1 研究意义及内容

1.1 研究意义

制造业在国民经济建设、科技发展、社会进步和国家安全中起着重要的战略作用。中国和其他发展中国家也在为全球制造贡献力量。中国作为制造业大国，制造型企业需要在向服务型制造业转型的过程中发展新的先进制造模式，实现集约化、绿色化，朝着全球价值链的高端迈进。

主要表现为：第一，学生的学习态度、学习方法和接受能力存在较大的差异，导致计算机操作能力拉开了较大的差距，基础好的觉得教师上课内容重复乏味，降低了学习的兴趣和积极性，基础较差的觉得内容深奥难懂，容易失去信心。第二，教学模式单一，课堂主要为教师讲和演示，学生按照教师讲的指令和步骤一步一步操作，不利于学生培养学生的想象力和创新意识。因此，根据国家对人才的培养要求以及当前课程教学中存在的问题，教师在教育观念、学生实践、教学模式、考核等多方面均应“改版”。

研究人员对近12年发展较快的云计算技术进行了全面而深入的研究，逐步将云计算的服务化计算模式应用在一些新的研究领域，其中最为典型的就是云制造的出现，使所有的制造尽可能应用到用户可见，即制造云服务，这种新的先进的制造模式更加符合服务、环境、知识创新的特征和目标 [1]。

观赏竹资源的收集与保存。望江楼公园新建散生竹种质资源圃，收集(江苏、浙江、陕西、湖南、四川)散生竹种质资源135份；划定散生竹栽培区(读竹苑)为散生竹种质资源圃，有散生竹种质资源65份。2014年，整理并新建了2个丛生竹引种圃为丛生竹种资源圃，分别位于望江公园(面积0.1 hm2)与成都竹博园(面积3.0 hm2)，用于丛生竹的引种栽培，收集(广东、福建、四川)丛生竹种质资源23份；划定6.67 hm2丛生竹栽培区为丛生竹种质资源圃，有丛生竹种质资源70份。2015年3月，收集广西南宁、桂林2地的竹种质资源36份，栽植于丛生竹引种资源圃。

在云制造环境下，用户可以使用云服务开展各类制造活动。而事实上，集中的计算和存储给云计算数据中心带来的能源消耗问题是非常突出的，数据显示，谷歌的 37个数据中心产生的能源消耗，相当于一个小型城市的总能耗 [2]。因此，如何在云制造环境下通过能效评估模型的引入，解决能源消耗问题是重要的研究课题。

基于此，本项目通过对云制造环境下基于能效服务组合路径优选的能效评估方法研究，探索能效评估模型，重点研究服务全生命周期能耗评估、QoS(Quality of service)评估以及制造资源的性能评估，并基于所提出能效评估模型下的服务组合路径优选等方法，探索能效感知的绿色云制造服务组合。

1.2 国内外研究现状

2010年，李伯虎等[3]分析了目前应用服务提供商、制造网格现有网络化制造模式在应用推广等方面所遇到的问题，首次提出了“云制造”的概念：一种面向服务的网络化制造新模式，融合了现有制造业信息化、云计算、物联网、语义Web、效用计算等技术，通过对现有网络化制造与服务技术——制造网格[4]、敏捷制造[5]、计算机集成制造[6]等进行延伸和变革，为用户提供从产品设计、制造、实验、仿真和维护等制造全生命周期过程中可随时获取、按需使用、安全可靠、优质廉价的服务。

3.2.3 服务组合调度优化算法

陶飞等人对云服务组合建模/描述和一致性检查、云服务关联关系、云服务组合柔性、组合网络及其动力学特性、云服务组合建模与评估、组合优选等实现云服务组合的关键问题进行了研究，为未来实现高效智能化的云制造服务管理提供理论支持[7]。在传统的网格制造、云制造等网络化制造模式下服务组合建模方面可以分为3类：

1)基于语义的服务组合建模：文献[10]提出一种结合事件驱动服务模型与语义服务逻辑图的服务组合方法。在事件驱动下完成任务分解、服务发布等操作，利用语义服务逻辑图表达服务之间的逻辑和时序关系，接着进行服务组合并执行组合服务以完成复杂产品设计任务。

