基于深度学习和进化计算的动态制造云服务调度

Along with the perception and servitization of manufacturing resources and the increasing diversity of customer demand, service scheduling in manufacturing cloud system is facing the challenges of dynamic, large-scale and many-objective optimization. In a dynamic cloud environment, there are obvious shortcomings of traditional static service scheduling due to the vary quality attributes of cloud services and the changing size of candidate service set. To meet the trends of mass customization and personalization, this project focuses on the research of optimal scheduling of manufacturing cloud services, under the support of big data analytics and evolutionary computation. Specifically, the predicting method for manufacturing cloud service scheduling model based on deep learning, the optimization mode of multi-task scheduling based on transfer learning, and the search strategy of many-objective optimization with the aid of Pareto front modeling are investigated. At last, the proactive scheduling method for manufacturing cloud services in dynamic environment is proposed. Research of the project will enrich and expand existing service scheduling theories and methods, providing technical support for the decision-making of production operation under uncertain dynamic manufacturing environment. It will also be of great theoretical and practical significance to promote the development of smart manufacturing in China.

随着制造资源的服务化接入及用户需求的多样性增加，制造云系统服务调度面临动态、大规模、高维多目标优化的挑战。在动态云环境下，由于云服务质量属性或候选服务集规模随时间动态演变，传统的静态服务调度方式存在明显缺陷。本项目围绕用户大规模个性化定制需求，以制造云服务优化调度为研究对象，结合大数据分析与进化计算的最新研究成果，探讨基于深度学习的制造云服务调度模型动态预测方法、基于迁移学习的多调度任务优化模式、基于前沿面建模的高维多目标搜索策略，最终提出动态环境下制造云服务主动调度方法体系。项目研究将丰富和拓展现有的服务调度理论与方法，并为不确定动态制造环境下的生产运营决策提供技术支撑，对于促进我国制造业智能化发展具有重要的理论和现实意义。

智慧云制造是新一代信息技术与服务型制造模式深度融合的产物，对社会化制造资源的汇聚共享、深度集成和分布式使用具有重要意义。制造云资源调度对实现制造资源的高效动态共享和利用起到关键支撑作用，同时也对传统的调度理论、模型与方法提出了挑战。本项目围绕动态复杂环境下制造云资源的调度理论与方法展开研究，引入新兴机器学习方法，弥补传统计算智能方法在计算效率及寻优能力方面的不足，探索机器学习与群体智能混合驱动的云资源调度基本框架及理论。提出了一系列面向大规模高维多目标的云资源调度的群智能搜索模型、方法与技术，研究了基于分布式多智能体深度强化学习的动态复杂制造资源调度机理，以及迁移学习辅助的制造云多任务调度优化技术。.通过本项目的研究，共发表标注了本项目基金号的高质量学术期刊论文12篇，其中被IEEE TEVC、INS、JIM、JMS、RCIM等领域内国际知名SCI期刊（JCR一区）收录论文10篇（其中9篇项目负责人为第一作者），被《机械工程学报》、《计算机集成制造系统》等先进制造领域重要EI期刊收录论文2篇，1篇论文入选《计算机集成制造系统》期刊优秀论文（2020年），在国家一级出版社出版30万字专著1部，受邀担任JCR一区期刊特邀编委，机械工程学报、JIM、IEEE TSMC等领域重要期刊审稿人。在本项目的培育下，项目负责人先后获得中国博士后基金面上、特别资助等项目，入选中国地质大学（武汉）青年拔尖人才引进特任教授。通过本项目，培养了研究生12人，其中博士生4人，硕士生8人。