CN102780765A - 一种基于性能融合的云制造服务资源匹配与组合方法 - Google Patents

Abstract

本发明公开了一种基于性能融合的云制造服务资源匹配与组合方法。根据云制造服务资源与用户的云制造资源需求之间的关系，将云制造服务资源组合分为匹配与组合两个阶段，构建了匹配与组合的性能融合模型，采用动态多属性决策方法对组合方案进行评价排序，过滤出最优的云服务资源组合方案。本发明解决现有网络化制造资源匹配方法不能直接用于云制造服务匹配的实现的问题；同时将闲置的制造云可以在云平台上进行自动寻租，供客户方便、快捷、安全、价廉地使用，这种n:1:m多对多需求与服务的映射关系,为制造业提供了多层次、立体化的制造服务。

Description

一种基于性能融合的云制造服务资源匹配与组合方法

技术领域

本发明涉及一种先进制造系统，尤其涉及一种基于性能融合的云制造服务资源匹配与组合方法。

背景技术

进入21世纪,以应用服务提供商、制造网格、敏捷制造、全球化制造等为代表的网络化制造模式，日渐成为制造业企业应对知识经济、制造全球化、快速响应市场需求、提高企业竞争力等目标的一类先进制造模式。虽然网络化制造在资源服务化建模与封装、资源配置与调度、协同设计、工作流管理等领域取得了一定成果,但其无论在技术上还是运营模式上还存在着缺乏完善的运营服务模式、不能实现动态智能的制造资源共享与分配、缺少终端物理设备智能接入实现技术、没有有效的安全解决技术和手段等瓶颈问题，导致网络化制造的资源服务提供者和资源服务需求企业无法取得显著的经济效益,制约了网络化制造进一步推广与发展.针对现有网络化制造模式发展存在的问题，结合现有先进制造模式和技术以及云计算、物联网、虚拟化、面向服务技术等新技术，提出了云制造与云制造平台的概念。云制造是采取当代信息技术前沿理念(例如云计算),把“软件即服务”的理念拓展至“制造即服务”，支持我国制造业在广泛的网络资源环境下，为产品提供高附加值、低成本和全球化制造的服务。

云制造作为一种基于知识的新型商业模式，通过云平台的构建，将云提供端各类企业分散的制造资源（即完成产品整个生命周期所有生产活动的物理元素，如CAD/CAM/CAE/CAPP软件、产品各类数据信息、各类加工和检测设备等）聚集起来进行标准化、虚拟化，统一封装并发布，形成逻辑上的巨大云服务资源池。云服务资源池中的各类制造资源既包含面向单个制造环节的服务活动、又包含面向多个制造环节的服务活动，还包含面向全生命周期制造的服务活动，因而是一种具有多重制造活动粒度的制造服务。

由于云制造是一个新概念,有关云制造的研究目前还主要集中在概念、体系架构等方面.而云制造系统中云服务的多样性、复杂性、规模性等特点,使得传统网络化制造资源匹配与组合方法不能直接用于云制造服务匹配的实现。云制造服务资源匹配作为云制造服务资源组合的基础,满足需求的服务组合是实现云制造的关键技术之一,因此研究云制造服务资源的匹配与组合方法对云制造的实施和开展具有重要作用。

发明内容

本发明的目的在于提供一种基于性能融合的云制造服务资源匹配与组合方法，通过建立云制造服务资源匹配数学模型，实现服务资源与需求的匹配；通过构建基于服务资源成本、服务资源质量和服务资源周期的组合模型，获得满足需求的一系列云服务组合方案；采用动态多属性决策方法对组合方案进行评价排序，得到最优的云服务组合方案。

为了实现上述目的，本发明采用的技术方案是：

根据云制造服务资源与用户的云制造资源需求之间的关系，将云制造服务资源组合分为匹配与组合两个阶段，构建了匹配与组合的性能融合模型，该方法的步骤如下：

1.1）根据云制造服务资源与云制造用户需求匹配的基础上，建立云制造服务资源匹配数学模型，利用模糊积分度量用户的云制造资源需求与云制造服务资源间的匹配程度，选择相匹配的云制造服务资源；

1.2）经过初次匹配筛选出满足需求的服务资源后，在云制造用户满足需求的所有制造云中建立以服务资源质量、服务资源成本、服务资源周期为目标的组合模型，使用进化算法对组合模型求解，得到最优解组成的互为非支配的云制造服务资源组合方案集；

1.3）对得到的组合方案集使用动态多属性方法，选出最优的面向需求的云制造服务资源组合方案。

首先根据用户的云制造资源需求间的直接相互影响关系，建立云制造服务资源需求的邻接模糊矩阵：

式中，

为三角模糊数，表示云制造资源需求CMRR_i对云制造资源需求CMRR_j的直接影响程度，

云制造资源需求对应的权重集合为(ω₁,ω₂,…,ω_i,…,ω_n)，通过邻接模糊矩阵，构建云制造需求重要度求解模型：

式中，PD_i为云制造服务资源需求CMRR_i的中心度，即云制造服务资源需求CMRR_i的绝对重要度；CD_i为云制造服务资源需求CMRR_i的原因度，即云制造服务资源需求CMRR_i的隐含重要度，