2)基于工作流或者Petri网的服务组合建模：文献[11]基于工作流建模技术，提出一种包含个性化服务质量需求、具有多视图特性的服务组合模型，包括：过程模型、资源模型、需求模型和服务组合相关数据；HP实验室开发的eFlow服务组合平台，提出采用有向图描述了服务组合流程。文献提出基于Petri网的Web服务的形式化定义和描述，对Web服务组合进行建模及元素映射，给出Petri网模型生成算法并对组合服务模型的可达性、安全性、有界性与活性等特性进行验证分析。

3)基于QoS的服务组合建模：文献[12]以面向单任务的制造服务组合方法为基础，融入了多任务、多联盟生成问题的相关假设和基本原则，建立了基于QoS多任务的云服务组合模型。相比前面2种建模，第三类基于QoS的建模应用范围更广，更有利于将服务提供者、第三方云平台运营方、服务需求者等三方的利益综合考虑。但是与前2类一样，这些项目都没有考虑服务过程的能源消耗。

一个云任务从需求分析、设计、开始执行到完成，需要调度各种类型的云服务，而云制造服务组合优选是一个服务、任务映射及服务组合过程。它是在一定的任务需求与条件约束下，由各类云服务按照一定组合规则生成相应的服务组合执行路径(Composed Service Execute Path，CSEP)，然后从所有可能构成该云服务组合路径中选择一条最优的路径映射到该任务中执行，最后返回结果的过程。为此本项目拟结合第三类服务组合建模方法和全生命周期的能源消耗，着重研究在保证服务质量的约束下，如何进行服务组合，以实现在云制造服务过程中，减少能源消耗、降低环境压力。

1.3 研究内容

本项目重点研究服务全生命周期能耗评估以及制造资源的性能评估，并基于所提出能效评估模型进行服务组合的路径优选。

一个简单的服务组合方案网络描述如图2所示。

1) 服务全生命周期能耗评估：服务全生命周期的3个阶段是：服务创建阶段、服务执行阶段和服务终止阶段。3个服务阶段所涉及到的能耗对象、内容都是不相同的，实现本项目的研究难点就是要全面描述云服务全生命周期过程，并且从各阶段能耗种类等内容出发，设计一种基于服务全生命周期的能耗评估。

2) QoS评估：本项目研究从云制造服务特点出发，以QoS参数重要程度和可度量的角度为研究内容，对服务QoS进行评估，其评估结果作为本项目的数据支持。

2 云制造环境下的服务全生命周期管理

云制造中的云服务构架，在统一的云制造平台环境下运行，其应用服务一般经历3个阶段：服务创建阶段、服务执行阶段和服务终止阶段。

1)服务创建阶段：将企业生成资源接入到云制造系统中，然后将资源虚拟化成云服务。将企业生成资源并虚化成云服务的方法有生产、加工、制造、计算、存储等。

昨天，唐小果跟爸妈去“唐家大院”拍摄一期关于古代大门的视频。当他们拍摄到一半的时候，遇到了一个卖糖人的老爷爷，他拿着一坨糖浆，一捏一揉，然后轻轻吹几下，一拉一扯，一个惟妙惟肖的孙悟空糖人就做好了。

分析基于工作流模型的Web服务组合系统可以发现Web服务组合性能取决于抽象的服务组合的服务调度和具体的Web服务性能。随着应用规模的增大，服务组合的调度方案趋向于最优的可能性逐步下降，随着Web服务数量的剧增，相同功能不同性能的具体Web服务的选择机会也迅速增大。因此对服务组合调度进行优化以及选择高性能的具体Web服务变得越来越重要。服务组合调度求解问题可以归结为项目调度问题，它是一个NP-hard问题，现有的方法在多项式时间内只能找到满意的解。对基于工作流模型的Web服务组合优化分为3个步骤，具体如下：

3)服务终止阶段：用户在使用完服务后对服务进行评估，管理方通过用户体验进行资源回收处理。评价结果为满意时，此次服务作为成功案例被放回到云制造中；评价结果为不满意时，管理方将根据用户的需求重新选择适合用户的服务来供用户使用。

3 云制造环境下基于服务组合路径优选的能效评估模型

3.1 云制造服务能效评估模型

3.1.1 基于工作流模型的服务组合系统

 

