CN103942283B - 基于Web服务的制造资源推荐方法及系统 - Google Patents

Abstract

本发明公开了一种基于Web服务的制造资源推荐方法及系统。其中，制造服务资源推荐方法为：接收客户发送的需求信息；将需求信息与预置的封装为Web服务的制造服务资源进行匹配，确定符合客户需求的多个候选Web服务，生成候选Web服务集合；确定每一候选Web服务所包括的多个资源属性值，构建候选Web服务集合的服务质量矩阵；依据服务质量矩阵及均等化服务质量评价方法，计算每一候选Web服务的综合服务质量评价值，并且，将综合服务质量评价值最大的候选Web服务推荐给客户。本发明利用信息技术，消除服务供需之间的信息隔阂，在能够满足不同客户的个性化需求的前提下，尽可能地实现服务资源的均等化调配。

Description

基于Web服务的制造资源推荐方法及系统

技术领域

本发明涉及制造服务资源分配的技术领域，特别涉及一种制造服务资源的均等化推荐方法及系统。

背景技术

目前，制造资源分配不均衡、供需矛盾紧张的现象在制造领域普遍存在：一方面，高质量的制造资源规模与产能都很有限，但是由于客户盲目追求超过自身需求的服务质量，导致部分服务资源处于超负荷运转状态，服务质量出现下滑，客户自身也付出了不必要的成本(时间，价格等)；另一方面，部分服务资源虽然服务质量尚可，但是由于客户对于服务资源信息的不了解，导致该服务资源闲置率较高，无法得到充分利用。因此，只有将订单分配给最合适而非最优的制造资源，才能满足尽可能多的客户需求，同时保持较高的服务质量。

随着信息技术的发展，不同企业的制造资源信息通过Web服务进行封装和发布，通过客户需求与制造服务资源之间的动态匹配，向用户推荐能够满足其需求的制造服务资源。基于此，如何以Web服务为媒介，消除服务供需之间的信息隔阂，实现制造服务资源的均等化调配，充分利用现有的制造服务资源，最大限度满足不同客户的个性化需求，已经成为制造服务业亟需解决的问题。

发明内容

有鉴于此，本发明旨在提出一种基于Web服务的制造资源推荐方法及系统，以利用信息技术，消除服务供需之间的信息隔阂，在能够满足不同客户的个性化需求的前提下，尽可能地实现服务资源的均等化调配。

第一方面，本发明公开了一种基于Web服务的制造资源推荐方法，包括如下步骤：接收客户发送的需求信息；将所述需求信息与预置的封装为Web服务的制造服务资源进行匹配，确定符合客户需求的多个候选Web服务，生成候选Web服务集合；确定每一候选Web服务所包括的多个资源属性值，构建所述候选Web服务集合的服务质量矩阵；依据所述服务质量矩阵及均等化服务质量评价方法，计算每一所述候选Web服务的综合服务质量评价值，并且，将综合服务质量评价值最大的候选Web服务推荐给客户。

第二方面，本发明公开了一种基于Web服务的制造资源推荐系统，包括：接收模块、候选Web服务集合生成模块、服务质量矩阵生成模块和推荐模块。接收模块用于接收客户发送的需求信息；候选Web服务集合生成模块用于将所述需求信息与预置的封装为Web服务的制造服务资源进行匹配，确定符合客户需求的多个候选Web服务，生成候选Web服务集合；服务质量矩阵生成模块用于确定每一候选Web服务所包括的多个资源属性值，构建所述候选Web服务集合的服务质量矩阵；推荐模块用于依据所述服务质量矩阵及均等化服务质量评价方法，计算每一所述候选Web服务的综合服务质量评价值，并且，将综合服务质量评价值最大的候选Web服务推荐给客户。

本发明基于客户需求信息以及制造服务资源之间的匹配，通过构建均等化服务选择过程，消除服务匹配中的不均衡现象，一方面为客户找到最为合适的服务，提高客户的满意度；另一方面尽可能提高现有服务资源的利用效率，实现服务资源的负载均衡。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明基于Web服务的制造资源推荐方法实施例的步骤流程图；