为云制造服务资源需求CMRR_i的影响度，即云制造服务资源需求CMRR_i对其他云制造资源需求的影响值，

为云制造服务资源需求CMRR_i的被影响度，即其他云制造服务资源需求对云制造服务资源需求CMRR_i的影响值；

云制造服务资源匹配程度由云制造服务资源需求重要度和云制造服务资源需求与服务资源之间的关联关系两方面因素共同决定，故云制造服务资源匹配数学模型为：

式中，

为云制造资源需求CMRR_i与云制造服务资源CMSR_j间的关联关系，则记云制造资源需求集CMRR_set与云制造服务资源CMSR_set的关联矩阵为ω_i为云制造资源需求CMRR_i的重要度权重。

根据用户的云制造资源需求的服务资源质量、服务资源成本和服务资源周期要求，对服务资源进行优选，以制造云服务资源总成本函数最小化、服务资源质量函数最大化、服务资源周期函数最小化为目标，构建组合模型；

$\min F_C\left({\mathrm{\ψ}}_{p,q}\right)=\underset{p=1}{\overset{S}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q^p}{\mathrm{\Σ}}}{\mathrm{\ψ}}_{p,q}[C^s(p,q)+C^t(p,q)]$

$\max F_Q\left({\mathrm{\ψ}}_{p,q}\right)={\mathrm{\ξ}}_Q\underset{p=1}{\overset{S}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q^p}{\mathrm{\Σ}}}{w}_p{\mathrm{\ψ}}_{p,q}Q(p,q)$

$\min F_T\left({\mathrm{\ψ}}_{p,q}\right)=\underset{p=1}{\overset{S}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q^p}{\mathrm{\Σ}}}{\mathrm{\ψ}}_{p,q}[T^s(p,q)+T^t(p,q)]$

相关约束条件为：

F_C(ψ_p，q)≤C^*F_Q(ψ_p，q)≥Q^*

$\∀1\≤p\≤S,1\≤q\≤Q_{p}Q(p,q)\≥Q_p^{*}$

F_T(ψ_p，q)≤D^*

$\∀1\≤p\≤S\underset{q=1}{\overset{N_p}{\mathrm{\Σ}}}{\mathrm{\ψ}}_{p,q}=1$

其中，S为满足制造服务需求的服务资源的个数；Q^p表示可参与第p项制造服务内容的服务资源数量；定义决策变量ψ_p，q，ψ_p，q＝1表示第q项服务资源参与第p项服务内容，反之ψ_p，q＝0，由于服务质量、服务成本、服务周期是制造服务选择所采用的最重要的定量指标，综合考虑地域物流因素，定义C^s(p,q)、C^t(p,q)、Q(p,q)、T^s(p,q)、T^t(p,q)分别为第q项服务资源对第p项服务内容的制造服务成本、物流成本、服务质量、制造服务周期、物流周期，约束条件为1≤p≤S且1≤q≤Q^p，C^*表示服务的总预算，Q^*表示制造云服务质量最低可靠性阈值，

表示第p项制造服务质量最低可靠性阈值，D^*表示服务最迟到达期；构建制造服务内容-服务资源关系的编码方式，以决策向量来表示算法的染色体，那么染色体就代表服务资源优化组合方案，使用进化算法对求解服务资源动态多目标优化组合问题。

根据得到的组合方案集，采用改进的动态多属性方法对方案进行优选，引入决策矩阵线性变换和M氏距离的概念，并结合灰色数的概念对最优解所代表的服务资源动态组合方案进行评价和优选，从而筛选出最优的服务资源组合方案，步骤如下：

步骤1：采用决策矩阵线性变换方法获得归一化的灰色决策矩阵，其中望大性的归一化决策矩阵元素变换方程为：

$\⊗b_{\mathrm{ij}}^t=\frac{a_{\mathrm{ij}}^t}{\max \left({\stackrel{\‾}{a}}_{\mathrm{ij}}^t\right)}=[\frac{{\underset{\‾}{a}}_{\mathrm{ij}}^t}{\max \left({\stackrel{\‾}{a}}_{\mathrm{ij}}^t\right)},\frac{{\stackrel{\‾}{a}}_{\mathrm{ij}}^t}{\max \left({\stackrel{\‾}{a}}_{\mathrm{ij}}^t\right)}]$

望小性的归一化决策矩阵元素变换方程为：

$\⊗b_{\mathrm{ij}}^t=-\frac{a_{\mathrm{ij}}^t}{\min \left({\underset{\‾}{a}}_{\mathrm{ij}}^t\right)}+2=[\frac{-{\underset{\‾}{a}}_{\mathrm{ij}}^t}{\min \left({\underset{\‾}{a}}_{\mathrm{ij}}^t\right)}+2,\frac{-{\stackrel{\‾}{a}}_{\mathrm{ij}}^t}{\min \left({\underset{\‾}{a}}_{\mathrm{ij}}^t\right)}+2]$

代表决策矩阵，

代表属性变量；

步骤2：确定正负理想方案值，对于服务内容p而言，Q^p个服务资源中关于第j个属性的第t次服务的正负理想方案值分别为：

$A_j^{t+}=\{\left(\max c_{\mathrm{ij}}\right|j\∈J),\left(\min c_{\mathrm{ij}}\right|j\∈\tilde{J})|i\∈n,t=\mathrm{1,2},...,T\}=[b_1^{+},b_2^{+},...,b_m^{+}]$

