宋士琳，赵 柱，薛 鹏，马沁怡，周茂军

(大连工业大学机械工程与自动化学院，辽宁 大连 116034)

0 引言

近年来，制造业逐渐由传统的线下交易模式转向线上交易模式，在信息技术和物流业的发展推动下，制造业倾向于开始外包其制造活动[1-2]。在此背景下，云制造(Cloud Manufacturing ,CMfg)作为新型网络化制造模式和集成技术正逐渐兴起，成为先进制造的重要发展方向[3-4]。CMfg环境下，如何提高制造服务效率与缩短制造服务时间一直是云制造亟需解决的问题[5]。通常借助各种智能算法来实现此类问题的解决与优化：文献[6]基于一种用作局部搜索的近似动态规划的遗传算法来解决动态泊位分配问题；文献[7]提出了一种新型的鲸鱼优化算法来解决云制造资源配置问题；文献[8]提出一种改进的带有精英策略的快速非支配排序遗传算法解决服务组合问题；文献[9]提出了一种高效的动态蚁群遗传混合算法，引入最优融合评价策略和迭代阈值加以改进。但上述文献中的单一智能算法在解决局部搜索问题上存在易陷入局部最优解且容易出现早熟的缺点，影响算法本身的搜索效率[10]，求解过程适应性不强，迭代求解过程的图像过于单调且极易陷入局部最优解，存在最优个体在迭代过程中淘汰的缺点。针对解决此类问题的特殊性，考虑到自我学习算法在解决全局优化问题上的特有优势，提出了基于Sarsa算法(一种自我学习算法)与遗传算法(Genetic Algorithm,GA)动态结合的算法对云制造资源优选方案进行动态优化的方法，通过建立以满足资源提供者相关效益与资源需求者任务需求为目标的数学模型，优化出云制造资源的优选方案，实现对总体完成时间的缩短以及云平台总体制造效率的提高。……