图2为本发明基于Web服务的制造资源推荐方法一个实施例中，确定候选Web服务的服务质量评价值的步骤流程图；

图3为本发明基于Web服务的制造资源推荐方法一个优选实施例；

图4为本发明基于Web服务的制造资源推荐方法优选实施例中，服务类别匹配的步骤流程图；

图5为本发明基于Web服务的制造资源推荐方法优选实施例中，服务名称匹配的步骤流程图；

图6为本发明基于Web服务的制造资源推荐方法优选实施例中，服务描述匹配的步骤流程图；

图7为本发明基于Web服务的制造资源推荐方法面对的一个服务场景示意图；

图8为客户需求数量变化时，采用两种不同方法(均等化方法及非均等化方法)的服务利用率比较示意图；

图9为客户需求数量变化时，采用两种不同方法(均等化方法及非均等化方法)的需求序列完成时间比较示意图；

图10a为客户需求数量变化时，采用两种不同方法(均等化方法及非均等化方法)的非均等化服务质量(EnQoS)总和值比较示意图；

图10b为客户需求数量变化时，采用两种不同方法(均等化方法及非均等化方法)的综合服务质量(FuQoS)总和值比较示意图；

图11为候选服务数量变化时，采用两种不同方法(均等化方法及非均等化方法)的服务利用率比较示意图；

图12为候选服务数量变化时，采用两种不同方法(均等化方法及非均等化方法)的需求序列完成时间比较示意图；

图13a为候选服务数量变化时，采用两种不同方法(均等化方法及非均等化方法)的非均等化服务质量(EnQoS)总和值比较示意图；

图13b为候选服务数量变化时，采用两种不同方法(均等化方法及非均等化方法)的综合服务质量(FuQoS)总和值比较示意图；

图14为均等化权重变化时，采用两种不同方法(均等化方法及非均等化方法)的服务利用率比较示意图；

图15为均等化权重变化时，采用两种不同方法(均等化方法及非均等化方法)的需求完成时间比较示意图；

图16a为均等化权重变化时，采用两种不同方法(均等化方法及非均等化方法)的非均等化服务质量(EnQoS)总和值比较示意图；

图16b为均等化权重变化时，采用两种不同方法(均等化方法及非均等化方法)的综合服务质量(FuQoS)总和值比较示意图；

图17a为本发明基于Web服务的制造资源推荐系统实施例的结构框图；

图17b为本发明基于Web服务的制造资源推荐系统实施例中，推荐模块结构框图；

图17c为本发明基于Web服务的制造资源推荐系统实施例中，服务质量矩阵生成模块的结构框图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

参照图1，图1为本发明基于Web服务的制造资源推荐方法实施例的步骤流程图，包括如下步骤：

接收步骤S110，接收客户发送的需求信息；

候选Web服务集合生成步骤S120，将需求信息与预置的封装为Web服务的制造服务资源进行匹配，确定符合客户需求的多个候选Web服务，生成候选Web服务集合；

服务质量矩阵生成步骤S130，确定每一候选Web服务所包括的多个资源属性值，构建候选Web服务集合的服务质量矩阵；

推荐步骤S140，依据服务质量矩阵及均等化服务质量评价方法，计算每一候选Web服务的综合服务质量评价值，并且，将综合服务质量评价值最大的候选Web服务推荐给客户。

本实施例基于客户需求信息以及制造服务资源之间的匹配，通过构建基于均等化服务质量评价的选择过程，消除服务匹配中的不均衡现象，一方面为客户找到最为合适的服务，提高客户的满意度；另一方面尽可能提高现有服务资源的利用效率，实现服务资源的负载均衡。

参照图2所示，在一个更加具体地实施例中，执行推荐步骤S140时，每一候选Web服务的综合服务质量评价值通过如下方式确定，

步骤S1401，计算该候选Web服务的每一均等化服务质量属性值与该属性对应权重的乘积，并将所有乘积相加，获得该候选Web服务的均等化服务质量评价值；

步骤S1402，计算该候选Web服务的每一非均等化服务质量属性值与该属性对应权重的乘积，并将所有乘积相加，获得该候选Web服务的非均等化服务质量评价值；

步骤S1403，将均等化服务质量评价值与第一系数相乘，获取第一乘积，以及，将非均等化服务质量评价值与第二系数相乘，获取第二乘积；第一系数为该候选Web服务的均等化系数；第二系数为该候选Web服务的非均等化系数；计算第一乘积与第二乘积之和，作为候选Web服务的综合服务质量评价值；