$A_j^{t-}=\{\left(\min c_{\mathrm{ij}}\right|j\∈J),\left(\max c_{\mathrm{ij}}\right|j\∈\tilde{J})|i\∈n,t=\mathrm{1,2},...,T\}=[b_1^{-},b_2^{-},...,b_m^{-}]$

其中，J是望大性的属性集合，

是望小性的属性集；

步骤3：采用基于权重灰色数的M氏距离计算方法计算各个阶段t的偏移距离。其中正偏移距离计算公式为：

$d_i^{t+}={\left\{\frac{1}{2}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_j\right[{|b_j^{t+}-{\underset{\‾}{b}}_{\mathrm{ij}}^t|}^p+{|b_j^{t+}-{\stackrel{\‾}{b}}_{\mathrm{ij}}^t|}^p\left]\right\}}^{1/p}$

负偏移距离计算公式为：

$d_i^{t-}={\left\{\frac{1}{2}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_j\right[{|b_j^{t-}-{\underset{\‾}{b}}_{\mathrm{ij}}^t|}^p+{|b_j^{t-}-{\stackrel{\‾}{b}}_{\mathrm{ij}}^t|}^p\left]\right\}}^{1/p}$

其中w_j是第j个属性的权重；

步骤4：拟合各阶段的偏移距离，引入模糊隶属度的概念和聚类方法对各个阶段的偏移距离值进行拟合，聚类目标函数为：

$F\left(u\right)=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\{{\left[u_{i}v\left(t\right)d_i^{t+}\right]}^2+{\left[(1-u_i)v\left(t\right)d_i^{t-}\right]}^2\}$

其中v(t)是阶段t的权重，v(t)>0，v(t)＝{v(1),v(2),…,v(T)}， 和

分别表示赋权重之后A_i的正偏移距离和负偏移距离；u_i和1-u_i是第i个方案分别对正理想方案和负理想方案的隶属度；

对上式求u_i的偏导并令

解得：

$u_i=\left[\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\left(v\left(t\right)d_i^{t-}\right)}^2\right]/[\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\left(v\left(t\right)d_i^{t+}\right)}^2+\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\left(v\left(t\right)d_i^{t-}\right)}^2]$

根据0≤u_i≤1可知，当F(u)随u_i的增大而增大；

步骤5：根据u_i的大小对方案集进行排序优选，u_i越大说明服务资源在提供服务的整个历史中越优，对服务资源重复上述步骤S次，对Opt_num个Pareto最优解所涉及的服务资源进行优选，直至每个需求的制造服务内容都选取了最佳为止。

本发明具有的有益效果是：

1．采用本发明可实现服务需求与服务资源的匹配，通过建立匹配数学模型，使用模糊积分量化匹配程度，解决现有网络化制造资源匹配方法不能直接用于云制造服务匹配的实现的问题；

2．本发明提出的动态组合优化方法，根据云请求端的制造需求，各种云服务按照一定规则聚合形成符合制造服务需求的统一规范化的制造云，与此同时，闲置的制造云可以在云平台上进行自动寻租，供客户方便、快捷、安全、价廉地使用。这种n:1:m多对多需求与服务的映射关系,为制造业提供了多层次、立体化的制造服务。

附图说明

图1是本发明的实现框架。

图2是本发明的匹配示意图。

图3是本发明的匹配算法流程图。

图4是本发明的组合方案流程图。

具体实施方式

以下结合附图对本发明作进一步的详细描述。

图1是本发明相应的云制造平台运行流程总图。

本发明内容包括基于性能融合的云制造服务资源匹配与动态组合的实现框架。参见图1，云制造服务资源匹配与动态组合的实现框架主要由以下三部分组成：

（1）需求获取：云平台基于B/S架构，用户主要通过Web网页的方式提交自己的需求，通过解析器提取需求的关键特征（关键字、功能、约束）等指标，存储在云制造平台数据库中；

（2）服务资源匹配：预先求解获得并存储在云制造平台数据库中的数据,构建满足服务需求的邻接模糊矩阵

以及与相应云制造资源服务的关联矩阵

耦合因子矩阵(I_jk)_10×10，求解获得云制造资源需求间的综合相互影响矩阵

（3）服务资源组合：确定由面向需求匹配的服务资源的数量，使用进化算法对其进行优化组合，并根据企业实际情况确定六个评价属性，分别为：服务信誉度、服务控制能力、服务满意度、服务准时度、服务达成能力、售后服务。各评价属性的权重可以由层次分析法确定，使用动态多属性决策方法计算获得各服务资源对于相应制造服务内容的综合评价值，根据相关制造服务内容的权重进行方案综合评价值拟合，根据拟合结果进行排序，从中选出最佳制造云资服务源动态优化组合方案。

如图2所示，云制造服务资源匹配是根据云制造平台用户的云制造资源需求，将云制造服务资源按相应的规则条件进行匹配，并根据云制造服务资源的实时状态，形成由跨地域的云制造服务资源组成的动态、复杂和基于时序的云制造服务资源匹配集。云制造需求与云制造服务资源具有一对多、多对多、多对一的复杂映射关系，云制造资源需求与云制造服务资源间的匹配关系反映了云制造服务资源对云制造资源需求的满足程度。