工作流，指工作过程的计算机化或者自动化，可实现流线型的业务运作，也被称为数字化的工作流系统。工作流模型是将现实世界中的业务过程抽象出来,并以一种形式化的、计算机可处理的方式表示。基于工作流模型的Web服务组合通常采用半自动方式实现：领域专家利用领域知识设计出用户需求的抽象Web服务组合方案，其中每个抽象的Web服务用计算机能够理解的方式定义；服务匹配和绑定则由系统自动处理。在领域专家的参与下降低了Web服务组合方案生成的复杂性，同时Web服务组合方案又具有较好的动态性和灵活性。

典型的基于工作流模型的Web服务组合系统通常包括5部分：翻译器、组合管理器、执行引擎、服务匹配器以及服务库，其运行的流程如图1所示。每个部分的功能如下：1)翻译器：接受用户服务请求，把其转换为机器能够识别的语义表达，然后提交给组合管理器；2)组合管理器：接受语义表达的服务请求，结合服务库中的服务描述生成抽象的组合方案，并提交给执行引擎；3)执行引擎：接受抽象的组合方案，从服务匹配器中获得具体的Web服务替换抽象Web服务并执行；4)服务匹配器：接受抽象的服务描述，在服务库中寻找适合的具体Web服务返回给执行引擎，执行；5)服务库：存放大量的具体服务描述。

3.1.2 云制造服务QoS评估模型

第二，适当的开展技能竞赛。高职院校学生在实际的学习过程，除了要认真学习教师以及师傅传授的技能之外，还应该积极的参加一些技能大赛，保证可以通过竞赛，不断提升水平，完善自身存在的不足。同时，院校也可以举办或者鼓励学生参加职业竞赛，让学生有机会学习不同院校以及学生的知识技能，领略来自不同职业的工匠精神，拓宽自身视野。此外，高职院校应该加大宣传，设立奖励机制，让学生可以了解竞赛的作用和意义，然后可以主动参与其中，提升自身能力和水平，促进自身未来发展。

一般情况下通过云服务成本、可靠度、时间、可用性、满意度、可维护度、信誉度等来描述服务质量。云服务成本Cost用C表示、可靠度Reliability用Rel表示、时间Time用T表示、可用性Availability用Av表示、满意度Satisfaction用Sa表示、可维护度Maintainability用Ma表示、信誉度Trust用Tr表示，服务质量Quality of service用QoS表示。创建的模型如下：

QoS={时间、成本、可靠度}={T,C,Rel}

(1)

Time Index指从开始申请服务到把执行结果返回给用户所需要的时间。当然这个所需要的时间不能仅仅是执行任务的时间，还要考虑云服务提供者因地理差异产生物流需要的时间。

脑梗塞是临床上因为患者脑部血液存在功能障碍而导致的病情，使得患者脑部出现缺血缺氧导致患者出现局限性，脑组织软化进而使脑组织坏死。病情的发生和糖尿病、心律失常、高血压等存在着明显的关联，而且和患者的身体肥胖也存在一定关系[1]。这种病情在临床上主要表现为存在认知障碍和语言障碍，患者有一定的偏瘫和神经功能损害，所以病情在很大程度上影响着患者的健康。本文主要针对于此分析对于急性期脑梗塞患者在进行治疗过程中，选择依达拉奉进行治疗所取得的效果，并分析治疗的安全性，现报告如下。

Cost Index (成本指标)：主要指提供服务的企业为用户提供云制造服务所收取的相关服务费。一般用户要在服务平台上通过注册提出服务指标，或通过服务平台制定制度或开展协商等形式确定服务内容以计算成本费用。

作文的题材、主题的范围通常是较广的，要使学生学会写作，需要提升其综合的写作能力，需要其能够把握各类题材、主题的文章，因此就需要学生有较为广阔的写作视野，以为其想象力的开展奠定空间基础。拓宽学生的写作视野，不仅要从学习中出发，还要能够结合日常生活、周围环境、大自然等，利用一切有利因素，使学生脑海中能够积累丰富的作文素材，从而以更加独特、多样的视角去展开写作。

Reliability Index (可靠度指标)：一般指按照事先约定的条件，在规定的时间内成功执行的能力。为方便理解，可以用执行成功的次数除以用户提出的总执行次数来衡量， Rel=Nsuc/Ntot，用Nsuc代表执行成功的量，用Ntot代表用户需要执行的总数量。