其中，各个均等化服务质量属性值的权重根据专家经验来设置，所对应的权重和为1；各个非均等化服务质量属性值的权重根据专家经验来设置，所对应的权重和为1；第一系数和第二系数的和为1，如果强调服务资源分配的均等化，则第一系数大于第二系数，如果不强调服务资源分配的均等化，则第一系数小于第二系数。

下面结合图3至图6对本发明基于Web服务的制造资源推荐方法的优选实施例进行详细地说明。

参照图3，本发明基于Web服务的制造资源推荐方法的优选实施例包括如下步骤：

步骤1：接收客户需求(由网络输入或电话咨询等)，并转换为订单式服务需求信息表。

(1)ST表示客户需求信息

ST＝<Category，Name，Profile，Inputs，Outputs，Constraint>

其中，Category表示服务所属的服务类别；Name表示服务的名称；Profile表示服务的描述信息；Inputs为服务的输入变量集合；Outputs表示服务的输出变量集合；Constraint即客户对所需服务的服务质量要求，例如响应时间、价格、完成时间等，属于硬约束条件。

步骤2：预置的封装为Web服务的制造服务资源均存储于数据库1中，对其遍历、解析并得到其各参数信息。具体包括如下步骤：

遍历封装为Web服务的制造服务资源，根据其描述语言的元素结构解析其语义信息。

(1)CS表示候选的Web服务信息

CS＝<Category，Name，Profile，Inputs，Outputs，QoS>

其中，Category表示候选服务所属的服务类别；Name表示候选服务的名称；Profile表示候选服务的描述信息；Inputs为候选服务的输入变量集合；Outputs表示候选服务的输出变量集合；QoS即候选服务的当前服务质量。

步骤3：根据客户需求信息及候选Web服务的各个参数，进行服务类别、服务名称、服务描述的第一匹配，获取第一个候选服务集合。

具体来说，进行服务类别的匹配时，将符合条件的Web服务存储于数据库2中，进行服务名称的匹配时，将符合条件的Web服务存储于数据库3中；进行服务描述的匹配时，将符合条件的Web服务存储于数据库4中；然后，取这三个数据库的交集，存入数据库5中。

匹配程度主要根据服务概念之间的语义距离来衡量，通过两个概念在本体网络中相应节点的最短距离来衡量它们的语义相关度，计算方法如公式1所示：

$Sim(C_{ST},C_{CS})=\frac{\mathrm{\&alpha;}}{{\mathrm{\&beta;}}^{dis(C_{ST},C_{CS})}+\mathrm{\&alpha;}-1}---\left(1\right)$

其中，ST表示客户需求信息，CS表示候选Web服务集合，C_ST，C_CS分别表示ST与CS的本体概念(以下同)；α为校正参数；β为语义相关度变化控制参数，一般取自然常数e；式中的语义距离dis(C_ST,C_CS)，根据本体概念之间的不同关系，计算方法如公式(2)所示：

$dis(C_{ST},C_{CS})=\left\{\begin{array}{cc}0& C_{ST}=C_{CS}\\ \underset{i}{\mathrm{\&Sigma;}}{w}_i& Others\end{array}\right.---\left(2\right)$

其中，i表示当两个概念不等价时，连接本体中两个概念间的最短路径；表示第i条路径上所有边的关系权重值之和，即为相应语义距离。

下面，对服务类别、服务名称、服务描述的匹配做进一步地详细说明。

(1)服务类别匹配。

参照图4，解析ST与CS中的服务类别语义信息，按照ST中的服务类别需求遍历CS中各服务并计算其语义距离，若第k个候选服务与ST服务类别语义距离Sim_category(ST.Category,CS_k.Category)小于匹配度阈值u1，则将其存入数据库2中。然后继续计算第k+1个候选服务语义距离，依次类推。数据库2中存有所有满足服务类别匹配的候选Web服务。

