现场-工厂混合服务及资源调度方法

1.本发明属于工业服务技术领域，具体的为一种现场-工厂混合服务及资源调度方法。


背景技术：

2.目前的工业领域中，服务模式主要分为现场服务和工厂服务。其中，现场服务是指工业企业(即服务提供方)通过安排服务资源(包括技术人员、设备、生产物料等)至用户指定的现场进行工业服务，如图1的(a)所示，当同一个资源被多个用户需要时，服务资源需要依次旅行到各个用户指定的地点执行任务，当完成所有的任务后，返回其出发的初始位置。现场服务模式一般用于服务对象难以运输而服务资源方便移动的情况，如大型设备的现场安装/调试/维护、地理位置分散设备的巡查、电网的维护等等。相对应的，工厂服务是指工业服务任务的执行发生在服务提供方的场地，一般也就是工厂的车间，如图1的(b)所示。服务提供方在自己的车间完成服务后，再将最终产品运输给用户。当一个服务提供方收到多个工厂服务任务时，需要在车间依次执行，然后将产品分别运输给各个客户。工厂服务模式一般用于服务对象方便运输而服务资源不便移动的情况，例如批量产品的加工制造、设备的返厂维修、零件的化学成分检测和精密测量等等。但是，单一现场服务或者工厂服务模式对服务地点的强制约束性导致了服务范围受限、成本上升、周期增加等问题，尤其是随着市场对工业服务质量和效率要求的提升，它们的缺陷逐渐凸显。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种现场-工厂混合服务及资源调度方法，通过结合现场服务和工厂服务两种服务模式的优点，降低了单独的现场服务和工厂服务对服务地点的约束，能够生成更优的工业服务规划，以为更大范围的用户提供高质量的工业服务，提高服务质量、降低服务成本和提高服务响应速度。
4.为达到上述目的，本发明提供如下技术方案：
5.一种现场-工厂混合服务及资源调度方法，包括如下步骤：
6.1)需求分析与任务分解：根据任务ti所需的不同服务类型，将其分解成若干个子任务；其中，ti＝{st
i,1et(i,1)
，st
i,2et(i,2)
，
…
，st
i,jet(i,j)
，
…
，st
i,net(i,n)
}，n表示任务ti包含的子任务数量，st
i,j
表示第i个任务的第j个子任务；et(i,j)表示第i个任务的第j个子任务需要的服务类型；
7.识别所有子任务所需要的服务类型，形成服务类型集et＝{et1,et2,
…
,ets}，其中，s表示服务类型总数量；
8.2)搜索与匹配：对于每种服务类型，从云资源池中找到所有能提供该类服务的服务资源sr，形成该服务类型的资源候选集crs，其中，crsk＝{sr
1k
，sr
2k
，
…
，sr
pkk
}，其中，pk表示crsk中sr的数量；
9.3)资源组合：按照子任务的资源需求，从子任务对应的资源候选集中为每个子任
务选择一个或多个服务资源sr；
10.4)任务排序：对同一任务的不同子任务之间安排服务的执行顺序，建立针对同一个任务的各个子任务的前后执行顺序约束；
11.5)路径规划：规划服务资源sr和服务对象的出行路径，确定临时工厂的设立位置，得到若干服务及资源调度路径方案；
12.6)方案优化：以服务质量指标最大化和服务快速性指标最小化为目标，找到最优的服务及资源调度路径方案。
13.进一步，服务质量指标为：
[0014][0015]
其中，l表示qos评价指标的数量，ωi表示任务ti的各个评价指标的权重；qi表示任务ti的每类评价指标的聚合值，i＝{ct，tm，av，re}，ct表示服务成本，tm表示加工时间，av表示资源可用性，re表示资源可靠性；
[0016]
所有任务的成本评价指标的聚合值为：
[0017][0018]
当第i个任务的第j个子任务需要至少两个服务资源时，其成本评价指标为：
[0019][0020]
其中，q
ct
(st
i，j
)表示第i个任务的第j个子任务的成本评价指标；表示第i个任务的第j个子任务所需的第k个服务资源的成本评价指标；h表示所有任务中的子任务总数量；g表示第i个任务的第j个子任务需要的服务资源的数量，且2≤g≤s；
[0021]
所有任务的时间评价指标的聚合值为：
[0022][0023]
当第i个任务的第j个子任务需要至少两个服务资源时，其时间评价指标为：
