基于服务相关性的制造服务供应链优化方法

摘要

本发明公开了一种基于服务相关性的制造服务供应链优化方法，首先获取制造任务对应的初始种群，将初始种群作为当前种群开始迭代；在迭代时，先对当前种群执行交叉算子操作和变异算子操作，然后采用自适应的转换概率和缩放因子进行花粉算法的迭代；在一次迭代后判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则继续迭代直到满足迭代终止条件。本发明的方法，将基础型花粉算法与遗传算法的交叉算子和变异算子进行了融合，提高了算法的性能，在求解制造服务供应链优化问题时，性能优于遗传算法、差分进化算法和基础型花粉算法。

权利要求

1.一种基于服务相关性的制造服务供应链优化方法，其特征在于，所述制造服务供应链优化方法包括：步骤1、获取制造任务对应的初始种群，将初始种群作为当前种群开始迭代；

步骤2、对当前种群执行交叉算子操作；

步骤3、对当前种群执行变异算子操作；

步骤4、采用自适应的转换概率和缩放因子进行花粉算法的迭代；

步骤5、判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则返回步骤

2继续进行迭代；

所述自适应的转换概率p的计算公式定义如下：

其中，maxiter表示最大迭代次数，t表示当前的迭代次数；

所述自适应的缩放因子γ的计算公式定义如下：

其中， 和 分别表示t代时种群中的最优个体和最差个体的适应度值；

所述制造服务供应链优化方法的目标函数如下：

其中，f(QoS)为制造服务组合方案的综合效用值，w1、w2、w3和w4分别表示制造服务组合方案中总时间TT、总成本TC、总可用性TAva及总可靠性TRel的权重，TTmax和TCmax分别表示用户限定的制造服务组合方案的总的最大时间和最大成本。

2.根据权利要求1所述的基于服务相关性的制造服务供应链优化方法，其特征在于，所述迭代终止条件包括：达到了最大迭代次数；

或，相邻三代之间的平均综合效用差值小于设定的参数。

3.根据权利要求1所述的基于服务相关性的制造服务供应链优化方法，其特征在于，所述制造服务供应链优化方法中，在元制造服务之间合作模式为分配模式时，每个子任务STi的QoS值计算公式如下：在元制造服务之间合作模式为协作模式时，每个子任务STi的QoS值计算公式如下：其中，STi表示制造服务组合方案中的第i个子任务，Ji为第i个子任务对应的元制造服务的数量， 表示第i个子任务的第j个元制造服务， 表示执行STi的第j个元制造服务的时间， 表示执行STi的第j个元制造服务的成本， 表示执行STi的第j个元制造服务的可用性， 表示执行STi的第j个元制造服务的可靠性， 表示在分配模式中STi由 所完成的比例， T(STi)表示STi中所选中的元制造服务的总时间，C(STi)表示STi中所选中的元制造服务的总成本，Ava(STi)表示STi中所选中的元制造服务的总可用性，Rel(STi)表示STi中所选中的元制造服务的总可靠性，TNCi为内部相关因子， 为外部相关因子。

4.根据权利要求3所述的基于服务相关性的制造服务供应链优化方法，其特征在于，所述内部相关因子TNCi计算公式如下：其中， 表示元制造服务 和元制造服务 之间的历史合作次数。

5.根据权利要求3所述的基于服务相关性的制造服务供应链优化方法，其特征在于，所述外部相关因子 计算公式如下：其中，a1、a2、a3、b为设定的参数，表示在制造服务组合方案中，与 来自同一个服务供应商的元制造服务的数量。

说明书

基于服务相关性的制造服务供应链优化方法

技术领域

[0001] 本发明属于制造服务供应链优化技术领域，尤其涉及一种基于服务相关性的制造服务供应链优化方法。

背景技术

[0002] 随着互联网以及云计算的发展，云制造平台汇聚了大量功能属性相同或相似但非功能属性(QoS)不同的制造服务。许多制造企业将他们的制造产品、制造资源以及制造能力封装成制造服务，并上传至云制造平台上。这些服务可以根据各自功能性特征的不同划分为不同的候选服务集来执行不同的制造任务。因此，制造服务组合问题就是针对每个制造任务，从相应的候选服务集中选出合适的元制造服务，并将这些所选出的元制造服务组合成为最终的制造服务组合方案。如何从云制造平台的海量制造服务中选择合适的服务组成一个最优的服务组合方案，已成为当前的研究热点。