(2)服务名称匹配。

参照图5，解析ST与CS中的服务名称语义信息，按照ST中的服务名称需求遍历CS中各服务。若CS库中的第k个服务名称与ST中服务名称语义匹配相关度Sim_name(ST.Name,CS_k.Name)小于匹配度阈值u2，则将其存入数据库3。然后继续计算第k+1个候选服务语义相关度，依次类推。数据库3中存有所有满足服务名称的候选服务。

(3)服务描述匹配

参照图6，解析ST与CS中的服务描述语义信息，按照ST中的服务描述需求遍历CS中各服务，若CS库中的第K个服务描述与ST中服务描述语义匹配相关度Sim_profile(ST.Profile,CS_k.Profile)小于匹配度阈值u3，则将其存入数据库4。然后继续计算第k+1个候选服务语义相关度，依次类推。数据库4中存有所有满足服务描述的候选服务。基于对服务类别、服务名称、服务描述匹配后所得候选服务取其交集存入数据库5中，即，将数据库2、数据库3、数据库4中的候选Web服务取交集，数据库5中存储第一候选Web服务集合。

步骤4：根据其更新与服务的运行状态是否相关，将制造服务的服务质量(QoS，Quality of Service)属性分为两类：

(1)均等化相关的服务质量(QoS)属性：这类属性直接反映制造服务的当前运行状态，每个周期都会发生变化，直接影响到后续服务选择的均等化效果，所以被称为均等化相关的服务质量属性，主要包括服务的反应时间、当前生产能力、可靠性、可用性等。

(2)均等化无关的服务质量(QoS)属性：这类服务质量属性主要反映制造服务的固定属性，不反映制造服务的当前运行状态，其变化发生的频率相对较低，不会对后续服务选择产生影响，所以被称为均等化无关的QoS属性，主要包括产品质量、产品价格、最大生产能力、生产成本、财务状况等。

从数据库5中，逐个读取候选Web服务，对均等化QoS属性进行更新，获取各个资源服务的当前可用状态。包括，

●更新服务的当前产能Capacity_cur；

制造服务的当前产能Capacity_cur决定了该制造服务是否能够立即开始执行订单，以及完成订单的时间。如公式3所示，企业的当前产能(Capacity_cur)不仅与该制造服务的最大产能(Capacity_max)相关，而且与该服务的当前所承担的任务SumOrder_cur相关。因为每个周期过后，(SumOrder_cur)都可能会发生变化(例如正在加工的订单完成，或者新的订单进入服务的等待队列)，从而导致Capacity_cur也随之发生变化。

Capacity_cur＝Capacity_max-SumOrder_cur (3)

其中，Capacity_cur的取值主要分为以下几种情况：①如果SumOrder_cur≤Capacity_max，则Capacity_cur＞0，表示该服务目前处于闲置状态或者有富余产能，可以立即执行订单；②如果SumOrder_cur＞Capacity_max，则Capacity_cur＝0，表示新来的订单需要等待，客户可以选择等待，也可以选择其他服务。

●更新服务的响应时间Rtime；

因为每个制造服务的等待队列不断发生变化(例如正在加工的订单完成，或者新的订单进入等待队列)，所以该服务的响应时间也会随之发生变化。如公式4所示，Rtime表示该服务的响应时间点；CurTime表示当前的时间点；SumOrder_cur表示该服务现有的订单总量；Capacity_max表示该服务所具有的最大产能；TimeUnit_Production表示该服务的零件加工周期。因为每个周期过后，SumOrder_cur都会发生变化，导致Rtime也随之发生变化。

Wcycle＝Rtime-CurTime (5)

如公式5所示，Wcycle表示客户选择该服务需要等待的时间，也就是响应时间与当前时间的差值。当Wcycle＝0时，表明该服务的等待队列中没有订单需求，如果选择该服务，可以得到立即的响应；当某服务的需求数目增加时，服务响应时间也会随之变长。