如图3所示，需求与服务资源匹配的主要步骤：

第一步，分别构建满足服务需求的邻接模糊矩阵

以及与相应云制造资源服务的关联矩阵耦合因子矩阵(I_jk)_10×10，求解获得云制造资源需求间的综合相互影响矩阵

其中服务需求间直接影响的语义变量及对应三角模糊数如下：极其强烈影响(ES)=(0.75,1.0,1.0)、强烈影响(VS)=(0.5,0.75,1.0)、中等程度影响(MS)=(0.25,0.5,0.75)、微弱影响(LS)=(0,025,0.5)、无影响(NS)=(0,0,0.25);关联程度的语义变量及对应三角模糊数为:极强相关(ER)=(0.75,1.0,1.0)、强相关(VR)=(0.5,0.75,1.0)、一般相关(MR)=(0.25,0.5,0.75)、强相关(LR)=(0,0.25,0.5)、不相关(NR)=(0,0,0.25)；

$\tilde{X}={\left({\tilde{x}}_{i,j}\right)}_{10\×10}$

$=\left[\begin{array}{cccccccccc}0& \mathrm{MS}& \mathrm{MS}& \mathrm{LS}& \mathrm{MS}& \mathrm{NS}& \mathrm{MS}& \mathrm{NS}& \mathrm{LS}& \mathrm{LS}\\ \mathrm{MS}& 0& \mathrm{VS}& \mathrm{ES}& \mathrm{VS}& \mathrm{VS}& \mathrm{VS}& \mathrm{LS}& \mathrm{ES}& \mathrm{LS}\\ \mathrm{NS}& \mathrm{ES}& 0& \mathrm{VS}& \mathrm{ES}& \mathrm{VS}& \mathrm{ES}& \mathrm{VS}& \mathrm{ES}& \mathrm{MS}\\ \mathrm{ES}& \mathrm{VS}& \mathrm{ES}& 0& \mathrm{VS}& \mathrm{LS}& \mathrm{LS}& \mathrm{MS}& \mathrm{MS}& \mathrm{NS}\\ \mathrm{ES}& \mathrm{VS}& \mathrm{ES}& \mathrm{ES}& 0& \mathrm{MS}& \mathrm{VS}& \mathrm{ES}& \mathrm{VS}& \mathrm{VS}\\ \mathrm{ES}& \mathrm{VS}& \mathrm{VS}& \mathrm{LS}& \mathrm{VS}& 0& \mathrm{LS}& \mathrm{MS}& \mathrm{MS}& \mathrm{MS}\\ \mathrm{VS}& \mathrm{VS}& \mathrm{VS}& \mathrm{NS}& \mathrm{VS}& \mathrm{LS}& 0& \mathrm{LS}& \mathrm{LS}& \mathrm{MS}\\ \mathrm{MS}& \mathrm{VS}& \mathrm{LS}& \mathrm{MS}& \mathrm{ES}& \mathrm{NS}& \mathrm{NS}& 0& \mathrm{ES}& \mathrm{VS}\\ \mathrm{VS}& \mathrm{ES}& \mathrm{ES}& \mathrm{NS}& \mathrm{LS}& \mathrm{MS}& \mathrm{VS}& \mathrm{ES}& 0& \mathrm{VS}\\ \mathrm{VS}& \mathrm{ES}& \mathrm{VS}& \mathrm{MS}& \mathrm{VS}& \mathrm{LS}& \mathrm{MS}& \mathrm{ES}& \mathrm{ES}& 0\end{array}\right]$