[0003] 制造服务供应链优化问题是典型的多目标优化问题，制造服务领域的相关文献表明，可以应用进化算法进行求解，比如遗传算法(Genetic Algorithm，简称GA)、差分进化算法(Differential Evolution，简称DE)和粒子群算法(Particle Swarm Optimization，简称PSO)，以及Yang于2012年提出了一种新的进化算法—花粉算法(Flower Pollination Algorithm，简称FPA)等。

[0004] 然而现有技术的上述算法，都存在着一定的缺陷。例如花粉算法容易陷入局部最优，整体性能也不高。

发明内容

[0005] 本发明的目的是提供一种基于服务相关性的制造服务供应链优化方法及系统，以避免现有的花粉算法容易陷入局部最优的问题，提高算法的整体性能。

[0006] 为了实现上述发明目的，本发明技术方案如下：

[0007] 一种基于服务相关性的制造服务供应链优化方法，所述制造服务供应链优化方法包括：

[0008] 步骤1、获取制造任务对应的初始种群，将初始种群作为当前种群开始迭代；

[0009] 步骤2、对当前种群执行交叉算子操作；

[0010] 步骤3、对当前种群执行变异算子操作；

[0011] 步骤4、采用自适应的转换概率和缩放因子进行花粉算法的迭代；

[0012] 步骤5、判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则返回步骤2继续进行迭代。

[0013] 进一步地，所述迭代终止条件包括：

[0014] 达到了最大迭代次数；

[0015] 或，相邻三代之间的平均综合效用差值小于设定的参数。

[0016] 进一步地，所述自适应的转换概率p的计算公式定义如下：

[0017]

[0018] 其中，maxiter表示最大迭代次数，t表示当前的迭代次数。

[0019] 进一步地，所述自适应的缩放因子γ的计算公式定义如下：

[0020]

[0021] 其中， 和 分别表示t代时种群中的最优个体和最差个体的适应度值。

[0022] 进一步地，所述制造服务供应链优化方法的目标函数如下：

[0023]

[0024] 其中，f(QoS)为制造服务组合方案的综合效用值，w1、w2、w3和w4分别表示制造服务组合方案中总时间TT、总成本TC、总可用性TAva及总可靠性TRel的权重，TTmax和TCmax分别表示用户限定的制造服务组合方案的总的最大时间和最大成本。

[0025] 进一步地，所述制造服务供应链优化方法中，在元制造服务之间合作模式为分配模式时，每个子任务STi的QoS值计算公式如下：

[0026]

[0027] 在元制造服务之间合作模式为协作模式时，每个子任务STi的QoS值计算公式如下：

[0028]

[0029] 其中，STi表示制造服务组合方案中的第i个子任务，Ji为第i个子任务对应的元制造服务的数量。 表示第i个子任务的第j个元制造服务， 表示执行STi的第j个元制造服务的时间， 表示执行STi的第j个元制造服务的成本， 表示执行STi的第j个元制造服务的可用性， 表示执行STi的第j个元制造服务的可靠性，表示在分配模式中STi由 所完成的比例， T(STi)表示STi中所选中的元制
造服务的总时间，C(STi)表示STi中所选中的元制造服务的总成本，Ava(STi)表示STi中所选中的元制造服务的总可用性，Rel(STi)表示STi中所选中的元制造服务的总可靠性，TNCi为内部相关因子， 为外部相关因子。

[0030] 进一步地，所述内部相关因子TNCi计算公式如下：

[0031]

[0032] 其中， 表示元制造服务 和元制造服务 之间的历史合作次数。

[0033] 进一步地，所述外部相关因子 计算公式如下：

[0034]

[0035] 其中，a1、a2、a3、b为设定的参数， 表示在制造服务组合方案中，与 来自同一个服务供应商的元制造服务的数量。

[0036] 本发明提出的一种基于服务相关性的制造服务供应链优化方法及系统，将基础型花粉算法与遗传算法的交叉算子和变异算子进行了融合，提高了算法的性能，在求解制造服务供应链优化问题时，性能优于遗传算法、差分进化算法和基础型花粉算法。

