Cloud Manufacturing Service Composition (CMSC), as one of the key issues of Cloud Manufacturing (CMfg), has already attracted much attention. Existing researches on CMSC mainly focus on the optimization efficiency in ideal conditions, while scarcely focus on how to efficiently reconfigure CMSC when service exceptions occur. Uncertain service exceptions often occur during CMSC's execution in real-life CMfg. Thus, it is an urgent issue to perform an adjustment for CMSC to continue to complete the processing task. Besides, some practical constraints are non-negligible in real-world CMfg. Thus, it is necessary to consider them when reconfiguring CMSC. To bridge these gaps, this paper proposes a dynamic service composition reconfiguration model when service exceptions occur under practical constraints (DSCRWECPC). This model redefines optimization objectives, including machining quality, service quality, and cost. Besides, DSCRWECPC considers service exceptions, the cloud manufacturing service occupancy time constraint, the strict time constraint of original CMSC, and dynamic service quality change as its practical constraints. To solve this model, this paper proposes a service composition reconfiguration algorithm (SCRIHHO) based on the strengthened Harris Hawks Optimizer (HHO). Finally, to certify SCRIHHO's performance, this paper conducts numerical experiments and the case application to perform comparisons between SCRIHHO and other algorithms (Particle Swarm Optimization (PSO) and Grey Wolf Optimizer (GWO)). Results showed SCRIHHO in this paper is superior to PSO, GWO when tackling the practical DSCRWECPC in CMfg.

云制造服务组合（CMSC）作为云制造（CMfg）的关键问题之一，已经引起了广泛的关注。现有的关于CMSC的研究主要集中在理想条件下的优化效率上，而很少关注在发生服务异常时如何有效地重新配置CMSC。在真实的CMfg中执行CMSC期间，通常会出现不确定的服务异常。因此，迫切需要对CMSC进行调整以继续完成处理任务。此外，在实际的CMfg中，一些实际的约束是不可忽略的。因此，在重新配置CMSC时有必要考虑它们。为了弥合这些差距，本文提出了在实际约束条件下发生服务异常时的动态服务组合重新配置模型（DSCRWECPC）。该模型重新定义了优化目标，包括加工质量，服务质量和成本。此外，DSCRWECPC将服务异常，云制造服务占用时间限制，原始CMSC的严格时间限制以及动态服务质量更改视为其实际限制。为了解决该模型，本文提出了一种基于增强型哈里斯·霍克斯优化器（HHO）的服务组合重新配置算法（SCRIHHO）。最后，为了证明SCRIHHO的性能，本文进行了数值实验和案例应用，以比较SCRIHHO和其他算法（粒子群优化（PSO）和灰狼优化器（GWO））。结果表明，在解决CMfg中的实际DSCRWECPC时，本文的SCRIHHO优于PSO，GWO。包括加工质量，服务质量和成本。此外，DSCRWECPC将服务异常，云制造服务占用时间约束，原始CMSC的严格时间约束以及动态服务质量更改视为其实际约束。为了解决该模型，本文提出了一种基于增强型哈里斯·霍克斯优化器（HHO）的服务组合重新配置算法（SCRIHHO）。最后，为了证明SCRIHHO的性能，本文进行了数值实验和案例应用，以比较SCRIHHO和其他算法（粒子群优化（PSO）和灰狼优化器（GWO））。结果表明，在解决CMfg中的实际DSCRWECPC时，本文的SCRIHHO优于PSO，GWO。包括加工质量，服务质量和成本。此外，DSCRWECPC将服务异常，云制造服务占用时间约束，原始CMSC的严格时间约束以及动态服务质量更改视为其实际约束。为了解决该模型，本文提出了一种基于增强型哈里斯霍克斯优化器（HHO）的服务组合重新配置算法（SCRIHHO）。最后，为了证明SCRIHHO的性能，本文进行了数值实验和案例应用，以比较SCRIHHO和其他算法（粒子群优化（PSO）和灰狼优化器（GWO））。结果表明，在解决CMfg中的实际DSCRWECPC时，本文的SCRIHHO优于PSO，GWO。云制造服务占用时间约束，原始CMSC的严格时间约束以及动态服务质量变化是其实际约束。为了解决该模型，本文提出了一种基于增强型哈里斯·霍克斯优化器（HHO）的服务组合重新配置算法（SCRIHHO）。最后，为了证明SCRIHHO的性能，本文进行了数值实验和案例应用，以比较SCRIHHO和其他算法（粒子群优化（PSO）和灰狼优化器（GWO））。结果表明，在解决CMfg中的实际DSCRWECPC时，本文的SCRIHHO优于PSO，GWO。云制造服务占用时间约束，原始CMSC的严格时间约束以及动态服务质量变化是其实际约束。为了解决该模型，本文提出了一种基于增强型哈里斯·霍克斯优化器（HHO）的服务组合重新配置算法（SCRIHHO）。最后，为了证明SCRIHHO的性能，本文进行了数值实验和案例应用，以比较SCRIHHO与其他算法（粒子群优化（PSO）和灰狼优化器（GWO））。结果表明，在解决CMfg中的实际DSCRWECPC时，本文的SCRIHHO优于PSO，GWO。本文提出了一种基于增强型哈里斯霍克斯优化器（HHO）的服务组合重配置算法（SCRIHHO）。最后，为了证明SCRIHHO的性能，本文进行了数值实验和案例应用，以比较SCRIHHO和其他算法（粒子群优化（PSO）和灰狼优化器（GWO））。结果表明，在解决CMfg中的实际DSCRWECPC时，本文的SCRIHHO优于PSO，GWO。本文提出了一种基于增强型哈里斯霍克斯优化器（HHO）的服务组合重配置算法（SCRIHHO）。最后，为了证明SCRIHHO的性能，本文进行了数值实验和案例应用，以比较SCRIHHO和其他算法（粒子群优化（PSO）和灰狼优化器（GWO））。结果表明，在解决CMfg中的实际DSCRWECPC时，本文的SCRIHHO优于PSO，GWO。