考慮資源需求差異的印包設備網絡協同制造資源匹配方法

王博朝，陳菊紅*，李彥鋒，習大潤，焦飛強，劉善慧

考慮資源需求差異的印包設備網絡協同制造資源匹配方法

王博朝1a，陳菊紅1a*，李彥鋒2，習大潤2，焦飛強2，劉善慧1b

（1.西安理工大學 a.經濟與管理學院 b.包裝印刷與數字媒體學院，西安 710048； 2.陜西北人印刷機械有限責任公司，陜西 渭南 714000）

包裝印刷裝備行業存在制造資源分散、產業協同不足和效率低等問題，針對網絡協同制造中的制造資源匹配問題提出一種有效方法。從不同子任務資源需求差異視角出發，構建基于TQCS制造資源評價指標體系及制造任務約束體系，通過層次分析法計算不同子任務的權重，以資源與任務的匹配度最大為目標函數，提出基于萊維飛行–遺傳算法的網絡協同制造資源匹配方法。改進的資源匹配方法相較于傳統方法，能夠得到成本更低、時間更短的方案，并且改進的遺傳算法的尋優能力更高。相較于傳統方法，改進的制造資源匹配方法的目標函數更合理、權重取值更客觀、尋優能力更好，能夠得到更為合理的制造資源匹配方案。

印包設備；協同制造；資源匹配；遺傳算法；萊維飛行

隨著時代的發展，數字化技術突飛猛進，包裝印刷品的個性化需求也在不斷提高，對包裝印刷裝備的高效定制化生產能力也提出了更高的要求[1]。與德國、瑞士、美國、日本等發達國家相比，我國包裝印刷裝備制造業企業以中小企業為主，存在制造資源分散、產業協同能力不足、生產效率低等問題，嚴重制約了我國包裝印刷裝備制造業的定制化生產能力及產品的市場競爭力。網絡協同制造模式是充分利用網絡技術、信息技術，將生產經營中的業務工作串聯成并行工程，推進產業鏈和供應鏈企業間的產品設計、工藝、制造、業務流程等方面的協同生產模式。該模式能夠提高裝備制造業的產能利用率和生產制造彈性[2]，在包裝印刷裝備制造業構建網絡協同制造模式勢在必行。該模式有效運行的前提在于能否對制造資源進行合理高效的匹配，因此制造資源的匹配方法是網絡協同制造模式實施的關鍵。

目前，學者們圍繞制造資源的匹配方法進行了卓有成效的研究，提出的主要匹配方法包括基于語義相似度[3]、邏輯推理[4]、粗糙集[5]、灰色關聯度[6]、多維可拓理論[7]等的方法。除此之外，也有學者對匹配過程中的其他問題進行了研究。例如，湯華茂[8]針對現有模型很難進行虛擬化描述和智能化管理問題，研究并建立了基于制造資源服務本體的集成化與智能化的服務模型；康玲等[9]為了解決制造環境中的加工資源發現問題，建立了基于本體的加工資源發現機制；Shi等[10]針對包裝印刷裝備行業具體零部件虛擬化建模問題，提出印刷機導輥云制造信息建模方法，并建立了印刷機導輥云制造信息的本體模型。

雖然針對制造資源匹配問題的研究取得了很多成果，但仍然存在一些問題尚待解決。例如，將1個訂單任務分解為多個子任務時，不同子任務針對時間、質量、成本、服務等指標的要求不同，因此在計算時也應當按照不同權重計算。由于很多現有方法并未注意子任務的權重獨特性，因此存在權重僵硬問題。同時，傳統匹配方法大多選擇綜合評價值最大的制造資源作為目標解，致使該方法存在一味追求制造資源綜合評價指標值最大，但匹配結果并非最滿足用戶任務需求的問題，容易造成制造資源配置的浪費。這是因為傳統方法很少從不同子任務的視角出發，考慮不同資源需求的差異，因而造成權重僵硬和資源配置浪費。除此之外，傳統遺傳算法在優化過程中無法預判優化進度，使得最終方案存在局部最優的情況。上述問題導致印刷裝備網絡協同制造平臺下的資源配置方案往往并非最優方案，這就影響了印刷裝備網絡協同制造的協同效率，阻礙了產業網絡協同制造模式轉型升級的進程。