附图说明

[0037] 图1为本发明基于改进型花粉算法的制造服务供应链优化方法流程图；

[0038] 图2为本发明实施例交叉算子操作示意图；

[0039] 图3为本发明实施例变异算子操作示意图；

[0040] 图4为本发明实验案例服务组合结构示意图；

[0041] 图5为本发明实验案例计算结果；

[0042] 图6为本发明实验案例性能比较结果。

具体实施方式

[0043] 下面结合附图和实施例对本发明技术方案做进一步详细说明，以下实施例不构成对本发明的限定。

[0044] 对于任一制造服务供应链领域的多目标优化问题，必然存在相应的需要完成的制造任务(简称为任务)，优化问题就是从可选的制造服务集中选择出合适的元制造服务，组合成最优的制造服务组合方案来完成需要完成的制造任务。本实施例基于服务相关性的制造服务供应链优化方法对制造服务供应链优化问题进行求解，是一种改进型花粉算法，算法的种群由多个个体组成。其中每个个体代表一个制造服务组合方案，在初始化时，需要随机产生初始种群。即对于需要完成的制造任务，随机从可选的制造服务集中选择元制造服务组成一个制造服务组合方案，作为初始种群中的一个个体。按照设定的种群规模W，选择W个个体作为初始种群。本实施例基于服务相关性的制造服务供应链优化方法对生成的初始种群进行迭代，来求解出最优的制造服务组合方案。

[0045] 如图1所示，本实施例一种基于服务相关性的制造服务供应链优化方法，包括：

[0046] 步骤S1、获取制造任务对应的初始种群，将初始种群作为当前种群开始迭代。

[0047] 本实施例对于需要完成的制造任务，随机从可选的制造服务集中选择元制造服务组成一个制造服务组合方案，作为初始种群中的一个个体。按照设定的种群规模W，选择W个个体作为初始种群。将初始种群作为当前操作的当前种群，开始迭代。

[0048] 步骤S2、对当前种群执行交叉算子操作。

[0049] 本实施例采用遗传算法的交叉算子，对当前种群执行交叉算子操作，交叉算子包括单点交叉、两点交叉、多点交叉、融合交叉、均匀交叉等。以单点交叉为例，如图2所示，STi表示制造服务组合方案中的第i个子任务，根据设定的交叉概率对个体X1和X2中ST2单点进行交叉。

[0050] 步骤S3、对当前种群执行变异算子操作。

[0051] 本实施例采用遗传算法的变异算子，对当前种群执行变异算子操作。遗传算法的变异算子包括基本位变异、均匀变异和高斯变异等，以单点变异为例，如图3所示，根据设定的变异概率对X1中ST3单点进行变异。

[0052] 本实施例为避免基础型花粉算法陷入局部最优，在花粉算法迭代之前引入遗传算法的交叉算子和变异算子。例如其中交叉方式采取单点交叉，交叉概率设为0.2；变异方式采取单点变异，变异概率设为0.1。

[0053] 步骤S4、采用自适应的转换概率和缩放因子进行花粉算法的迭代。

[0054] 本实施例采用具有自适应的转换概率和缩放因子的花粉算法进行迭代求解，下面先介绍基础型花粉算法的原理。

[0055] 在基础型花粉算法中，每朵花代表一个制造服务组合方案，其适应度值代表目标函数值。

[0056] 基础型花粉算法的迭代过程包括两种方式：全局授粉和局部授粉。每朵花的迭代规则如下：

[0057] 首先，根据选择概率p，每个个体只能选择一种迭代方式，其中p∈(0,1)。在迭代之前，对于每个个体生成一个0到1之间的随机数rand，并将其与转换概率p作比较，若rand

[0058] 在全局授粉过程中，首先应当确认当前种群中具有最大适应度值的最优个体其次，第i个个体在t代时的新位置取决于自身的旧位置和最优个体的位置。因此，全局授粉的迭代公式表示如下。

[0059]

[0060] 其中， 和 分别表示个体i迭代前的旧位置和迭代后的新位置。 表示在t代时整个种群中的最优值。L表示随机步长，服从莱维分布。γ表示全局授粉的缩放因子。

[0061] 为模仿传粉者在授粉过程中的行为，令全局授粉中的随机步长L服从莱维分布。莱维分布的公式表示如下。

[0062]

[0063] 其中，Γ(λ)表示标准伽马分布，且λ等于1.5。当且仅当s远大于0时，该莱维分布是有效的，s由公式(3)和(4)共同决定。在公式(3)中，V是服从标准分布的随机数，U是服从高斯分布的随机数，该高斯分布的均值为0，其方差由公式(4)计算得到。

[0064]

[0065]