$\tilde{R}={\left({\tilde{r}}_{\mathrm{ij}}\right)}_{10\×18}$

$=\left[\begin{array}{cccccccccccccccccc}1\mathrm{ER}& \mathrm{VR}& \mathrm{LR}& \mathrm{NR}& \mathrm{NR}& \mathrm{LR}& \mathrm{LR}& \mathrm{LR}& \mathrm{LR}& \mathrm{MR}& \mathrm{MR}& \mathrm{MR}& \mathrm{MR}& \mathrm{MR}& \mathrm{MR}& \mathrm{NR}& \mathrm{MR}& \mathrm{MR}\\ 2\mathrm{VR}& \mathrm{ER}& \mathrm{VR}& \mathrm{MR}& \mathrm{NR}& \mathrm{ER}& \mathrm{ER}& \mathrm{VR}& \mathrm{VR}& \mathrm{ER}& \mathrm{ER}& \mathrm{NR}& \mathrm{MR}& \mathrm{VR}& \mathrm{MR}& \mathrm{MR}& \mathrm{VR}& \mathrm{VR}\\ 3\mathrm{NR}& \mathrm{NR}& \mathrm{ER}& \mathrm{ER}& \mathrm{ER}& \mathrm{MR}& \mathrm{MR}& \mathrm{LR}& \mathrm{LR}& \mathrm{LR}& \mathrm{LR}& \mathrm{LR}& \mathrm{NR}& \mathrm{MR}& \mathrm{VR}& \mathrm{MR}& \mathrm{VR}& \mathrm{RT}\\ 4\mathrm{LR}& \mathrm{MR}& \mathrm{VR}& \mathrm{VR}& \mathrm{VR}& \mathrm{VR}& \mathrm{VR}& \mathrm{MR}& \mathrm{MR}& \mathrm{ER}& \mathrm{ER}& \mathrm{MR}& \mathrm{ER}& \mathrm{NR}& \mathrm{MR}& \mathrm{LR}& \mathrm{VR}& \mathrm{VR}\\ 5\mathrm{NR}& \mathrm{LR}& \mathrm{VR}& \mathrm{VR}& \mathrm{MR}& \mathrm{MR}& \mathrm{MR}& \mathrm{LR}& \mathrm{ER}& \mathrm{VR}& \mathrm{VR}& \mathrm{MR}& \mathrm{MR}& \mathrm{ER}& \mathrm{ER}& \mathrm{MR}& \mathrm{ER}& \mathrm{ER}\\ 6\mathrm{NR}& \mathrm{LR}& \mathrm{NR}& \mathrm{MR}& \mathrm{LR}& \mathrm{LR}& \mathrm{LR}& \mathrm{MR}& \mathrm{MR}& \mathrm{ER}& \mathrm{ER}& \mathrm{ER}& \mathrm{VR}& \mathrm{NR}& \mathrm{VR}& \mathrm{VR}& \mathrm{VR}& \mathrm{LR}\\ 7\mathrm{NR}& \mathrm{NR}& \mathrm{MR}& \mathrm{MR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{LR}& \mathrm{VR}& \mathrm{VR}& \mathrm{VR}& \mathrm{LR}& \mathrm{ER}& \mathrm{LR}& \mathrm{VR}& \mathrm{NR}& \mathrm{NR}& \mathrm{MR}\\ 8\mathrm{NR}& \mathrm{NR}& \mathrm{ER}& \mathrm{ER}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{MR}& \mathrm{MR}& \mathrm{NR}& \mathrm{NR}\\ 9\mathrm{LR}& \mathrm{NR}& \mathrm{ER}& \mathrm{ER}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{LR}& \mathrm{MR}& \mathrm{LR}& \mathrm{LR}& \mathrm{NR}& \mathrm{NR}\\ 10\mathrm{NR}& \mathrm{NR}& \mathrm{ER}& \mathrm{ER}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{MR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{NR}& \mathrm{VR}& \mathrm{LR}& \mathrm{MR}& \mathrm{LR}\end{array}\right]$

第二步，计算获得的云制造资源需求重要度，使用需求重要度计算模型：

第三步，将关联矩阵

和耦合矩阵(I_jk)_10×10中的数值代入进行计算,去模糊化和归一化得到云制造服务资源的匹配度(VF)_j。

如图4所示，面向需求的服务组合方案的主要步骤：

第一步，根据用户的云制造资源需求的服务资源质量、服务资源成本和服务资源周期要求，对服务资源进行优选，以制造云服务资源总成本函数最小化、服务资源质量函数最大化、服务资源周期函数最小化为目标，构建组合模型；

$\min F_C\left({\mathrm{\ψ}}_{p,q}\right)=\underset{p=1}{\overset{S}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q^p}{\mathrm{\Σ}}}{\mathrm{\ψ}}_{p,q}[C^s(p,q)+C^t(p,q)]$

$\max F_Q\left({\mathrm{\ψ}}_{p,q}\right)={\mathrm{\ξ}}_Q\underset{p=1}{\overset{S}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q^p}{\mathrm{\Σ}}}{w}_p{\mathrm{\ψ}}_{p,q}Q(p,q)$

$\min F_T\left({\mathrm{\ψ}}_{p,q}\right)=\underset{p=1}{\overset{S}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q^p}{\mathrm{\Σ}}}{\mathrm{\ψ}}_{p,q}[T^s(p,q)+T^t(p,q)]$

相关约束条件为：

F_C(ψ_p，q)≤C^*F_Q(ψ_p，q)≥Q^*

$\∀1\≤p\≤S,1\≤q\≤Q_{p}Q(p,q)\≥Q_p^{*}$

F_T(ψ_p，q)≤D^*

$\∀1\≤p\≤S\underset{q=1}{\overset{N_p}{\mathrm{\Σ}}}{\mathrm{\ψ}}_{p,q}=1$

其中，S为满足制造服务需求的服务资源的个数；Q^p表示可参与第p项制造服务内容的服务资源数量；定义决策变量ψ_p，q，ψ_p，q=1表示第q项服务资源参与第p项服务内容，反之ψ_p，q=0，由于服务质量、服务成本、服务周期是制造服务选择所采用的最重要的定量指标，综合考虑地域物流因素，定义C^s(p,q)、C^t(p,q)、Q(p,q)、T^s(p,q)、T^t(p,q)分别为第q项服务资源对第p项服务内容的制造服务成本、物流成本、服务质量、制造服务周期、物流周期，约束条件为1≤p≤S且1≤q≤Q^p，C^*表示服务的总预算，Q^*表示制造云服务质量最低可靠性阈值，