上面提出来的QoS模型比较适用于单一制造服务方面，受成本、时间和可用性、可靠性方面因素的影响，也适合于服务组合后的大粒度服务。

因费用、时间和依赖度等指标在量级和单位等方面存在不同， 或者因各种客户存在不同的偏好， 本文提出了项目在计算目标函数fQoS时采取功效系数法和加权分析法， 对fQoS进行无量纲化处理和均为正(效益)指标的情形， 其功效系数法公式为：

 

(2)

公式中的c用来表示平移常数， X表示为评估指标的原始数据值， d表示缩放常数， X*代表无量纲化处理值， 原始数据的值经过无量纲化处理后被替换。

3.1.2 云制造服务能耗评估模型

一般通过同类服务包含的能耗信息， 不同类型所包含的个性能耗信息， 提取能耗中的共性信息， 在制造资源服务化封装过程， 以及通过提供能耗适配器对能耗进行评估。 因服务能耗包含的属性非常多， 根据不同的目的对它的划分和分类也不同，所以项目能耗描述模型定义为：

 

(3)

公式中用BasicInfo表示： 名称、 标号、 类别、 所属服务、 能耗监控端口等这些最基本服务能耗的信息； 用UsingInfo来表示相同条件下消耗的能源类型、 单位时间能耗总量、 能源转化率、 能源的消耗量和不同条件下不同的消耗能耗类型、 消耗总量、 能耗消耗量； 用ConsumerInfo表示消耗了能源的对象信息； 用EmissionInfom表示回收利用的能源信息等； 用 Costing表示制造服务过程中所需的全部费用。

3.1.3 云制造服务能效评估模型

云制造环境下基于服务的能效算法主要是针对制造资源(服务)使用的能耗、 QoS(服务质量)性能进行评估： 当服务需求者(Service Demander，SD)提出某个云服务时， 系统按照需求优化组合云服务池内的各种服务， 以达到云平台运营商对该SD在云服务质量、 费用和信用的各项要求。

我们用集合S={S1, S2， …Sp， …，Sq, …Sm}表示运营商为服务商提供的一项任务， 其中任务中的每一个部分为最小的任务单元， 其中Sp, Sq也是代表某类型的一个最小单元， m用来表示任务的数量， p、 q用来代表递增的序号。 我们用集合R=r1⊕r2⊕…rh⊕rg表示服务商提供g个服务来一起完成S任务。 rl代表其中一个服务， 完成任务单元集合{Sp， …， Sq}， rl代表实现结果的单元集合分为两类： 当p>q时， 制造资源rl完成p-q个任务单元； 当 p=q时， Sp-Sq制造资源 rl 完成该任务单元SP。 研究rl完成该任务单元是研究第一类的基础也是最简单的。 因此我们研究时假定实现该制造资源(服务)任务单元是不可再分和单一的。

我们假设R完成服务S所需要的时间为T， 研究将依据因性能不同其服务能力和执行任务的时间也不同， 考虑在正常载荷、 空载、 附加载荷时消耗各种能源量等构造云制造服务能效的全生命周期评估模型。

甲基蓝中加入吸附剂前后测得的数据如表2所示。甲基橙中加入吸附剂前后测得的数据如表3所示。吸附百分率数值比较如表4所示。

另外，PWM控制器选择TI公司生产的TPS43000，它是一款高频率，电压模式的同步PWM控制器，可用于BUCK、BOOST、SEPIC或反激式拓扑结构的应用中。能够在1.8～9.0 V的宽输入电压范围内工作，最高工作频率可编程为2 MHz，同时还具有优越的低功耗特性，睡眠模式电流小于100 μA，全工作电流小于2 mA（1 MHz），非常适应小电压的高效率DC-DC开关电源电路使用。

3.2 基于能效模型的服务组合优选

3.2.1 组合优选依据

步骤一：按照3.1.2 云制造服务QoS评估模型，计算出每个抽象Web服务对应的服务组中的各个具体服务的质量，找出服务质量最高的具体Web服务替换组合方案中的抽象Web服务；

 

(4)

式(4)中的代表待选云服务组合所有可能的执行路径。

一条云服务组合执行路径的En计算公式就表示为：

 

(5)

其中用CSEP1、 CSEP2和CSEP3分别表示3条不同的服务组合执行路径， 如果CSEP1上的任意一个优化目标比CSEP2上相应优化目标好， 即公式(5)：

fQoS(CSEP1)≤fQoS(CSEP2)and fEn(CSEP1)≤fEn(CSEP2)