針對以上問題，筆者從子任務資源需求差異視角出發，建立制造資源評價指標體系和制造任務約束體系，針對不同子任務在不同約束下的取值，計算得到評價指標權重，以解決權重僵硬問題。將制造資源指標與制造任務約束的最大匹配度作為目標函數，解決資源配置浪費問題。結合萊維飛行改進的遺傳算法，避免尋優過程中過早陷入局部最優的問題。為了簡化研究內容，這里將制造資源界定為被云平臺虛擬化的供應商企業，不再對制造資源的建模和分類進行更深入的研究。

1 問題描述

1.1 印刷裝備網絡協同制造平臺下資源匹配流程

在印刷裝備網絡協同制造模式下，印刷裝備龍頭企業運用物聯網、云計算等新一代信息技術構建印刷裝備網絡協同制造平臺。該平臺能夠將處于不同空間的印刷裝備制造企業（平臺的成員企業）的制造資源通過虛擬化手段集中起來。需求方將任務發布在平臺上，平臺對任務進行分解，并匹配相關的制造資源。

印刷裝備網絡協同制造平臺資源匹配流程：制造資源虛擬化階段，平臺方將供應商企業的制造能力虛擬化為制造資源R（=1, 2, ...,），對相關平臺型指標賦值打分，將信息存儲于數據池中；任務分解發布階段，在任務發布方發布某訂單后，印刷裝備網絡協同制造平臺對訂單進行分解，形成若干個子任務Z（=1, 2, ...,），并將子任務返回任務發布方，發布方對子任務進行篩選，保留發布方自行完成和具有長期合作伙伴的子任務，將進行網絡協同制造的子任務上傳到平臺，并填寫相關約束（、、、）；任務篩選階段，平臺方將子任務的相關信息發送給制造資源提供方，提供方可以根據自身生產狀態選擇合適的子任務，并上傳自主型的指標值（T、Q、C、S），選擇子任務，上傳的制造資源形成了制造資源集G（=1, 2, ...,）；制造資源匹配階段，通過匹配模型和算法將制造資源集中的制造資源與子任務進行匹配，并將最優匹配方案發送給制造資源提供方，制造資源提供方提供相應服務，即執行相應的制造任務。

1.2 制造資源評價指標體系

印刷裝備網絡協同制造平臺制造資源評價指標體系是進行制造資源篩選和優選的關鍵。考慮到計算的簡便性和經典性，這里采用、、、四大一級指標。二級指標參考前人的研究[11-12]，得到制造資源指標體系，如表1所示。

二級指標分為平臺型、自主型2種類型。平臺型的指標由平臺方負責評估打分，自主型的指標由制造資源提供方在子任務分解后填寫預估值。其中，語義類的指標需要進行模糊打分處理，所有指標都需要進行歸一化處理后，再進行后續匹配計算。各個二級指標權重由專家打分獲得，為固定值，且一級指標下的各二級指標權重之和為1。

表1 制造資源指標體系

Tab.1 Manufacturing resource index system

1.3 任務語義約束體系

任務語義約束體系是針對傳統方法存在的取值權重僵硬問題提出的解決思路，約束指標與資源評價指標具有對應關系，見表2。其中，為時間約束（time）、為質量約束（quality）、為成本約束（cost）、為服務約束（service）。任務發布方對不同子任務的4個指標進行模糊打分，根據4個模糊語義，通過層次分析法計算得到該子任務的4個一級指標權重；和為確定值，為制造資源提供方提供參考和設置匹配算法約束條件。