表示第p项制造服务质量最低可靠性阈值，D^*表示服务最迟到达期；构建制造服务内容-服务资源关系的编码方式，以决策向量来表示算法的染色体，那么染色体就代表服务资源优化组合方案，使用进化算法对求解服务资源动态多目标优化组合问题。同时对ε-SPEA2的基本参数进行初始化。采用上述编码方式对“制造服务内容-服务资源”选择关系进行编码。设定算法初始进化代数Gen=0,最大进化代数Gen_max，交叉重组概率P_c，变异概率P_m。随机产生初始的内部群体U0，构造一个空的档案(archive)容器V₀；计算内部种群U_Gen与档案容器V_Gen中各染色体在进化到第Gen代时的适应度；将U_Gen和V_Gen中所有非支配个体进行复制后归档到V_Gen+1中；进行算法终止判断，对档案容器V_Gen+1执行锦标赛算法来选择适应度最优的染色体添充到交配池中，利用ε支配关系对V_Gen和V_Gen+1中的染色体进行比较，选择较优者进入U_Gen+1；

第二步，为了进一步对服务资源进行有效评价和甄选，使用动态多属性方法计算获得各服务资源对于相应制造服务内容的综合评价值，首先采用决策矩阵线性变换方法获得归一化的灰色决策矩阵，采用基于权重灰色数的M氏距离计算方法计算各个阶段t的偏移距离，拟合各阶段的偏移距离，根据隶属度的大小对其进行排序，从中选出最佳制造云资服务源动态优化组合方案。

步骤如下：

步骤1：采用决策矩阵线性变换方法获得归一化的灰色决策矩阵，其中望大性的归一化决策矩阵元素变换方程为：

$\⊗b_{\mathrm{ij}}^t=\frac{a_{\mathrm{ij}}^t}{\max \left({\stackrel{\‾}{a}}_{\mathrm{ij}}^t\right)}=[\frac{{\underset{\‾}{a}}_{\mathrm{ij}}^t}{\max \left({\stackrel{\‾}{a}}_{\mathrm{ij}}^t\right)},\frac{{\stackrel{\‾}{a}}_{\mathrm{ij}}^t}{\max \left({\stackrel{\‾}{a}}_{\mathrm{ij}}^t\right)}]$

望小性的归一化决策矩阵元素变换方程为：

$\⊗b_{\mathrm{ij}}^t=-\frac{a_{\mathrm{ij}}^t}{\min \left({\underset{\‾}{a}}_{\mathrm{ij}}^t\right)}+2=[\frac{-{\underset{\‾}{a}}_{\mathrm{ij}}^t}{\min \left({\underset{\‾}{a}}_{\mathrm{ij}}^t\right)}+2,\frac{-{\stackrel{\‾}{a}}_{\mathrm{ij}}^t}{\min \left({\underset{\‾}{a}}_{\mathrm{ij}}^t\right)}+2]$

代表决策矩阵，

代表属性变量；

步骤2：确定正负理想方案值，对于服务内容p而言，Q^p个服务资源中关于第j个属性的第t次服务的正负理想方案值分别为：

$A_j^{t+}=\{\left(\max c_{\mathrm{ij}}\right|j\∈J),\left(\min c_{\mathrm{ij}}\right|j\∈\tilde{J})|i\∈n,t=\mathrm{1,2},...,T\}=[b_1^{+},b_2^{+},...,b_m^{+}]$

$A_j^{t-}=\{\left(\min c_{\mathrm{ij}}\right|j\∈J),\left(\max c_{\mathrm{ij}}\right|j\∈\tilde{J})|i\∈n,t=\mathrm{1,2},...,T\}=[b_1^{-},b_2^{-},...,b_m^{-}]$

其中，J是望大性的属性集合，

是望小性的属性集；

步骤3：采用基于权重灰色数的M氏距离计算方法计算各个阶段t的偏移距离。其中正偏移距离计算公式为：

$d_i^{t+}={\left\{\frac{1}{2}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_j\right[{|b_j^{t+}-{\underset{\‾}{b}}_{\mathrm{ij}}^t|}^p+{|b_j^{t+}-{\stackrel{\‾}{b}}_{\mathrm{ij}}^t|}^p\left]\right\}}^{1/p}$

负偏移距离计算公式为：

$d_i^{t-}={\left\{\frac{1}{2}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_j\right[{|b_j^{t-}-{\underset{\‾}{b}}_{\mathrm{ij}}^t|}^p+{|b_j^{t-}-{\stackrel{\‾}{b}}_{\mathrm{ij}}^t|}^p\left]\right\}}^{1/p}$

其中w_j是第j个属性的权重；

步骤4：拟合各阶段的偏移距离，引入模糊隶属度的概念和聚类方法对各个阶段的偏移距离值进行拟合，聚类目标函数为：

$F\left(u\right)=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\{{\left[u_{i}v\left(t\right)d_i^{t+}\right]}^2+{\left[(1-u_i)v\left(t\right)d_i^{t-}\right]}^2\}$

其中v(t)是阶段t的权重，v(t)>0，v(t)＝{v(1),v(2),…,v(T)}，

和分别表示赋权重之后A_i的正偏移距离和负偏移距离；u_i和1-u_i是第i个方案分别对正理想方案和负理想方案的隶属度；

对上式求u_i的偏导并令

解得：

$u_i=\left[\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\left(v\left(t\right)d_i^{t-}\right)}^2\right]/[\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\left(v\left(t\right)d_i^{t+}\right)}^2+\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\left(v\left(t\right)d_i^{t-}\right)}^2]$