[0066] 在局部授粉过程中，第i个个体在第t代时的新位置取决于自身的旧位置和其它两个所选个体的位置。因此，局部授粉的迭代公式表示如下：

[0067]

[0068] 其中， 和 分别表示个体i迭代前的旧位置和迭代后的新位置。 和 表示在t代时从当前种群中随机选中的个体p和个体q，且i≠p≠q。r代表局部授粉的随机步长，且r服从(0,1)分布。

[0069] 当迭代过程完成后，每个个体的位置应根据迭代前后适应度值的比较结果进行更新。若 的适应度值大于 则个体i的位置更新为 反之，则保留原来的位置Xit。

[0070] 在本实施例的改进型花粉算法中，用真实数字编码的方式来解决制造服务组合优化问题。每朵花代表一个制造服务组合方案，花的维度代表子任务的数量。比如，“Xi＝([6],[2(0.2),5(0.8)]all,[1,3,4]col,[3,9]col,[7],[8])”表示该组合方案包括6个子任务。其中，第一个花粉表示子任务1由其所对应候选服务集中的第6个元制造服务完成；第二个花粉表示子任务2由其所对应候选服务集中的第2个和第5个元制造服务以分配模式共同完成，其分配比例分别是0.2和0.8；同理，第三个花粉表示子任务3由其所对应候选服务集中的第1个、第3个和第4个元制造服务以协作模式共同完成。剩余花粉所代表的意义依此类推。因此，该制造服务组合方案可以表示为：

[0071] 其中，STi表示制造服务组合方案中的第i个子任务，i＝1,…,N。N为制造服务组合方案中子任务的数量。 表示第i个子任务的第j个元制造服务。

[0072] 本实施例采用具有自适应的转换概率和缩放因子的花粉算法，与基础型花粉算法的不同在于转换概率p和缩放因子γ是自适应的，以下进行说明：

[0073] 每个个体的授粉方式由转换概率p决定，在基础型花粉算法中，将转换概率设为固定值0.8。然而，在组合优化领域，固定不变的转换概率存在一定的缺陷，因此，在本实施例中，设置转换概率随着迭代次数的变化而变化。转换概率p的计算公式定义如下：

[0074]

[0075] 其中，maxiter表示最大迭代次数，t表示当前的迭代次数。从公式(6)可以看出，随着迭代次数的增加，转换概率p逐渐变大，从而有更多的个体执行全局授粉。因此，本实施例的算法的收敛速度得到增强，进而最优个体的适应度值得到提高。

[0076] 在基础型花粉算法中，除了转换概率p，将全局授粉的缩放因子γ设为固定值1。为有效缓解早熟收敛现象的发生，在本实施例的算法中令缩放因子随着当前代个体适应度值的改变而改变，其计算公式定义如下：

[0077]

[0078] 其中， 和 分别表示t代时种群中的最优个体和最差个体的适应度值。从公式(7)可以看出，随着迭代次数的增加，缩放因子γ逐渐变小，从而当前代中个体受到最优个体的影响越小。因此，动态自适应的缩放因子可以有效缓解早熟收敛现象的发生。

[0079] 需要说明的是，本实施例转换概率p和缩放因子γ的计算方法并不唯一，只要满足随着迭代次数的增加，转换概率p逐渐变大，缩放因子γ逐渐变小即可。例如还可以通过如下公式来计算转换概率p和缩放因子γ：

[0080]

[0081]

[0082] 在一次迭代结束后，计算出每个个体的适应度值，并据此对每个个体的位置进行更新。每个个体的适应度值对应每个制造服务组合方案的综合效用值。一般来说，用户希望获得综合效用值最大的组合方案，包括时间和成本的最小化，以及可用性和可靠性的最大化。在实施例中，用不同的权重来代表用户对于QoS属性的不同偏好，则目标函数可以表述如下。

[0083]

[0084] 其中，TT、TC、TAva和TRel分别表示制造服务组合方案的总时间、总成本、总可用性和总可靠性。TTmax和TCmax分别表示用户限定的制造服务组合方案的总的最大时间和最大成本。w1、w2、w3和w4分别表示制造服务组合方案中时间、成本、可用性及可靠性的权重，且四者之和等于1。f(QoS)表示服务组合方案的综合效用值。在本实施例中，把上述公式(8)作为目标函数，即把每个制造服务组合方案的综合效用值作为每个个体的适应度值。该公式的约束条件为TT

