制造业与新一代信息技术的深度融合,推动了云制造（Cloud Manufacturing,CMfg）的发展。作为CMfg系统中至关重要的部分,服务组合优化（Service Composition and Optimal-Selection,SCOS）问题在应用场景和优化算法方面面临着新的挑战。一方面,为了顺应制造业高质量可持续化发展,服务组合过程中的能耗及鲁棒性问题应拓展于服务优选场景。另外,对于上述拓展的应用场景,高效的服务优选对优化算法的求解性能提出了新的要求。本文针对CMfg环境下服务组合优化场景需求的增加、新增场景下优化问题的高维拓展、高效优化算法的需求等问题,提炼出三类服务优选场景,并在灰狼算法的基础上,提出一系列算法来解决这些问题。具体内容如下:（1）概述了CMfg的内涵及特征,介绍了CMfg系统中涉及的主要研究问题,并分析了SCOS问题的重要性和复杂性;综述了SCOS问题和优化算法的研究现状,并总结现有研究的不足,同时引出本文的研究内容。（2）介绍了云制造资源,分析了制造云服务组合优化的流程,给出了SCOS问题的定义,并借鉴Web服务中服务质量（Quality of Service,Qo S）评价方法,给出了SCOS问题的数学模型;研究了灰狼算法的基本原理及对应于SCOS问题的编码方案,同时分析了SCOS问题的优化场景,为后续研究作铺垫。（3）针对服务组合过程中的能耗问题,基于Qo S评价方法,建立考虑制造能耗和物流运输能耗的单目标SCOS模型,并提出一种改进的灰狼算法。首先,通过调整控制参数,保证更多的局部搜索以提高解的精度。然后,通过改进位置更新策略,提高种群多样性,以避免局部最优。最后,通过在SCOS问题上的对比研究验证了所提方法的有效性。（4）针对单目标优化问题中权重的主观性,将单目标SCOS问题拓展为多目标优化问题,并搭建包含最大Qo S和最小能耗的双目标SCOS模型,同时设计一种增强的多目标灰狼算法。首先,采用基于反向学习的种群初始化策略,以提高初始种群的多样性。然后,提出一种非线性变化的控制参数,以增强算法的全局寻优能力。此外,设计一种增强的搜索策略,来增强了头狼的探索能力,从而避免局部最优。最后,通过在基准问题和SCOS问题上的对比研究,验证了所提算法的求解能力。（5）针对服务组合过程中的鲁棒性问题,建立涉及最大Qo S、最大服务鲁棒性、最小能耗的三目标SCOS模型,并在基于分解的多目标优化方法的基础上,提出一种新的基于分解的多目标灰狼算法。首先,利用基于方向学习的种群初始化方法来提高初始种群的多样性。在此基础上,提出一种基于差分进化的交叉算子来引导种群的位置更新。同时,设计自适应交叉速率,实现迭代过程中全局搜索与局部搜索的平衡。最后,通过在基准问题和SCOS问题上的对比研究,验证了所提算法的寻优性能。