表2 子任務約束

Tab.2 Subtask constraint

2 萊維飛行-遺傳算法優選模型

2.1 指標數據處理

2.1.1 數據歸一化

鑒于所列評價指標存在單位和數量級的差異性，為確保評價過程的一致性和公平性，這里引入歸一化公式進行規范化處理，見式（1）[13]。

式中：q為評價指標；qmax為評價指標的最大值；qmin為評價指標的最小值；q'為歸一化后的值。同時，對正向指標和負向指標進行不同處理，1、2、1、2、3為正向指標，1、2、1、2為負向指標。

2.1.2 數據去模糊化

采用三角模糊數來表達具有模糊性質的評價指標。語義變量有低、中、高、極高4個檔次，對應的三角模糊數為（0, 0.25, 0.5）、（0.25, 0.5, 0.75）、（0.5, 0.75, 1）、（0.75, 1, 1）。首先，將各個相關模糊指標轉化為三角模糊數，然后再將其轉化為數值。表示三角模糊數期望值，L、M、U分別為指標的下、中、上值，表示風險態度，取0.5表示中立，見式（2）。

2.2 目標函數的建立

2.2.1 指標權重計算

每個子任務都具有不同的約束要求。在任務發布方給出子任務語義約束時，根據層次分析法、語義指標層次、判斷矩陣（表3），即可得到子任務各項指標的權重ω(TQCS)。

表3 語義指標層次及判斷矩陣

Tab.3 Semantic index hierarchy and judgment matrix

2.2.2 最大匹配度

印刷裝備網絡協同制造平臺的制造資源配置問題是一個涉及多方協同和優化的復雜過程。這一過程主要由服務使用方驅動，平臺方負責協同優化，服務提供方則負責執行具體的制造任務。在這種模式下，平臺方扮演著關鍵角色，它需要根據任務需求，在眾多可用的制造資源組合中，選取綜合評價值最高的服務組合作為最終的配置結果。這里稍加改進，結合前文任務指標語義約束，將制造資源指標值與子任務約束值的最大匹配度作為目標函數，取代傳統指標以綜合評價值最高為目標函數。定義印刷裝備網絡協同制造平臺下資源匹配的最大匹配度函數為(MD)，見式（3）。

同時，對式（3）中質量和服務的指標值與約束值匹配度進行以下處理：在實際計算中，如果計算結果不大于1，則按實際計算結果代入式（3）進行計算；如果實際計算結果大于1，則將1作為質量匹配度/服務匹配度代入式（3）進行計算。這樣可以使質量與服務的匹配度對最終結果的影響受到限制，避免了配置結果的制造資源質量與服務水平遠超任務需求所帶來的時間延長和成本提高的情況，進而減少了資源配置的浪費，提升了整體的資源利用率。

2.3 萊維飛行-遺傳算法

面向訂單任務的印刷裝備網絡協同制造平臺資源優化配置的研究目標是為制造任務輸出最大匹配度的制造資源序列，屬于典型的NP-hard問題。這類問題的計算具有極高的復雜性，難以在多項式時間內找到最優解。粒子群算法、蟻群算法、模擬退火算法、遺傳算法和神經網絡算法都是目前廣泛用于解決NP-hard問題的智能優化算法。這些算法各有特點，適用于不同的問題場景。

遺傳算法（Genetic Algorithm, GA）由美國學者John Holland在20世紀70年代首次提出[14]。該算法的核心思想源于自然界中的生物進化規律，根據達爾文的生物進化論中關于自然選擇和遺傳學原理而來。遺傳算法通過模擬生物進化過程來尋找問題的最優解，這種模擬計算模型在優化問題中展現出強大的搜索能力[15]。

張慧平等[16]將萊維飛行（Levy-flight）特征與遺傳算法相結合，以改進傳統遺傳算法。這里使用此算法來解決印刷裝備網絡協同制造平臺資源配置問題，并結合算例進行驗證。萊維公式見式（4）。