●更新服务的完成时间Ftime；

对于某个制造服务而言，如果承接一个新的订单，那么此订单的完成时间主要由该服务的等待时间和最大产能来决定。如公式6所示，Rtime表示该服务承担新订单的响应时间；Ftime表示该服务如果承担新订单的完成时间；NewOrder表示该服务所接受的新订单；Capacity_max表示该服务所提供的最大产能；TimeUnit_Production表示该服务的零件加工周期，各个制造服务可以相同，也可以不同。如公式7所示，Pcycle表示完成该订单的时间长度。

Pcycle＝Ftime-Rtime (7)

●更新服务的客户满意度Satisfaction；

影响客户满意度的因素主要有客户需求的等待时间Wcycle、加工时间Pcycle。客户满意度随服务需求Wcycle和Pcycle的增加而下降。除此之外，影响客户满意度的因素还有很多，例如服务的信誉度Reputation等。因此客户满意度的计算公式为：

$Satisfaction=\frac{\mathrm{\&alpha;}\&times;\mathrm{Re}putation}{\mathrm{\&beta;}\&times;Wcycle+\mathrm{\&gamma;}\&times;Pcycle}---\left(8\right)$

其中Reputation表示该服务的信誉度，该属性是一定时期内用户对该制造服务的评价反馈，相对比较稳定，因此以这个属性作为影响客户满意度的固定部分；α、β和γ分别代表影响客户满意度的因素权重，且α＞0；β＞0；γ＞0；α+β+γ＝1。

●更新服务的其他均等化服务质量属性；其他属性的计算可以根据其特点通过类似的过程推导得出。

步骤5：从数据库5中，逐个读取候选Web服务，根据需求对于某些QoS属性的硬约束限制进行筛选，例如价格或者响应时间的上限值、声誉的下限值等。例如，对于单个服务而言，如果满足该条件，则表示该候选服务是可用的，否则将过滤掉该服务。最终形成新的候选服务集合，放入到数据库6中。

步骤6：从数据库6中，逐个读取候选Web服务，构建出候选服务集合的均等化服务质量矩阵。服务矩阵中的QoS属性分为两类：非均等化服务质量属性(EnQoS属性)和均等化服务质量属性(EqQoS属性)。

$Q=\left(\begin{array}{ccccccc}{q}_{1,1}& q_{1,2}& \mathrm{...}& q_{1,k}& q_{1,k+1}& \mathrm{...}& q_{1.m}\\ q_{2,1}& q_{2,2}& \mathrm{...}& q_{2,k}& q_{2,k+1}& \mathrm{...}& q_{2,m}\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ q_{n,1}& q_{n,2}& \mathrm{...}& q_{n,k}& q_{n,k+1}& \mathrm{...}& q_{n,m}\end{array}\right)$

服务质量矩阵Q的横向维度表示候选服务的QoS属性，纵向维度表示候选服务的序号；q_ij表示第i个候选Web服务的第j个服务质量属性值；q_i,1 q_i,2...q_i,k表示第i个候选Web服务的均等化服务质量属性，数量为k；q_i,k+1 q_i,k+2...q_i,m表示第i个候选Web服务的非均等化服务质量属性，数量为m-k。

步骤7：对候选服务集合的服务质量(QoS)矩阵进行归一化处理。

因为不同QoS属性类型不同，取值范围也不同，所以在计算QoS值之前需要进行归一化处理。对资源服务而言，QoS属性主要分为效益型和成本型。效益型属性是指属性值越大越好的属性，例如产品质量、最大生产能力等；成本型属性是指属性值越小越好的属性，例如产品价格、响应时间、完成时间等。

公式(7)和公式(8)用来对矩阵Q中的每个值进行标准化，从而可以得到归一化的服务质量矩阵Q'。

其中，采用向量N＝{n₁,n₂,......,n_i,n_i+1,......n_m}(1≤i≤m)用于区分该服务各个QoS属性的类型，其中n_i的值可以是1或者0；当n_i＝1时，表示该属性是效益型的，即QoS值越大服务质量越好；当n_i＝0时，表示该属性属于成本型的，即QoS值越小服务质量越好；向量C＝{c₁,c₂,......,c_i,c_i+1,......c_m}(1≤i≤m)表示该服务各个QoS属性值标准化时的最大标准值；q_ij表示第i个候选Web服务的第j个服务质量属性值；表示服务质量矩阵Q中n个候选服务第j个QoS属性的平均值。