[0024][0025]
其中，q
tm
(st
i，j
)表示第i个任务的第j个子任务的时间评价指标；表示第i个任务的第j个子任务所需的第i个服务资源的时间评价指标；
[0026]
所有任务的可用性评价指标的聚合值为：
[0027][0028]
当第i个任务的第j个子任务需要至少两个服务资源时，其可用性评价指标为：
[0029]
[0030]
其中，q
av
(st
i，j
)表示第i个任务的第j个子任务的可用性评价指标；表示第i个任务的第j个子任务所需的第i个服务资源的可用性评价指标；
[0031]
所有任务的可靠性评价指标的聚合值为：
[0032][0033]
当第i个任务的第j个子任务需要至少两个服务资源时，其可靠性评价指标为：
[0034][0035]
其中，q
re
(st
i，j
)表示第i个任务的第j个子任务的可靠性评价指标；表示第i个任务的第j个子任务所需的第i个服务资源的可靠性评价指标。
[0036]
进一步，服务快速性指标为：
[0037]
qc＝msc
m/2
[0038]
其中，msc
m/2
表示完成用户提交的一半任务的时间。
[0039]
进一步，以服务质量指标最大化和服务快速性指标最小化为目标的优化模型为：
[0040][0041]
其中，f(cshssp)表示目标函数。
[0042]
进一步，采用pareto优势法来找到最优的服务及资源调度路径方案。
[0043]
进一步，采用两段式编码及解码求解最优的服务及资源调度路径方案；
[0044]
前部分编码为一个s行h列的矩阵，表示各个子任务所需服务资源sr的唯一识别码，其中，第1行表示各子任务所需的第一类服务资源sr的唯一识别码，第2行表示各子任务所需的第二类服务资源sr的唯一识别码，
……
，第s行表示各子任务所需的第s类服务资源sr的唯一识别码；当某个子任务仅需s个服务资源时，该子任务所在列的第s 1行至第s行均为0；
[0045]
后半部位为一个2行h列的矩阵，第一行和第二行的编码分别表示执行序列和服务方式，其中，执行序列表示所有子任务的执行顺序，服务方式中，0表示现场服务，1表示工厂服务。
[0046]
进一步，解码规则如下：
[0047]
(1)服务资源sr在完成上一个服务后，若下一个需要该资源的任务选择现场服务，则该服务资源sr旅行到下一个地点完成服务；否则，如果任务选择工厂服务，则该服务资源sr待在上一个服务地点，需要服务的任务需要旅行到该地点；
[0048]
(2)某个服务资源sr服务于多个子任务时，要满足编码序列的前后顺序。
[0049]
本发明的有益效果在于：
[0050]
本发明的现场-工厂混合服务及资源调度方法，结合现场服务和工厂服务的优点，既允许企业将服务资源运输至各用户指定的位置进行现场服务，也允许企业在某些用户现场建立临时工厂为其他用户提供工厂服务，降低了单独的现场服务和工厂服务对服务地点
的约束，能够生成更优的工业服务规划；另外，企业可以将原本难以运输的高精度服务装备运输至临时工厂，通过在临时工厂进行长周期和多任务的执行来抵消这些装备的运输和安装调试成本，有效地为更大范围的用户提供高质量的工业服务；通过资源调度优化，提高服务质量、降低服务成本和提高服务响应速度。
附图说明
[0051]
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
[0052]
图1为三种服务模式的示意图，(a)为现场服务；(b)为工厂服务；(c)为混合服务；
[0053]
图2为本实施例现场-工厂混合服务过程的示例图；
[0054]
图3为基于云平台的混合服务调度示意图；
[0055]
图4为本实施例的两段式编码的示意图；
[0056]
图5为解码后得到的编码执行方案示意图；
[0057]
图6为60-20实例的相关绘图；
[0058]
图7为对9个实例进行测试实验得到的三种模型下的帕累托解的实验图。
具体实施方式
[0059]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0060]