(6)

并且CSEP1存在多于一个比CSEP2上相应的优化目标好，即公式(7)：

fQoS(CSEP1)≤fQoS(CSEP2) or fEn(CSEP1)<fEn(CSEP2)

(7)

我们就说多目标解CSEPl是支配多目标解CSEP2的， 即CSEP3φΦCSEP1， 即解CSEPl是非支配解。 依据客户和云调度系统需求， 项目所建立的目标函数f(CSEP)约束条件如式(8)—(11)：

 

(8)

 

(9)

 

(10)

 

(11)

为了确保任务的总体及子任务质量， 本文研究都通过寻找极小值， 通过无量纲化处理后， fQoS(CRSEP)的值越小服务质量越佳。 其中MaxQoS(ST)代表云制造服务组合执行路径中最大服务质量， MaxQoS(STj)代表子任务可以承受的最大服务质量， MaxRel(STj)代表资源服务满足小于子任务要求的最大信赖度， MaxT(STj)代表子任务可以允许的云制造服务处理使用的最长时间， MaxC(STj)代表子任务能接受的最多支付费用， 每个分任务所有付费总和不能超过服务组合的预算总和， MaxEn(STj) 为代表分任务能允许的最大能耗。

3.2.2 改进后的拓扑排序算法

2)服务执行阶段：用户通过访问云制造使用服务时，产生大量服务管理。用户访问云制造，云制造接到请求，搜索相关服务，将搜索到的执行方案放到具体云服务中，然后选择最佳的服务推荐给用户使用。

研究时用M个子任务STj组成一个云制造任务， 用Task={ST1， …， STj, …， STM}来表示， 任何子任务STj可以在资源库中找到它需要的服务集(Resource Service Sequence)， 用RSSj={RS1j， …， RShjj， …， RSkjj， )来表示， 其中RSSj中可提供Kj个资源用于服务STj。 云制造平台会从M个备选服务集中为任何一个子任务选一个服务资源并按组合规则去执行， 在多约束和多目标等条件下， 从全部理论组合中选择一个最佳服务组合来执行任务， 这里的多约束是指可接受的服务最长处理时间、 最小信赖度、 最多花费、 最高能耗等， 多目标是指QoS最优、 性能最高、 能耗最低等。 上面的研究是基于服务质量与能耗多目标优选的云制造服务组合问题， 一条云服务的组合路径CSEPi就表示为：

步骤二：用调整的拓扑排序算法得到一个符合时序关系的拓扑序列；

步骤三：结合拓扑排序序列的特点，采用优化的串行调度算法对服务组合调度进行优化。

从Keley的调度算法中可以发现，判断时序约束和资源约束是算法主要构成部分。判断时序关系涉及到Ln和Cn ，判断资源约束涉及到An。An通常由服务组合方案的网络图复杂性决定，相对比较稳定，不会随着规模的增大而迅速增大，而Ln和Cn会随着规模的增大而迅速增大。在Ln中找符合时序关系的服务并入到En中，如果在不符合时序关系的集合上操作，那么必须要遍历整个Ln。在验证某个服务的前驱服务是否出现在Cn中时，由于无时序关系必然导致搜索处理遍历整个Cn。可见判断时序关系的速度成为串行调度算法速度的核心。根据调整后的拓扑排序序列规律可知，当拓扑排序序列上Ln中取出的某服务不符合时序关系时，其后面服务必然也不符合时序关系，这样在Ln中搜索可行服务时就不需要遍历整个Ln。判断某服务的前驱服务是否出现在Cn中时，根据规律可知它的前驱服务必然出现在拓扑序列上Cn的尾部，因此可以采用反序比较的方式在Cn中查找，以便于提前查找到前驱服务。鉴于此分析得到一个优化的处理步骤：

步骤一：从开始节点s开始；

步骤二：找出所有入度为0的节点，按照某种优先规则排序后全部输出。采取关键路径优先、服务编号小优先规则进行排序；

步骤三：在网络图中删除这些节点以及所有以它们为尾的弧；

步骤四：如果网络图还存在节点则转向到步骤二，否则结束。

调整后的拓扑排序算法每次产生一个输出序列，这些输出序列之间存在着这样的规律：在相邻的2个输出序列中前一个输出序列的直接后继节点必然出现在后一个输出序列中，而后一个输出序列中节点的前驱节点必然都出现在前一个输出序列中。