$Q^{\&prime;}=\left(\begin{array}{ccccccc}{v}_{1,1}& v_{1,2}& \mathrm{...}& v_{1,k}& v_{1,k+1}& \mathrm{...}& v_{1.m}\\ v_{2,1}& v_{2,2}& \mathrm{...}& v_{2,k}& v_{2,k+1}& \mathrm{...}& v_{2,m}\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ v_{n,1}& v_{n,2}& \mathrm{...}& v_{n,k}& v_{n,k+1}& \mathrm{...}& v_{n,m}\end{array}\right)$

其中，v_ij表示归一化后的第i个候选Web服务的第j个服务质量属性值。v_i,1 v_{i, 2}...v_i,k表示归一化后的第i个候选Web服务的均等化服务质量属性值，数量为k；v_i,k+1v_i,k+2...v_i,m表示归一化后的第i个候选Web服务的非均等化服务质量属性值，数量为m-k。

步骤8：从数据库6中，逐个读取候选Web服务，根据均等化QoS评价公式，计算出每个候选服务的QoS综合评价值，直至将所有候选服务匹配完毕。最后，选择QoS综合评价值最大的服务进行推荐。

在均等化的QoS评价模型中，不仅要考虑该服务非均等化QoS评价值，还需要考虑该服务的均等化QoS评价值。服务的非均等化QoS评价值一般保持稳定，用于反映该服务的常规属性；服务的均等化QoS评价值是随着服务当前状态的变化而变化的，用于反映该服务的当前状态。

计算第i个候选服务均等化服务质量评价值公式为：

其中，EqQoS(CS_i)表示第i个候选Web服务的均等化服务质量评价值，v_i,j表示第i个服务的第j个均等化服务质量属性值，表示第j个均等化服务质量属性所占的权重，且

计算第i个候选服务非均等化服务质量评价值的公式为：

$EnQoS\left({\mathrm{CS}}_i\right)=\underset{j=1}{\overset{m-k}{\mathrm{\&Sigma;}}}{v}_{i,k+j}\&times;{\mathrm{\&psi;}}_{k+j}---\left(12\right)$

其中，EnQoS(CS_i)表示第i个候选Web服务的非均等化服务质量评价值；v_i,k+j表示第i个候选web服务的第j个非均等化服务质量属性值，ψ_k+j表示第j个非均等化服务质量属性所占的权重，0≤ψ_k+j≤1，且ψ_k+1+ψ_k+2+…+ψ_m＝1。

计算第i个候选服务的综合服务质量综合评价值公式为：

FuQoS(CS_i)＝a×EqQoS(CS_i)+b×EnQoS(CS_i) (13)

其中，FuQoS(CS_i)表示第i个候选Web服务的综合服务质量评价值；，EqQoS(CS_i)表示第i个服务的均等化服务质量评价值；EnQoS(CS_i)表示第i个服务的非均等化服务质量评价值；a表示均等化服务质量评价值在模型中所占的权重，b表示非均等化服务质量评价值在模型中所占的权重，并且a+b＝1,a＞0,b＞0。

此外，还可以包括：

步骤9：在服务系统完成M个需求之后(客户可以根据需要自行设定M的数值)，需要对服务选择的效果进行评价反馈。然后，根据反馈结果，来决定如何调整均等化QoS模型的权重系数，来实现所期望的服务均等化程度。如果想要均等化强度高，就增大a的值，减小b的值；相反如果要弱化均等化程度，就减小a的值，增大b的值。

均等化服务选择的效果评价主要采用三个指标：

(A)服务资源利用率

$Use\_Ratio=\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{QoES}}_{i,M-Capacity}}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{QoES}}_{i,M-Capacity}+\underset{j=m+1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{QoES}}_{j,M-Capacity}}---\left(14\right)$

