1.一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于，包括如下步骤：(1)首先将制造任务Task(T)划分为若干个子任务，在云平台选取多个候选云服务并组成候选云服务集，建立面向云制造服务组合的大规模多批次任务协同组合模型；

(2)采用基于多种改进策略的人工蜂群算法对大规模多批次任务协同组合模型的寻优过程进行优化；在步骤(2)中，为实现面向云制造服务组合的大规模多批次任务协同组合模型的优化问题，通过引入若干种改进策略来提高人工蜂群算法的全局搜索能力和寻优精度，包括利用差分进化策略使算法快速收敛到全局最优；利用三角因子振荡策略，促使蜂群跳出局部最优，逼近全局最优解；

所述基于多种改进策略的人工蜂群算法的步骤如下：

(2.1)利用块编码的方式确定多种改进策略的人工蜂群算法的参数并初始化种群；并计算种群中每个个体适应度值并判断容量限定,舍弃不满足容量要求的个体；其中，利用块编码的方式设定多种改进策略的人工蜂群算法的参数：蜂群数量NP、食物源数量NP/2、控制参数limit、最大循环数MaxCycle、D维解空间；并且在解空间随机产生初始解Xi，其中i＝1，

2,…,NP,计算其适应度值：即 它表示第g代种群的第d个个

体,且 表示第i级的第k个基因位；

(2.2)雇佣蜂采用经差分进化策略、异维学习策略以及三角因子振荡策略改进后的方程进行循环搜索；观察蜂采用经高斯分布策略改进后的搜索方程进行循环搜索；其中，利用差分进化策略和异维学习策略，为雇佣蜂提供了更多的学习机会，避免了单一维度寻优的问题，从而大大提高了雇佣蜂的全局搜索能力；此外，通过引入三角因子振荡策略、全局精英解和自适应权重因子，可以进一步提高雇佣蜂的全局搜索能力；利用全局精英解，可以有效地将当前种群的搜索方向向更好的解靠近；此外，自适应权重因子可以动态调整步长；在迭代初期，权重因子被用来扩展搜索空间，而在后期，它使个体进行精细搜索并收敛到最优位置；此处雇佣蜂按如下公式搜索新解：其中,cos(λ)为三角振荡因子，且λ是在[3.14，π]范围内的一个随机数，r,r1,r2∈{1,

2，…，NP},且r≠r1≠r2,F＝2，k1，k2，k3∈{1,2，…，D}，且k1≠k2≠k3,ξ为自适应权重因子且ξ＝(maxCycle‑iter)/maxCycle，φ是在[‑1,1]范围内的一个随机数，xge是全局精英解；

在观察蜂阶段，引入一种具有自适应高斯分布因子的变异策略来克服观察蜂的缺点，使得观察蜂在迭代初期获得更多的食物源，从而避免后期过度开发；并且在观察蜂阶段，使用差分进化策略和异维学习策略来寻找新的食物源；此处观察蜂按照如下公式产生新解,并计算其适应度值；

其中，γ服从均值为0，标准差为0.5的高斯分布，其余参数和雇佣蜂相同；

(2.3)设定记录板记录蜜蜂的搜索状态，根据记录板的内容确定是否产生侦查蜂，并且侦查蜂采用经差分进化策略、异维学习策略改进后的搜索方程开始搜索；判断是否达到终止条件,若是则输出结果；否则，重复上述步骤继续求解；其中，在侦查蜂阶段，引入一个记‑5录板来记录蜜蜂的状态并将信息反馈给侦察蜂；具体地说，即设置一个控制参数ε值为10作为阈值，如果记录板上的适应度值在五次连续迭代中没有变化或者在小于ε的范围内变化，侦查蜂将采用公式 进行搜索，各参数与上述式子相同，一旦达到算法的终止条件，输出最后的结果；

(3)利用步骤(2)优化后的大规模多批次任务协同组合模型，解决大规模多批次任务协同服务的组合优化问题，完成云制造服务组合的优化。

2.根据权利要求1所述的一种面向大规模多批次任务协同的云制造服务组合优化方法，其特征在于：所述步骤(1)构建的面向云制造服务组合的大规模多批次任务协同组合模型中的参数设置如下：(1.1)制造任务：Task(T)；

(1.2)子任务集：SbT＝{sbt1,sbt2,…sbti,…,sbtn}，n为子任务数量；

(1.3)候选云服务集： RCSSi为第i个子任务对应的候选

云服务集，ki是对应的云服务总数；

(1.4)服务组合方案： 表示执行第i个子任务所有的组合方案数量；

(1.5)优化目标：以制造时间为优化目标，在多批次任务协同执行的情况下，要使得整个任务制造时间最短，只需缩短耗时最长的批次任务的完成时间即可；故目标函数设为：其中TF是对应批次的完成时间，η是子任务中的批次数量。