通过岩石力学理论分析，对于人工压裂裂缝而言，其裂缝方向始终平行于最大主应力方向，当水平段轨迹与最大主应力方向夹角不同时，会产生不同的人工压裂裂缝形态。当水平段轨迹平行于最大主应力方向时，裂缝与水平段轨迹方向平行，产生轴向裂缝；当水平段轨迹与最大主应力方向呈0°～90°夹角时，裂缝与水平段轨迹方向斜交，产生斜向裂缝；当水平段轨迹与最大主应力方向垂直时，裂缝与水平段轨迹方向垂直，产生垂直于水平段轨迹的裂缝。

现阶段很多企业对ERP的认识还不到位，没有认清该系统的巨大优势和重要影响，针对这种现象，积极研究并分析ERP对我国企业会计财务管理的影响具有非常重要的意义，主要有以下管理策略：

 

依据拓扑排序算法得出这个网络图产生的序列为：①a;②b,c,d;③e,f,g;④h。其中①②③部分的直接后继结点全部在②③④中，而②③④的前驱结点全部在①②③中。

2011年，李伯虎等人进一步论述了云制造[5]，认为云制造是建立在云计算所提供服务模式的基础上，对云计算服务模式的延伸和发展，这些模式包括平台即服务(Platform as a Service，PaaS)、 服务基础设施(Infrastructure as a Service，IaaS)和软件即服务(Software as a Service，SaaS)，随后杨海成把该理念扩展至“制造即服务”[6]，丰富和拓展了云计算的资源共享内容、服务模式和技术。

服务组合方案中用具体Web服务替换抽象Web服务之后得到了具体的服务组合方案，此时就可以进入调度阶段，本文结合拓扑排序的特点对Keley提出的串行调度算法进行了优化，过程如下：

服务组合方案的串行调度算法共需要经过N阶段(N为服务组合方案中的服务总数)。第n阶段对应一个不完全调度计划Pn和4个服务集合(执行完成的服务集合为Cn，可行服务集合为En，正在执行的服务集合An，未调度的服务集合Ln，其中An和En中服务的前驱服务都在Cn集合中)。在每个阶段从En中选择一个服务调度，其调度时间由前趋服务完成时间以及资源可利用的最早时间决定。当该服务被调度后，把此服务的调度添加到调度计划Pn中，然后再转移到An中，同时把An中完成的服务转移到Cn中，重新计算剩余的资源。由于Cn的调整,Ln中一些服务的前置服务已经完成，从而可以添加到En中，重新计算En。重复整个算法直到En为空集合结束。

拓扑排序序列可以确保服务之间的时序关系，因此可以把它应用到服务组合调度中来。为了使并发的服务集中出现，本文对以前的拓扑排序算法做了改动，改动后的拓扑排序算法如下：

步骤一:在Ln序列中获取首个服务j；

步骤二:获得服务j的前驱服务集合pj；

步骤三:判断pj中的服务是否完全出现在Cn中，如果pj完全出现在Cn中，则转移服务j到En中，转向步骤一(在Ln序列中获取下一个服务)，否则结束。

本文的异构云平台由Intel Core 17 920 CPU和AMD 4870x2 GPU构成，同时用功耗测量仪监测系统能耗，再通过串口RS-232来读取。实验选取HotSpot,Kmeans, MGRID和SWIM 4个计算密集型应用测试用例，用于评估异构并行系统。

大美新疆（柳京） .........................................................................................................................................11-56

实验选取Kernel程序在该异构云系统的执行。图3给出了在不同功耗约束下系统执行产生的实际功耗开销。

 

其中，横坐标给出了不同百分比的功耗约束，纵坐标是实际Kernel程序执行的的功耗值。实验表明，由于异构云平台的物理计算节点支持较为有限的且有上下届约束的运行频率，当功耗约束较高时，往往无法较好地利用功耗约束，导致实际功耗值较大。从实验结果看出，本文提出的基于能效模型的服务组合优选，即划分服务器集群的可扩展分布式调度方法较为准确地描述了给定功耗，同时也没有超过功耗约束，实现了准确的功耗控制，一方面很好地提高了整个系统的资源利用率，另一方面也降低了系统的能源消耗。