其中，Use_Ratio表示系统处理该需求序列的服务资源利用率，等于“所使用服务的产能和”与“所有候选服务的产能和”的比值；分子是候选服务集合中，处理该需求序列时所选择服务(假设数量为m)的最大产能之和；分母是所有候选服务资源集合中，所有服务(假设数量为n)的最大产能之和。

(B)需求序列的完成时间

Finish_Time＝Max{Order_1,Ftime,Order_2,Ftime,......,Order_n,Ftime} (15)

其中，Finish_Time表示整个需求序列被处理完成的最后时间点，等于各个需求完成时间中的最大值；Order_i,Ftime表示需求序列中第i个需求的“完成时间”(1≤i≤n)。

(C)所选择服务的QoS总和值

$Sum\_QoS=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{QoS}}_i---\left(16\right)$

其中，Sum_QoS表示完成整个需求序列的各个服务QoS值的总和；QoS_i表示完成需求序列中第i个需求的服务(1≤i≤n)。

技术效果分析：

为了比较非均等化方法与均等化算法在处理需求序列时的性能差异，设计三种实验场景：①候选服务数目固定，随着服务需求数目的增加，不同算法的性能差异，包括需求序列的完成时间、所推荐服务的整体QoS值，以及候选服务资源的利用率；②服务的需求数目固定，随着候选服务数目的增加，不同算法的性能差异，包括需求序列的完成时间、所推荐服务的整体QoS值，以及候选服务资源的利用率；③候选服务和服务需求的数目均固定，改变均等化QoS模型中的权重系数，不同算法的性能差异，包括需求序列的完成时间、所推荐服务的整体QoS值，以及候选服务资源的利用率。

案例场景如图7所示。

假定需要顺序处理一个需求序列：客户需求随机产生，包括订单的产量需求，以及客户的QoS评价模型；根据客户的需求，对现有的制造服务资源进行评价和选择，然后此订单被放置在最合适的服务等待队列中；最后，根据客户满意度和服务资源利用率的数据分析，对均等化QoS模型进行反馈调整，从而不断优化资源的利用率。具体的实验设置如下：

●候选服务的随机生成

随机生成制造企业类型：在-1,0,1这三个数字中随机选择一个数，作为制造企业的类型，其中-1代表大型制造企业，0代表中型制造企业，1代表小型制造企业。

随机生成制造企业最大生产能力：根据制造企业类型，生成相应的最大产能，如果是大型制造企业，则其产能为[3000,5000]之间随机生成的一个整数；如果是中型制造企业，则其产能为[2000，3000]之间随机生成的一个整数；如果是小型制造企业，则其产能为[1000，2000]之间随机生成的一个整数。

随机生成服务的非均等化服务质量属性：该制造服务的Price为[10,15]之间随机生成的一个整数；Quality为[1,4]之间随机生成的一个整数，其中Quality＝{1(一般),2(好)，3(较好)，4(非常好)}；Reputation为[1,5]之间随机生成的一个整数，其中Reputation＝{1(差),2(一般),3(高),4(较高),5(非常高)}。该制造服务服务的非均等化服务质量属性值在随机生成之后，是固定不变的。

随机生成服务的均等化服务质量属性：服务的非均等化服务质量属性主要包括Wcycle和Satisfaction，在程序开始运行之后，其值在程序运行的过程中是动态变化的。Satisfaction的取值范围为{1(不满意),2(一般),3(满意),4(较满意),5(非常满意)}。

●需求序列的随机生成

随机生成订单的产量需求：假定随机产生一个数目为N的服务需求队列，每个需求的产量为[5000，20000]之间随机生成的一个整数。

随机生成订单的硬约束条件：每个订单中，Price的上限为[10,15]之间随机生成的一个整数；Quality的下限为[1,4]之间随机生成的一个整数；服务Reputation的下限为[1,5]之间随机生成的一个整数；所有的属性在计算之前都需要首先进行归一化处理。

随机生成非均等化算法的QoS评价模型：非均等化算法采用非均等化QoS模型来评价服务资源，其公式为EnQoS＝w1*price+w2*capacity+w3*quality+w4*reputation，其中各属性所对应的权重w1、w2、w3、w4随机生成，并且w1>0,w2>0,w3>0,w4>0，w1+w2+w3+w4＝1。