[0085] 需要说明的是，本实施例考虑了制造服务组合方案的评价指标主要包括时间(T)、成本(C)、可用性(Ava)和可靠性(Rel)等四种基本的QoS属性，在需要的情况下可以进一步扩展QoS属性，例如还可以考虑运输成本和运输时间，本发明对此不再赘述。

[0086] 本实施例制造服务组合方案的综合效用值(即个体的适应度值)中，制造服务组合方案中时间、成本、可用性及可靠性的权重w1、w2、w3和w4根据用户对于QoS属性的不同偏好来设置。而制造服务组合方案的总时间TT、总成本TC、总可用性TAva和总可靠性TRel的计算根据服务聚合结构来进行计算。在实际的应用中，每个任务所选的制造服务之间的组合对应一个基本服务聚合结构，基本服务聚合结构可以是顺序结构、选择结构、并行结构或循环结构，其对应的时间、成本、可用性、可靠性的计算方案，可以根据表1进行计算：

[0087]

[0088] 表1

[0089] 需要说明的是，表1中制造服务组合方案的总时间TT、总成本TC、总可用性TAva和总可靠性TRel根据基本服务聚合结构分别计算得到，其中l表示循环结构中制造服务的循环次数，pi表示第i个制造任务的被选概率，n代表每个基本服务聚合结构所包含的子任务的数量。

[0090] 然而，在传统的制造服务组合方案中，每个子任务只能由单个候选服务来完成。而本实施例进一步考虑了每个子任务可以由多个候选服务共同来完成的众包模式。在一个候选服务集中，本实施例将元制造服务之间的合作模式分为两类：分配模式和协作模式。其中，若完成某一子任务的元制造服务间的合作模式是分配模式，则每个元制造服务会以一定比例完成子任务的一部分，这些元制造服务QoS值的计算方法的基础是每个元制造服务完成该子任务的比例。若完成某一子任务的元制造服务间的合作模式是协作模式，则每个元制造服务有同等机会来完成该子任务，这些元制造服务QoS值的计算方法的基础是每个元制造服务完成该子任务的效率。对应的，每个子任务的QoS值计算方式如下表：

[0091]

[0092] 表2

[0093] 其中，STi表示制造服务组合方案中的第i个子任务，Ji为第i个子任务对应的元制造服务的数量。 表示第i个子任务的第j个元制造服务，T(AMSji)表示执行STi的第j个元制造服务的时间，C(AMSji)表示执行STi的第j个元制造服务的成本， 表示执行STi的第j个元制造服务的可用性， 表示执行STi的第j个元制造服务的可靠性，表示在分配模式中STi由 所完成的比例， T(STi)表示STi中所选中的元制造服务的总时间，C(STi)表示STi中所选中的元制造服务的总成本，Ava(STi)表示STi中所选中的元制造服务的总可用性，Rel(STi)表示STi中所选中的元制造服务的总可靠性。

[0094] 在表2的计算公式中，本实施例考虑了制造服务之间的相关性，引入了内部相关因子TNCi和外部相关因子

[0095] 制造服务之间的相关性分为两种：内部相关性和外部相关性。内部相关性存在于各子任务下的候选服务集内部，指的是在某一合作模式下元制造服务总的历史合作次数对子任务可靠性所产生的影响。元制造服务间的历史合作次数越多，那么所对应子任务的可靠性就越高。本实施例用 表示元制造服务 和元制造服务 之间的历史合作次数。TNCi表示某一合作模式下元制造服务间总的历史合作次数，内部相关因子TNCi计算公式表示如下：

[0096]

[0097] 外部相关性存在于制造服务组合方案中，指的是服务供应商对每个所选元制造服务的成本所产生的影响。根据大多数服务供应商的价格策略，所选元制造服务来自同一个服务供应商的数量越多，则价格越低。因此，来自同一个服务供应商的所选元制造服务的数量与所选元制造服务的成本之间存在负相关的关系。本实施例用 表示在制造服务组合方案中，与 来自同一个服务供应商的元制造服务的数量， 是一个整数。本实施例假设每个服务供应商的价格策略是相同的，用 表示 对所选元制造服务的价格所产生的影响，外部相关因子 计算公式表达如下：

[0098]

[0099] 其中，1、0.9、0.8是设定的参数，上述公式也可以表示为：

[0100]