例如在《椭圆》这一节的教学中，教师首先认真分析本节的教材内容：教学目标：理解椭圆的定义；掌握椭圆的标准方程；会根据已知条件求椭圆的标准方程.教师首先使用多媒体设备，借助计算计算机软件模拟画出圆的图象，然后对圆的的概念和方程进行复习.随后引导学生根据自己的理解进行分析，使用手边的工具画出椭圆的图形.学生很快完成了图形的绘制，随后教师提出问题：结合圆的相关定义和概念，大家认为椭圆应该如何定义，有什么样的特点呢？教师安排学生开展小组探究，对椭圆的定义和特点进行研究.学生们很快地总结出了椭圆的定义，同时学生观察研究标准方程以后发现，化简如果运用两边平方，会使得过程更加复杂，要先进行整理.

3.3 本文的特色与创新之处

1) 建立了支持全生命周期的服务能耗评估模型。结合服务组合及优选的需求，研究了服务OoS评估模型，建立了支持全生命周期的服务能耗评估模型，提出了云制造服务能耗综合评估框架与云制造服务能效模型。

2)提出了基于能耗及QoS的云制造服务组合多目标优选模型与算法。对服务组合进行了描述，重点研究了基于能耗及QoS的云制造服务组合多目标优选模型，包括服务组合基本构成模型、服务组合执行路径及服务组合执行路径QoS、能耗评估。

4 结论与展望

4.1 结 论

1)本文建立了支持全生命周期的服务能耗评估模型。通过对全生命周期各个服务阶段的能耗深入剖析，以云制造环境为出发点，提出并建立了支持全生命周期的服务能耗评估模型。

2)本文提出了基于能耗及QoS的云制造服务组合多目标优选模型与算法。重点描述了服务组合，重点研究了基于云制造服务组合中的能耗及QoS的多目标优选模型。

4.2 展 望

云制造是一种面向服务的、低能耗的网络化智能制造新模式，融合了现有信息化制造技术、云计算、物联网等技术，将各类制造资源和制造能力虚拟化、服务化，并构成制造服务，进行智能管理，以此为广大用户提供制造服务。本文提出了云制造环境下的基于服务组合路径优选的能效评估方法，希望能够进一步实现制造资源和制造能力的流通和整合，创造出更多新的制造模式。

参考文献:

[1] TAO F，QIAO K.ZHANG L．GA-BHTR：an improved genetic algorithm for partnerselection in virtual manufacturing[J]．International Journal of Production Research,2012，50(8) :2079-2100．

[2] 张法, Antonio Fernandez Anta, 王林, 等. 网络能耗系统模型及能效算[J]. 计算机学报,2012,35(3)．

[3] 李伯虎，张霖.云制造——面向服务的网络化制造新模式[J].计算机集成制造系统，2010，16(01)：1-7．

[4] KAHRAMAN C, BESKESE A, DA R. Measuring flexibility of computer integrated manufacturing systems using fuzzy cash flow analysis[J]. Information Sciences, 2004, 168(1/4):77-94.

[5] 李伯虎，张霖，任磊，等．再论云制造[J]．计算机集成制造系统，201 l，17(03)：449-457．

[6] 杨海成．云制造是一种制造服务[J]．中国制造业信息化，2010(6)：22-23．

[7] TAO F, ZHANG L, GUO H,et al. Typical characteristics of cloud manufacturing and several key issues of cloud service composition[J]. Computer Integrated Manufacturing Systems, 2011, 17(3):477-486.

[8] 贺东京，宋晓，王琪，等．基于云服务的复杂产品协同设计方法[J]．计算机集成制造系统，2011，17(3)：533-539．

[9] 苑迎春，王克俭，韩宪忠，等．基于工作流的Web服务组合多视图模型[J]．计算机集成制造系统，2010，16(1)：30-46．

[10] MOORE J W. Converging software and systems Engineering standards[J]. Computer, 2006, 39(9):106-108.

[11] 张佩云，黄波，孙亚民．基于Petri网的Web服务组合模型描述和验证[J]．系统仿真学报，2007，19(12)：2872-2876．

[12] FEI T, HA Y, ZHOU Z. Correlation-aware resource service composition and optimal-selection in manufacturing grid[J]. European Journal of Operational Research, 2010, 201(1):129-143.