式中：為步長，可控制搜索范圍。

采用的位置變化公式見式（5）。

利用群體目標函數標準差反映所有粒子的收斂程度，其定義見式（6）。

式中：f為第個粒子的目標函數值；avg為整個群體粒子的目標函數平均值；為整體歸一化定標因子。

2.4 算法求解步驟

1）編碼。采用整數編碼方法建立染色體數量與云制造資源優選組合的映射關系。個子任務（1, …, Z），每個染色體內包含的個基因與個子任務對應。然后，將每個子任務匹配到候選制造資源集合（1{…}，…，G{…}）中，最終形成個與子任務對應的候選服務組合，每個包含（=1, 2, 3, …）個待選制造資源。

2）種群初始化。定義染色體的數量為，制造子任務的數量為，子任務的序號為，最大迭代次數為，交叉概率為a，變異概率為b，以及萊維飛行的初始參數等，輸出種群初始矩陣。

3）設置適應度函數。這是遺傳算法進化的驅動力和自然選擇的標準。

4）設定算法停止規則。

5）萊維飛行。實施萊維飛行搜索機制。

6）交叉和變異操作。根據概率a、b，使染色體交叉或變異，生成新矩陣。

7）計算資源組合集合的適應度，確定當前代最優染色體。

8）判斷是否滿足停止規則。若不滿足，則繼續循環。若滿足，則再次計算適應度，找出最優解。

9）算法結束。

3 算例驗證

3.1 算例描述

以陜西北人印刷機械有限責任公司發布的一臺凹版印刷機訂單為例，此訂單被平臺分解為導向輥、墻板、供墨系統、刮刀、齒箱、烘箱、風機、伺服電機、控制系統等子任務。其中，導向輥、墻板等子任務由該企業自行生產制造，最終反饋至平臺需要匹配制造資源進行協同制造的子任務約束及其預算如表4所示。預算相關數據由企業技術人員提供，同時根據表3數據采用層次分析法得到子任務指標的權重。篩選后的子任務制造資源集見表5。鑒于文章篇幅所限，這里僅展示印刷裝備網絡協同制造平臺部分候選制造資源的評價指標信息，具體數據見表6。已對表6中所列數據進行了歸一化及去模糊化處理，確保其準確性和可靠性。

表4 任務列表

Tab.4 List of tasks

表5 任務候選制造資源列表

Tab.5 List of task candidate manufacturing resources

3.2 驗證與討論

設定參數：=30，=7，最大迭代次數=500，交叉概率a=0.2，變異概率b=0.2，在萊維飛行內=1.5。設定約束條件：總成本不高于94萬元，總時間不多于940 h。該約束條件由表5中各子任務成本與時間預算相加所得。如圖1～2所示，萊維飛行–遺傳算法最優適應度為6.58，傳統遺傳算法最優適應度為4.27。對比可知，萊維飛行–遺傳算法的適應度更高、表現更好。

如表7所示，根據萊維飛行–遺傳算法列出了4組最優方案。方案1～4的適應度分別為6.58、6.52、6.42、5.98，綜合考慮可知最優方案為方案1。同時，以傳統最大綜合評價值為目標函數，在制造資源一級評價指標權重固定的情況下，通過萊維飛行–遺傳算法得到適應度最高的匹配方案如表8所示。

對比表7和表8可知，雖然二者最優方案的適應度相差不大，但表7方案的時間更短、成本更低。對比結果可知，文中提出的考慮資源需求差異的印包設備網絡協同制造資源匹配方法相較于傳統的制造資源匹配方法，具有更好的尋優能力，得到了更合理的匹配方案。

表6 候選制造資源指標信息（部分）

Tab.6 Information of candidate manufacturing resources index (partial)

