云制造作为一种成功的智能制造商业模式和工业4.0的主要驱动力,近年来引起国内外学者的广泛关注。随着云制造的服务提供商不断提供功能相似但质量不同的云服务,如何在大量的云服务中进行选择组合以满足用户的服务质量期望,即服务质量感知的云制造服务组合问题,已成为计算服务供应中的关键问题。本文首先研究了质量感知的多目标云制造服务组合优化问题,其次为了节约能耗,保护环境,又深入研究了考虑能耗的云制造服务组合问题。云制造服务组合问题往往存在多个优化目标且各目标权重难以事先确定,为了显著提高进化算法在求解过程中的种群多样性和有效平衡进化算法的全局与局部搜索能力,本文提出了一种基于自适应选择和反向学习策略的进化算法,同时优化时间、成本、可靠性、可用性和信誉度。首先,为了缩短问题的求解时间,使用K-means方法基于服务质量对候选服务进行聚类,在每簇候选服务中去除质量较差的服务,跳过这些无效的候选服务;其次,在种群初始化阶段使用反向学习策略,使初始种群在目标空间的分布更加广泛,提高种群的多样性;然后,在算法迭代过程中每隔一定的代数,根据新解的贡献度动态调整选择概率有效平衡算法的开发与探索能力;最后进行了策略验证与算法的对比实验验证,结果表明所提算法具有更好的综合性能。在能源成本增加和环保问题日益突出的压力下,制造商需要寻求节能和低碳的经济解决方案。针对以上问题,本文研究了基于能耗的服务组合优化问题。首先,提出了相应的问题公式,一个目标是最大化整体服务质量性能和最小化服务质量风险,以获得较高的服务质量,另一个目标是最小化物流能耗和制造能耗,以获得较低的能源消耗;其次,提出了一种基于偏好拥挤距离的多目标进化算法,将用户的偏好融入拥挤距离的计算中,使种群一定程度上往用户感兴趣的区域搜索,使用模拟二元交叉算子进行交叉操作提高算法的收敛性能,采用随迭代次数增加而不断变化的变异概率,使种群在进化后期仍然保持一定的搜索能力;最后,实验验证了我们所提算法的有效性。