根据0≤u_i≤1可知，当F(u)随u_i的增大而增大；

步骤5：根据u_i的大小对方案集进行排序优选，u_i越大说明服务资源在提供服务的整个历史中越优，对服务资源重复上述步骤S次，对Opt_num个Pareto最优解所涉及的服务资源进行优选，直至每个需求的制造服务内容都选取了最佳为止。

Claims (4)

1.一种基于性能融合的云制造服务资源匹配与组合方法，其特征在于：根据云制造服务资源与用户的云制造资源需求之间的关系，将云制造服务资源组合分为匹配与组合两个阶段，构建了匹配与组合的性能融合模型，该方法的步骤如下：

1.1）根据云制造服务资源与云制造用户需求匹配的基础上，建立云制造服务资源匹配数学模型，利用模糊积分度量用户的云制造资源需求与云制造服务资源间的匹配程度，选择相匹配的云制造服务资源；

1.2）经过初次匹配筛选出满足需求的服务资源后，在云制造用户满足需求的所有制造云中建立以服务资源质量、服务资源成本、服务资源周期为目标的组合模型，使用进化算法对组合模型求解，得到最优解组成的互为非支配的云制造服务资源组合方案集；

1.3）对得到的组合方案集使用动态多属性算法，选出最优的面向需求的云制造服务资源组合方案。

2.根据权利要求1所述的一种基于性能融合的云制造服务资源匹配与组合方法，其特征在于：首先根据用户的云制造资源需求间的直接相互影响关系，建立云制造服务资源需求的邻接模糊矩阵：

式中，

为三角模糊数，表示云制造资源需求CMRR_i对云制造资源需求CMRR_j的直接影响程度，

云制造资源需求对应的权重集合为(ω₁,ω₂,…,ω_i,…,ω_n)，通过邻接模糊矩阵，构建云制造需求重要度求解模型：

式中，PD_i为云制造服务资源需求CMRR_i的中心度，即云制造服务资源需求CMRR_i的绝对重要度；CD_i为云制造服务资源需求CMRR_i的原因度，即云制造服务资源需求CMRR_i的隐含重要度，

为云制造服务资源需求CMRR_i的影响度，即云制造服务资源需求CMRR_i对其他云制造资源需求的影响值，

为云制造服务资源需求CMRR_i的被影响度，即其他云制造服务资源需求对云制造服务资源需求CMRR_i的影响值；

云制造服务资源匹配程度由云制造服务资源需求重要度和云制造服务资源需求与服务资源之间的关联关系两方面因素共同决定，故云制造服务资源匹配数学模型为：

式中，

为云制造资源需求CMRR_i与云制造服务资源CMSR_j间的关联关系，则记云制造资源需求集CMRR_set与云制造服务资源CMS_Rt的关联矩阵为

ω_i为云制造资源需求CMRR_i的重要度权重。

3.根据权利要求1所述的一种基于性能融合的云制造服务资源匹配与组合方法，其特征在于：根据用户的云制造资源需求的服务资源质量、服务资源成本和服务资源周期要求，对服务资源进行优选，以制造云服务资源总成本函数最小化、服务资源质量函数最大化、服务资源周期函数最小化为目标，构建组合模型；

$\min F_C\left({\mathrm{\ψ}}_{p,q}\right)=\underset{p=1}{\overset{S}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q^p}{\mathrm{\Σ}}}{\mathrm{\ψ}}_{p,q}[C^s(p,q)+C^t(p,q)]$

$\max F_Q\left({\mathrm{\ψ}}_{p,q}\right)={\mathrm{\ξ}}_Q\underset{p=1}{\overset{S}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q^p}{\mathrm{\Σ}}}{w}_p{\mathrm{\ψ}}_{p,q}Q(p,q)$

$\min F_T\left({\mathrm{\ψ}}_{p,q}\right)=\underset{p=1}{\overset{S}{\mathrm{\Σ}}}\underset{q=1}{\overset{Q^p}{\mathrm{\Σ}}}{\mathrm{\ψ}}_{p,q}[T^s(p,q)+T^t(p,q)]$

相关约束条件为：

F_C(ψ_p，q)≤C^*F_Q(ψ_p，q)≥Q^*

$\∀1\≤p\≤S,1\≤q\≤Q_{p}Q(p,q)\≥Q_p^{*}$

F_T(ψ_p，q)≤D^*

$\∀1\≤p\≤S\underset{q=1}{\overset{N_p}{\mathrm{\Σ}}}{\mathrm{\ψ}}_{p,q}=1$

其中，S为满足制造服务需求的服务资源的个数；Q^p表示可参与第p项制造服务内容的服务资源数量；定义决策变量ψ_p，q，ψ_p，q=1表示第q项服务资源参与第p项服务内容，反之ψ_p，q=0，由于服务质量、服务成本、服务周期是制造服务选择所采用的最重要的定量指标，综合考虑地域物流因素，定义C^s(p,q)、C^t(p,q)、Q(p,q)、T^s(p,q)、T^t(p,q)分别为第q项服务资源对第p项服务内容的制造服务成本、物流成本、服务质量、制造服务周期、物流周期，约束条件为1≤p≤S且1≤q≤Q^p，C^*表示服务的总预算，Q^*表示制造云服务质量最低可靠性阈值，