圖1 萊維飛行–遺傳算法適應度曲線

圖2 傳統遺傳算法適應度曲線

表7 制造資源優選結果

Tab.7 Optimization results of manufacturing resources

表8 制造資源優選結果

Tab.8 Optimization results of manufacturing resources

4 結論

基于目前包裝印刷裝備企業向網絡協同制造模式轉型的背景和趨勢，從子任務資源需求差異視角出發，提出基于萊維飛行–遺傳算法的網絡協同制造資源匹配方法。首先建立了制造資源評價指標體系和制造任務約束體系，之后通過層次分析法計算各個子任務的專屬權重，最終以制造資源和制造任務約束的最大匹配度為目標函數，采用萊維飛行–改進遺傳算法進行尋優，最終的匹配結果具有更高的適應度和更低的成本。展望未來，隨著印刷裝備網絡協同制造平臺結構的不斷完善，以及新一代物聯網相關技術和信息的不斷發展，制造資源評價指標的獲取將會更加簡便、精確，如何進行更為全面和更有針對性的指標體系構建及相關算法研究是下一步研究方向。

[1] 張朝陽, 徐莉萍, 張增強, 等. 基于改進遺傳算法的導向輥生產調度方法研究[J]. 包裝工程, 2022, 43(19): 208-215. ZHANG C Y, XU L P, ZHANG Z Q, et al. Research on Production Scheduling Method of Guide Roll Based on Improved Genetic Algorithm[J]. Packaging Engineering, 2022, 43(19): 208-215.

[2] 徐建偉. 推進產業深度融合發展 增強裝備制造業核心競爭力[J]. 宏觀經濟管理, 2019, (11): 35-41. XU J W. Advance the Deep Integration of Industries Enhance the Core Competitiveness of the Equipment Manufacturing Industry[J]. Macroeconomic Management, 2019 (11): 35-41.

[3] 汪衛星. 云制造資源語義描述和服務匹配策略[J]. 重慶大學學報, 2017, 40(5): 1-6. WANG W X. Cloud Manufacturing Resources Semantic Description and Service Matching Strategy[J]. Journal of Chongqing University, 2017, 40(5): 1-6.

[4] 尹超, 夏卿, 黎振武. 基于OWL-S的云制造服務語義匹配方法[J]. 計算機集成制造系統, 2012, 18(7): 1494-1502. YIN C, XIA Q, LI Z W. Semantic Matching Technique of Cloud Manufacturing Service Based on OWL-S[J]. Computer Integrated Manufacturing Systems, 2012, 18(7): 1494-1502.

[5] LI M Z, YU B, HUANG C, et al. Service Matchmaking with Rough Sets[C]// Sixth IEEE International Symposium on Cluster Computing and the Grid (CCGRID' 06). IEEE, 2006: 8-130.

[6] 楊騰, 張映鋒, 王晉, 等. 云制造模式下制造服務主動發現與敏捷配置方法[J]. 計算機集成制造系統, 2015, 21(4): 1124-1133. YANG T, ZHANG Y F, WANG J, et al. Initiative Discovery and Agile Configuration of Manufacturing Services for Cloud Manufacturing[J]. Computer Integrated Manufacturing Systems, 2015, 21(4): 1124-1133.

[7] 朱李楠. 云制造環境下資源建模及其匹配方法研究[D]. 杭州: 浙江工業大學, 2014: 58-88. ZHU L N. Research on Resource Modeling and Matching Method in Cloud Manufacturing Environment[D]. Hangzhou: Zhejiang University of Technology, 2014: 58-88.

[8] 湯華茂, 郭鋼. 云制造資源虛擬化描述模型及集成化智能服務模式研究[J]. 中國機械工程, 2016, 27(16): 2172-2178. TANG H M, GUO G. Virtualization Descriptions and Integrated Intelligent Service Model of Cloud Manufacturing Resources[J]. China Mechanical Engineering, 2016, 27(16): 2172-2178.

[9] 康玲, 陳桂松, 王時龍, 等. 云制造環境下基于本體的加工資源發現[J]. 計算機集成制造系統, 2013, 19(9): 2325-2331. KANG L, CHEN G S, WANG S L, et al. Ontology Based Process Resource Discovery for Cloud Manufacturing[J]. Computer Integrated Manufacturing Systems, 2013, 19(9): 2325-2331.