本实施例的现场-工厂混合服务及资源调度方法，结合现场服务和工厂服务的优点，如图1的(c)所示，既允许企业将服务资源运输至各用户指定的位置进行现场服务，也允许企业在某些用户现场建立临时工厂为其他用户提供工厂服务，降低了单独的现场服务和工厂服务对服务地点的约束，能够生成更优的工业服务规划；另外，企业可以将原本难以运输的高精度服务装备运输至临时工厂，通过在临时工厂进行长周期和多任务的执行来抵消这些装备的运输和安装调试成本，有效地为更大范围的用户提供高质量的工业服务；通过资源调度优化，提高服务质量、降低服务成本和提高服务响应速度。
[0061]
一、应用场景
[0062]
本实施例以无人机的维护为例来介绍现场-工厂混合服务的动机。由于无人机属于高精尖装备，其运维服务涉及的学科知识和功能模块众多，用户对其服务类型的需求一般较多、服务质量的要求也较高；而且鉴于无人机所承担任务的特殊性和紧急性，用户对维护服务快速性的要求很高。针对上述需求，若采用现场服务模式，通过运维团队和相关资源的旅行来依次进行各个用户的运维服务，存在较长的旅行时间和一些大型高精度运维设备难以频繁移动等约束，会带来服务周期长、类型少和质量差等问题。而若采用工厂服务模式，等待维护的无人机需要首先运送至企业，维修后再返回用户，虽然保证了足够的服务类型和较高的服务质量，但考虑到无人机用户所处位置的特殊性，运输过程耗时很长，会导致维护周期无法满足用户要求。为此，目前无人机生产企业一般需要派出维护团队长期驻扎在用户现场，进行无人机的整个服役期间的状态监测、快速诊断和维修。这种服务方式虽然解决了上述两种服务模式响应速度不足的问题，但是仍然存在两个方面的缺点，一是成本极高：每个用户都要长期占用至少一个维护团队和相关设备，极低的资源利用率带来极高
的维护成本；另一方面是服务类型和质量仍然受限：限于成本和大型高精度设备运行环境等约束，在用户现可提供的服务类型和服务质量受到限制。因此，本实施例结合现场服务和工厂服务两种服务模式的优点，对本实施例的现场-工厂混合服务及资源调度方法进行详细说明。具体的，服务提供方的服务资源(sr)可以旅行至用户指定位置提供服务，同时也允许服务提供方在某些用户的位置设立临时工厂，为其他用户提供工厂服务。相对于传统的服务模式，取消了对服务地点的强制约束，使得可以按照任务类型和服务要求灵活地选择服务方式。同时，临时工厂的设置使得服务提供方可以在某些用户处设置包含更多服务类型和更高服务质量的服务中心，为远离服务提供方工厂的用户提供快响应、低成本、高质量的工业服务。
[0063]
如图2所示，假设在无人机运维过程中，2个服务提供方(sp1和sp2)总共可以提供5类典型的无人机维护服务，分别是1-机身维护(fm)、2-起落装置维护(lgm)、3-动力系统维护(psm)、4-航空电子系统维护(am)和5-机载设备维护(aem)。每个服务提供方sp包含多个运维服务资源，服务资源sr的上标表示该资源所提供的服务类型，下标表示该资源所属的服务提供方sp。4个不同位置的用户提交了4个无人机维护任务，分别是t1、t2、t3、t4，每个任务都按照服务类型需求被分解成了多个子任务。st
i,jk
表示第i个任务的第j个子任务，该子任务所需的服务类型索引为k。其中，st
3,3
和st
4,3
有两个服务类型索引，说明它需要两类服务资源通过协作才能执行。本实施例的资源调度是指将服务提供方的服务资源安排至各个用户指定的现场完成其服务需求或建立临时工厂，也包括安排用户将服务对象运送至临时工厂完成服务任务，上述规划要满足服务约束的同时追求更高的用户满意度和响应速度。图2中，服务资源前往用户现场进行现场服务的路径由与资源颜色相同的箭头表示，实线(黑色箭头)表示用户前往临时工厂进行工业服务的路线。服务提供方sp1的服务资源sr
11
首先移动至t1位置，对st
1,1
提供现场服务，同时在该位置建立临时工厂，等待用户2将任务t2的服务对象运输至该位置时，为其st
2,2
子任务提供工厂服务，完成后返回sp1位置；sr
12
首先旅行至t3处完成子任务st
3,2
的服务后，再旅行至t1处，完成st
1,2
的服务，然后返回sp1位置；类似的，服务资源sr
13
、sr
24
和sr
25
的服务轨迹可以从图2中容易地得出。需要注意的是st
3,3
、st
4,3
包含两种服务类型需求，需要服务资源sr4和sr5合作完成。因此，sr
24
完成子任务st
2,1
的维护任务后，旅行至t4处，与sr
25
