 适用于区间[Pmin，Pmax]。

所有蚂蚁开始搜索之前，将所有路径的初始信息素强度最大化，且选择较小的信息素挥发率ρ。设定以下方程更新粤港澳三地的地方信息素，以加快搜索的收敛，从而确保每只蚂蚁留下的信息素有效。

其中，B 为常数，k 表示蚂蚁总数量，x 表示系统所选择服务的次数，CQall表示搜索中所有蚂蚁组选择服务组合的服务质量评估值之和。

4 总结和展望

加强云制造供应链资源的调度优化能够促进粤港澳大湾区的产业升级。在传统制造业的转型升级中，数字化转型和服务型制造是必不可少的。云制造作为一种先进的技术手段，可以在三个方面帮助粤港澳大湾区的产业升级：一是能够帮助整合现有各类的资源，提高资源利用率，进而突破单一资源的能力极限；二是能够促进产业融合，特别是促进制造业与服务业融合，进一步完善产业链；三是能够实现个性化定制生产，企业可以大数据平台为基础、以柔性化生产为依托，根据客户需求进行个性化定制生产。

本文利用遗传算法和蚁群优化的混合算法对云制造供应链调度优化问题进行了模型建立，该模型可以为研究粤港澳大湾区的资源调度和优化配置提供一定的理论指导。云制造供应链资源的调度优化能以供应链的形式对云制造资源进行计划生产，细致化计划对象，减少原材料库存，降低产品的生产成本，并帮助企业追踪产品的生产情况。而借助于云平台提供的大数据，还可实现供应子链之间的横向和纵向协调配置资源，减少制造计划执行过程中可能出现的错误匹配局面，并为那些生产能力不足的中小企业提供了资源整合的渠道。

本文也有不足之处，如仅对调度模型进行建立。因此，未来可以进一步利用遗传算法和蚁群优化算法，结合服务质量评估模型求出最优解，并根据结果检验权重指标的代表性、信度和效度，分析出影响粤港澳大湾区供应链调度的因素，从而提出优化的可行性建议。