[10] SHI K Q, LIU S H, ZHANG Z Q, et al. Modeling Method of Guide Roller Manufacturing Information Based on Ontology Modeling[C]// XU M, YANG L, ZHANG L, et al. China Academic Conference on Printing and Packaging. Singapore: Springer, 2023: 420-424.

[11] 尹超, 許加晟, 李孝斌. 基于NSGA-Ⅲ算法的云制造服務組合優選方法[J]. 計算機集成制造系統, 2022, 28(4): 1164-1176. YIN C, XU J S, LI X B. NSGA-Ⅲ Based Service Composition Optimization Method in Cloud Manufacturing[J]. Computer Integrated Manufacturing Systems, 2022, 28(4): 1164-1176.

[12] 潘燕華, 王克, 王平. 云計算環境下復雜產品價值鏈合作伙伴選擇研究[J]. 計算機集成制造系統, 2021, 27(12): 3651-3658. PAN Y H, WANG K, WANG P. Partner Selection of Complex Product Value Chain in Cloud Computing[J]. Computer Integrated Manufacturing Systems, 2021, 27(12): 3651-3658.

[13] 龔小容. 云制造環境下機床裝備資源動態服務關鍵技術研究[D]. 重慶: 重慶大學, 2018: 23. GONG X R. Research on Key Technologies of Dynamic Service of Machine Tool Equipment Resources in Cloud Manufacturing Environment[D]. Chongqing: Chongqing University, 2018: 23.

[14] ROSTAMI M, MORADI P. A Clustering Based Genetic Algorithm for Feature Selection[C]// 2014 6th Conference on Information and Knowledge Technology (IKT). IEEE, 2014: 112-116.

[15] WANG Z Z, SOBEY A. A Comparative Review between Genetic Algorithm Use in Composite Optimisation and the State-of-the-Art in Evolutionary Computation[J]. Composite Structures, 2020, 233: 111739.

[16] 張慧平, 劉廣源, 呂浩偉, 等. 云建造平臺下面向任務的建造裝備配置算法研究[J]. 土木工程學報, 2023, 56(9): 168-177. ZHANG H P, LIU G Y, LYU H W, et al. Research on Task-Oriented Construction Equipment Configuration Algorithm Based on Cloud Construction Platform[J]. China Civil Engineering Journal, 2023, 56(9): 168-177.

Resource Matching Method for Collaborative Manufacturing of Printing Package Equipment Network Considering Differences in Resource Demand

WANG Bozhao1a, CHEN Juhong1a*, LI Yanfeng2,XI Darun2,JIAO Feiqiang2, LIU Shanhui1b

(1. a. School of Economics and Management, b. Faculty of Printing, Packaging Engineering and Digital Media Technology, Xi'an University of Technology, Xi'an 710048, China; 2. Shaanxi Beiren Printing Machinery Co., Ltd., Shaanxi Weinan 714000, China)

The work aims to provide an effective method for the matching of manufacturing resources in the collaborative manufacturing of packaging and printing equipment network to solve the problems of dispersed manufacturing resources, lack of industrial coordination and low efficiency. From the perspective of different subtask resource demand difference, a manufacturing resource evaluation index system and a manufacturing task constraint system was built based on TQCS to calculate the weight of different subtasks with resources and task maximum matching degree as the target function, to propose a matching method for network collaborative manufacturing resources based on the levy flight genetic algorithm. The improved resource matching method could get lower cost and shorter time than the traditional method, and the improved genetic algorithm has higher optimization ability than the traditional genetic algorithm. Compared with the traditional method, the manufacturing resource matching method proposed in this paper has more reasonable objective functions, more objective weight values and better optimization ability, and can get a more reasonable manufacturing resource matching scheme.

printing package equipment; collaborative manufacturing; resource matching; genetic algorithm; levy flight

TH166；TB486

A

1001-3563(2024)09-0225-07

10.19554/j.cnki.1001-3563.2024.09.029

2023-06-26

國家重點研發計劃（2019YFB1707201）