合作完成子任务st
4,3
；然后，sr
24
和sr
25
在t4位置建立临时工厂，等待t3旅行至t4处后执行st
3,3
和st
3,4
。
[0064]
可以看出，相对于传统的服务模式，混合服务模式在资源调度时同时需要规划sp服务资源和用户服务对象的旅行路径，难度更高、解空间更大。而且在当前大数据和云计算技术在工业服务领域广泛应用的背景下，利用云平台管理大范围的海量服务资源和需求时，对资源调度方法的要求更高。
[0065]
二、云平台支撑的现场-工厂混合服务调度过程
[0066]
依赖云平台，更多的用户需求能够被搜集，而且更多的服务资源被集中管理，也导致资源调度的重要性更大。云平台将sp提供的服务资源srs虚拟化封装后集中在云资源池。用户将复杂的任务提交到云服务平台后，平台会根据服务需求的类型，将任务分解成不同的子任务st，并且为不同的服务类型配备相应的资源候选集crs。最后云平台根据用户提交的任务的位置、资源需求，从每个资源候选集中选择合适的服务资源sr，并规划任务t和资源sr的服务类型和旅行路线，制定使用户满意度最高的调度方案。如图3所示，随着服务提
供商sp和任务t的增多，资源调度变得越来越复杂。
[0067]
2.1、调度方法
[0068]
本实施例的现场-工厂混合服务及资源调度方法，包括如下步骤：
[0069]
1)需求分析与任务分解：根据任务ti所需的不同服务类型，将其分解成若干个子任务；其中，ti＝{st
i,1et(i,1)
，st
i,2et(i,2)
，
…
，st
i,jet(i,j)
，
…
，st
i,net(i,n)
}，n表示任务ti包含的子任务数量，st
i,j
表示第i个任务的第j个子任务；et(i,j)表示第i个任务的第j个子任务需要的服务类型；
[0070]
识别所有子任务所需要的服务类型，形成服务类型集et＝{et1,et2,
…
,ets}，其中，s表示服务类型总数量；
[0071]
2)搜索与匹配：对于每种服务类型，从云资源池中找到所有能提供该类服务的服务资源sr，形成该服务类型的资源候选集crs，其中，crsk＝{sr
1k
,sr
2k
,
…
,sr
pkk
}，其中，pk表示crsk中sr的数量；
[0072]
3)资源组合：按照子任务的资源需求，从子任务对应的资源候选集中为每个子任务选择一个或多个服务资源sr；
[0073]
4)任务排序：对同一任务的不同子任务之间安排服务的执行顺序，建立针对同一个任务的各个子任务的前后执行顺序约束；
[0074]
5)路径规划：规划服务资源sr和服务对象的出行路径，确定临时工厂的设立位置，得到若干服务及资源调度路径方案；
[0075]
6)方案优化：以服务质量指标最大化和服务快速性指标最小化为目标，找到最优的服务及资源调度路径方案。
[0076]
2.2、调度优化目标设计
[0077]
调度是资源组合问题、任务调度问题和路径规划问题的综合。本实施例给出以下假设和相关符号说明。
[0078]
2.2.1、假设：
[0079]
(1)一个任务的多个子任务需要按照分解的顺序依次执行，不同任务的子任务之间没有执行顺序约束；
[0080]
(2)为了简化计算，每个子任务最多有两个服务类型需求；
[0081]
(3)对于一个sr，在同一时间只能执行一个子任务；
[0082]
(4)子任务可以由多个sr执行，执行过程不能中断；
[0083]
(5)一个子任务只有在他所属任务的前面的子任务全部完成，而且分配给他的所服务资源全部到位后，该子任务才能开始。
[0084]
2.2.2、相关符号说明：
[0085]
m:任务总数；
[0086]
n：任务的子任务数；
[0087]
h：所有任务的子任务总数；
[0088]
s：服务类型总数；
[0089]
ti任务，会被分解为不同的子任务，ti＝{st
i，1et(i，1)
，st
i，2et(i，2)
，
…
，st
i，net(i，n)
}；
[0090]
st
i，j
表示第i个任务的第j个子任务，st
i，j
＝{et1，et2，li，ts，tc}，其中，et1和et2为其需要的两种服务资源；li为其地理位置信息；ts表示该任务的运输速度；tc表示该任务
单位距离的运输成本；
[0091]
et服务类型集，et＝{et1，et2，
…