表示第p项制造服务质量最低可靠性阈值，D^*表示服务最迟到达期；构建制造服务内容-服务资源关系的编码方式，以决策向量来表示算法的染色体，那么染色体就代表服务资源优化组合方案，使用进化算法对求解服务资源动态多目标优化组合问题。

4.根据权利要求1所述的一种基于性能融合的云制造服务资源匹配与组合方法，其特征在于：根据得到的组合方案集，采用改进的动态多属性方法对方案进行优选，引入决策矩阵线性变换和M氏距离的概念，并结合灰色数的概念对最优解所代表的服务资源动态组合方案进行评价和优选，从而筛选出最优的服务资源组合方案，步骤如下：

步骤1：采用决策矩阵线性变换方法获得归一化的灰色决策矩阵，其中望大性的归一化决策矩阵元素变换方程为：

$\⊗b_{\mathrm{ij}}^t=\frac{a_{\mathrm{ij}}^t}{\max \left({\stackrel{\‾}{a}}_{\mathrm{ij}}^t\right)}=[\frac{{\underset{\‾}{a}}_{\mathrm{ij}}^t}{\max \left({\stackrel{\‾}{a}}_{\mathrm{ij}}^t\right)},\frac{{\stackrel{\‾}{a}}_{\mathrm{ij}}^t}{\max \left({\stackrel{\‾}{a}}_{\mathrm{ij}}^t\right)}]$

望小性的归一化决策矩阵元素变换方程为：

$\⊗b_{\mathrm{ij}}^t=-\frac{a_{\mathrm{ij}}^t}{\min \left({\underset{\‾}{a}}_{\mathrm{ij}}^t\right)}+2=[\frac{-{\underset{\‾}{a}}_{\mathrm{ij}}^t}{\min \left({\underset{\‾}{a}}_{\mathrm{ij}}^t\right)}+2,\frac{-{\stackrel{\‾}{a}}_{\mathrm{ij}}^t}{\min \left({\underset{\‾}{a}}_{\mathrm{ij}}^t\right)}+2]$

其中，

代表决策矩阵，

代表属性变量；

步骤2：确定正负理想方案值，对于服务内容p而言，Q^p个服务资源中关于第j个属性的第t次服务的正负理想方案值分别为：

$A_j^{t+}=\{\left(\max c_{\mathrm{ij}}\right|j\∈J),\left(\min c_{\mathrm{ij}}\right|j\∈\tilde{J})|i\∈n,t=\mathrm{1,2},...,T\}=[b_1^{+},b_2^{+},...,b_m^{+}]$

$A_j^{t-}=\{\left(\min c_{\mathrm{ij}}\right|j\∈J),\left(\max c_{\mathrm{ij}}\right|j\∈\tilde{J})|i\∈n,t=\mathrm{1,2},...,T\}=[b_1^{-},b_2^{-},...,b_m^{-}]$

其中，J是望大性的属性集合，

是望小性的属性集；

步骤3：采用基于权重灰色数的M氏距离计算方法计算各个阶段t的偏移距离。其中正偏移距离计算公式为：

$d_i^{t+}={\left\{\frac{1}{2}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_j\right[{|b_j^{t+}-{\underset{\‾}{b}}_{\mathrm{ij}}^t|}^p+{|b_j^{t+}-{\stackrel{\‾}{b}}_{\mathrm{ij}}^t|}^p\left]\right\}}^{1/p}$

负偏移距离计算公式为：

$d_i^{t-}={\left\{\frac{1}{2}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_j\right[{|b_j^{t-}-{\underset{\‾}{b}}_{\mathrm{ij}}^t|}^p+{|b_j^{t-}-{\stackrel{\‾}{b}}_{\mathrm{ij}}^t|}^p\left]\right\}}^{1/p}$

其中w_j是第j个属性的权重；

步骤4：拟合各阶段的偏移距离，引入模糊隶属度的概念和聚类方法对各个阶段的偏移距离值进行拟合，聚类目标函数为：

$F\left(u\right)=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}\{{\left[u_{i}v\left(t\right)d_i^{t+}\right]}^2+{\left[(1-u_i)v\left(t\right)d_i^{t-}\right]}^2\}$

其中v(t)是阶段t的权重，v(t)>0，v(t)＝{v(1),v(2),…,v(T)}，

和分别表示赋权重之后A_i的正偏移距离和负偏移距离；u_i和1-u_i是第i个方案分别对正理想方案和负理想方案的隶属度；

对上式求u_i的偏导并令解得：

$u_i=\left[\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\left(v\left(t\right)d_i^{t-}\right)}^2\right]/[\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\left(v\left(t\right)d_i^{t+}\right)}^2+\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\left(v\left(t\right)d_i^{t-}\right)}^2]$

根据0≤u_i≤1可知，当F(u)随u_i的增大而增大；

步骤5：根据u_i的大小对方案集进行排序优选，u_i越大说明服务资源在提供服务的整个历史中越优，对服务资源重复上述步骤S次，对Opt_num个Pareto最优解所涉及的服务资源进行优选，直至每个需求的制造服务内容都选取了最佳为止。

Images