[0101] 其中a1、a2、a3、b为设定的参数。

[0102] 本实施例引入内部相关因子和外部相关因子，使得不同合作模式和组合结构下的QoS更加符合实际的情况，计算得到的QoS更加准确。

[0103] 从而根据设定的制造服务组合方案综合效用模型，能够计算出当前种群中个体的适应度值，并据此对每个个体的位置进行更新。

[0104] 步骤S5、判断是否满足迭代终止条件，若满足则停止迭代，输出最优个体，否则返回步骤S2继续进行迭代。

[0105] 进化算法均设置有迭代终止条件，本实施例中，设置的迭代终止条件有两个：

[0106] 一是达到了最大迭代次数，即设置了最大迭代次数，达到了最大迭代次数，则停止迭代。

[0107] 二是相邻三代之间的平均综合效用差值小于设定的参数，例如0.001，则停止迭代。

[0108] 上述迭代终止条件还可以仅以相邻二代之间的平均综合效用差值来作为终止条件，或以相邻三代之间的平均综合效用差值来作为终止条件。在每次迭代后，判断是否满足上述两个迭代终止条件，其中任何一个条件得到满足，则停止迭代，进化即终止，输出最优个体，该个体的适应度值最大(对应制造服务组合方案的综合效用值最大)，作为多目标优化问题的最优解，也即最优的制造服务组合方案。如果未达到迭代终止条件，则返回步骤S2进行下一次迭代。

[0109] 本实施例将基础型花粉算法进行改进，以求解制造服务供应链的优化问题。将众包模式引入到制造服务组合过程中，考虑了服务间的相关性，同时采用了改进型花粉算法，将转换概率和缩放因子这两个参数由固定值变为动态自适应值，并引入遗传算法的交叉算子和变异算子，实验结果表明该改进型花粉算法在求解制造服务供应链优化问题时，性能优于遗传算法、差分进化算法和基础型花粉算法。

[0110] 以下通过实验数据进行说明，用一个包括6个子任务和4种基本组合结构的仿真实验来对制造服务组合问题进行模拟，如图4所示。每个元制造服务的QoS值均是在一定范围内随机产生的，各QoS值的产生范围定义如下：时间(time,0-10hours)、成本(cost,0-30dollars)、可用性(availability,0.4-1)和可靠性(reliability,0.6-1)，元制造服务间的历史合作次数设为0-10。为确保实验结果的客观性和公平性，本部分的所有仿真实验均重复10次，以得到最优个体的平均适应度值。

[0111] 为验证本实施例方法的可行性，时间、成本、可用性和可靠性的权重均设为0.25。服务供应商的数量设置为5，即从1到5的整数。本实验案例的约束条件有两个：服务组合方案的总时间不大于30小时，总成本不大于300美元。

[0112] 表3显示的是随机生成的部分元制造服务的QoS值，表4显示的是随机生成的部分元制造服务间的历史合作次数。

[0113]

[0114] 表3

[0115]

[0116] 表4

[0117] 进化过程中的有关参数设置如下：初始种群规模为20，最大迭代次数为100，每个子任务下的元制造服务数量为20。经过多次实验分析，现将各算法的参数设置如下：在改进型花粉算法中，λ设为1.5，交叉概率和变异概率分别设为0.2和0.1；在基础型花粉算法中，λ设为1.5，转换概率p设为0.8，全局授粉中的缩放因子γ设为1；在差分进化算法中，交叉概率和变异概率分别设为0.3和0.5；在遗传算法中，交叉概率和变异概率分别设为0.8和0.02。

[0118] 图5显示的是本实施例改进型花粉算法在求解该实验案例时所获得的结果，当迭代终止时得到的最优个体的适应度值为0.5665。最优个体可表示为“Xbest＝([10(0.7),17(0.3)]all,[1],[14],[9],[7],[10])”，其对应的制造服务组合方案为由该图可得出以下结论：一是在改进型花粉算法
的迭代过程中，所求得的最优个体的适应度值以及整个种群的平均适应度值随着迭代次数的增加而逐渐增加；二是改进型花粉算法在求解制造服务供应链优化问题的可行性得到了验证。

[0119] 图6显示的是不同算法在求解该实验案例的性能比较。这些实验结果表明多数情况下，运用本实施例改进型花粉算法所求得的最优个体的适应度值高于其它三种算法。因此，在同样的实验条件下，本实施例改进型花粉算法的性能优于遗传算法、差分进化算法和基础型花粉算法。

[0120] 以上实施例仅用以说明本发明的技术方案而非对其进行限制，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。