，ets}；
[0092]
sr服务资源，sr＝{et，ct，tm，av，re，li，ts，tc，ic}，其中，et该资源提供的服务类型；ct表示该资源的服务成本；tm表示该资源的加工时间；av表示该资源的可用性；re表示该资源的可靠性；li表示该资源的地理位置信息；ts表示该资源的运输速度；tc表示该资源单位距离的运输成本；ic表示该资源的唯一识别码；
[0093]
crsk第k个服务类型的资源候选集，crsk＝{sr
1k
，sr
2k
，
…
，sr
pkk
}；
[0094]
msci第i个已完成任务的完成时间；
[0095]
在工业服务领域，广泛应用qos作为服务质量的综合评价标准。建立qos模型一般采用四个评价指标，分别是服务成本(q
ct
)、服务时间(q
tm
)、可用性(q
av
)、可靠性(q
re
)。
[0096]
2.2.3、服务质量指标
[0097]
在工业服务领域，广泛应用qos作为服务质量的综合评价标准。建立qos模型一般采用四个评价指标，分别是服务成本(q
ct
)、服务时间(q
tm
)、可用性(q
av
)、可靠性(q
re
)。本实施例中，服务质量指标为：
[0098][0099]
其中，l表示qos评价指标的数量；ωi表示任务ti的各个评价指标的权重；qi表示任务ti的每类评价指标的聚合值，i＝{ct，tm，av，re}，ct表示成本评价指标，tm表示时间评价指标，av表示可用性评价指标，re表示可靠性评价指标。
[0100]
子任务的评价指标(q
ct
、q
tm
、q
av
、q
re
)由分配给子任务的服务资源sr的路径和性质得到，通过统一量化方法归一化处理得到。
[0101]
具体的，所有任务的成本评价指标的聚合值为：
[0102][0103]
当第i个任务的第j个子任务需要至少两个服务资源时，其成本评价指标的为：
[0104][0105]
其中，q
ct
(st
i，j
)表示第i个任务的第j个子任务的成本评价指标；表示第i个任务的第j个子任务所需的第k个服务资源的成本评价指标；h表示所有任务中的子任务总数量；g表示第i个任务的第j个子任务需要的服务资源的数量，且2≤g≤s；
[0106]
所有任务的时间评价指标的聚合值为：
[0107][0108]
当第i个任务的第j个子任务需要至少两个服务资源时，其时间评价指标为：
[0109][0110]
其中，q
tm
(st
i，j
)表示第i个任务的第j个子任务的时间评价指标；表示第i个任
务的第j个子任务所需的第i个服务资源的时间评价指标；
[0111]
所有任务的可用性评价指标的聚合值为：
[0112][0113]
当第i个任务的第j个子任务需要至少两个服务资源时，其可用性评价指标为：
[0114][0115]
其中，q
av
(st
i，j
)表示第i个任务的第j个子任务的可用性评价指标；表示第i个任务的第j个子任务所需的第i个服务资源的可用性评价指标；
[0116]
所有任务的可靠性评价指标的聚合值为：
[0117][0118]
当第i个任务的第j个子任务需要至少两个服务资源时，其可靠性评价指标为：
[0119][0120]
其中，q
re
(st
i，j
)表示第i个任务的第j个子任务的可靠性评价指标；表示第i个任务的第j个子任务所需的第i个服务资源的可靠性评价指标。
[0121]
2.2.4、服务指标
[0122]
在大多数的云服务需求中服务的快速性尤为重要，如果能快速完成部分任务，就能够满足紧急任务的需求，极大地降低无人机运维带来的风险和损失。因此本实施例将完成用户提交的一半任务的时间作为优化目标，即服务快速性指标为：
[0123]
qc＝msc
m/2
[0124]
其中，msc
m/2
表示完成用户提交的一半任务的时间。
[0125]
2.2.5、目标优化模型
[0126]
以服务质量指标最大化和服务快速性指标最小化为目标的优化模型为：
[0127][0128]
其中，f(cshssp)表示目标函数。
[0129]
目标函数是一个双目标优化问题，当同时考虑两个相互冲突的优化目标时，本实施例采用pareto优势法来找到最优的服务及资源调度路径方案。
[0130]
三、编码与解码
[0131]
本实施例采用两段式编码及解码求解最优的服务及资源调度路径方案。前部分编码为一个s行h列的矩阵，表示各个子任务所需服务资源sr的唯一识别码，其中，第1行表示各子任务所需的第一类服务资源sr的唯一识别码，第2行表示各子任务所需的第二类服务资源sr的唯一识别码，
……
，第s行表示各子任务所需的第s类服务资源sr的唯一识别码；当
某个子任务仅需s个服务资源时，该子任务所在列的第s 1行至第s行均为0；后半部位为一个2行h列的矩阵，第一行和第二行的编码分别表示执行序列和服务方式，其中，执行序列表示所有子任务的执行顺序，服务方式中，0表示现场服务，1表示工厂服务。由于本实施例设定每个子任务最多有两个服务类型需求，因此前部分编码为一个2行h列的矩阵。如图4所示，前部分编码的第一列，子任务st
3，1
所需的服务类型是3同时资源的唯一身份识别码为2，因此服务是由crs3中的第二个sr提供，即sr2(crs3)。类似的，前部分编码的第九列表明，st
4，3
是由sr3(crs4)和sr6(crs5)共同执行的。执行序列表示所有子任务的执行顺序，第一个3表示st
3，1
，第二个1表示st
1，1
，第三个3表示st
3，2
，即执行序列表示任务的执行顺序为st
3，1
→
st
1，1
→
st
3，2
→
st
2，1
→
st
4，1
→
st
1，2
→
st
2，2
→
st
4，2
→
st
4，3
→
st
3，3
→
st
3，4
→
st
1，3
。
[0132]
本实施例的解码规则如下：
[0133]
(1)服务资源sr在完成上一个服务后，若下一个需要该服务资源的任务选择现场服务，则该服务资源sr旅行到下一个地点完成服务，如sr5(crs2)执行完st
3，2
，旅行到st
1，3
处执行任务st
1,3
；否则，如果任务选择工厂服务，则服务资源待在上一个服务地点，需要服务的任务需要旅行到该地点，如sr1(crs1)执行完st
1,1
，st
2,2
旅行到该处接受sr1(crs1)的服务；
[0134]
(2)某个服务资源sr服务多个子任务的时候，要满足编码序列的前后顺序。
[0135]
如此，图4所示的编码可解码为如图5所示的执行方案，一些任务是现场服务，服务发生在任务的现场，一些是工厂服务，服务发生在资源的临时工厂处。
[0136]
四、验证
[0137]
为了验证本实施例的有效性优越性，将混合服务模型、现场服务模型、工厂服务模型在9个问题实例上进行了比较。问题实例的规模用n-m表示，n表示任务t的数量和et中的服务类型数量，n∈{20,40,60}，m表示每个任务的子任务数量和每个crs中的sr个数，m∈{10,15,20}。在任务及资源的初始化过程中，各个子任务服务类型需求的个数是随机获得的。
[0138]
图6是对60-20实例的具体分析，左侧绘制了三种模式下的帕累托前沿，其中灰色表示现场服务，小圆点表示工厂服务，黑色表示混合服务。可以从图中看出，混合服务的前沿比其他两种服务有明显的优越性。右侧对两个目标和分别绘制了箱线图和最小值折线图，图中下标a、b、c分别表示现场服务、工厂服务和混合服务，从箱线图中可以看出，混合服务的前沿绘制的箱线图跨度大，数据范围广，说明混合服务所得到的解有更好的多样性。从和的最小值可以看出，对于每个单目标，混合服务得到的最优解要优于其他两种模式，说明本实施例可以提高服务的质量和缩短服务完成的时间。
[0139]
图7是对9个实例进行测试实验得到和的帕累托前沿，三种服务模型下所得的帕累托前沿如图所示，灰色表示现场服务，小圆点表示工厂服务，黑色表示混合服务。由图7可以发现，三种模型下得到的帕累托前沿明显不连续，这可能是由于服务调度问题的搜索空间不连续导致的。从图中可以看出，在现场-工厂混合服务模式下，更容易获得更小的值和值，现场-工厂混合服务模式下得到帕累托前沿中9个前沿全部靠近内侧。通过优化，混合服务调度方案的综合服务质量有了明显的提升，说明现场-工厂混合服务模式能够更好的将任务和资源进行调度，进一步说明了现场-工厂混合服务模式可以
很好地提高服务的质量和缩短服务完成的时间。此外，可以发现，随着任务和资源数量的增加，现场-工厂混合服务模式的效果更明显。
[0140]
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。