随机生成均等化算法的QoS评价模型：均等化算法采用综合QoS模型来评价服务资源，其公式为FuQoS＝a*EqQoS+b*EnQoS＝a*(w5/(1+Wcycle)+w6*Satisfaction)+b*(w1*price+w2*capacity+w3*quality+w4*reputation)，其中均等化服务质量属性对应的权重w5、w6随机生成，并且w5>0,w6>0,w5+w6＝1；a和b表示均等化服务质量属性和非均等化服务质量属性在评价模型中的权重，根据案例研究的需要进行设定，并且a＞0,b＞0,a+b＝1；当a＞b时，表明服务评价强调均等化服务质量属性；当a＜b，表明服务评价强调非均等化服务质量属性。

●服务序列的匹配过程

根据实际情况，生产订单源源不断的加入到需求队列中，假定每隔1个时间周期随机生成一个订单，然后提交给服务系统去处理。不同的算法采用不同的QoS评价模型来选择服务资源处理该需求。

分别采用非均等化(EnQoS模型)和均等化(FuQoS模型)来选择相应的制造服务资源，根据设计的仿真实验，对所提出的算法进行验证，主要集中在三个指标的分析和比较：服务资源利用率，验证均等化算法是否能够有利于提高服务的使用效率；完成时间，验证均等化算法在提高利用率的同时，是否会出现需求完成时间的大幅延长；服务质量，验证均等化在提高服务利用率的同时，是否会出现服务质量的大幅降低。

实验1：服务需求的数量变化

本实验假定候选服务数目固定，服务需求数目不断增加，比较不同算法的性能差异，包括候选服务资源的利用率、需求序列的完成时间，以及所推荐服务的整体QoS质量。这里设置服务需求个数的取值为10,20,30,40,50,60,70,80,90,100,150,200,300；候选服务个数取值为100，保持不变；均等化QoS指标的权重值为0.6，非均等化QoS指标的权重值为0.4，保持不变。

如图8所示，随着服务需求个数的不断增加，非均等化算法下的服务资源利用率始终保持在10％左右；均等化算法下的服务资源利用率有明显的提升，并且随着服务需求的数量增加而呈现递增趋势。这表明，均等化算法在提升服务利用率上具有明显优势。

如图9所示，随着服务需求个数的不断增加，均等化算法下的服务需求完成时间明显少于非均等化算法下的完成时间；当服务需求数量大于100之后，两种算法的完成时间差值迅速扩大。这表明，均等化算法在降低需求序列完成时间方面具有明显优势。

如图10a和图10b所示，随着服务需求数目的增加，无论采用EnQoS模型还是FuQoS模型，两种算法的QoS总和值都出现了急剧增长的趋势。从客户角度进行比较，虽然非均等化算法略高于均等化算法，但是它们之间的差值并不大。从综合角度比较，非均等化算法的QoS总和值与均等化算之间的差距很明显，并且随着服务需求数量的增加越来越大。这表明，均等化算法在没有大幅度降低所选服务质量的情况下，充分提高了服务资源的整体利用率。

实验2：候选服务的数量变化

本实验假定服务的需求数目固定，随着候选服务数目的增加，不同算法的性能差异，包括需求序列的完成时间、所推荐服务的整体QoS质量，以及候选服务资源的利用率。这里设置候选服务的数目为20,40,60,80,100,120,140,160,180,200；服务需求为50个，保持固定不变；均等化QoS指标的权重值为0.6，非均等化QoS指标的权重值为0.4，保持固定不变。

如图11所示，随着服务资源的增多，均等化算法的服务资源利用率明显高于非均等化算法，当服务资源数小于50时，服务利用率都在50％以上。非均等化服务匹配算法下的服务利用率始终偏低，即使在服务需求数目5倍于候选服务资源数目的情况下，服务资源的利用率也只有20％多。这表明，均等化算法在提升服务利用率上具有明显优势。

如图12所示，随着候选服务资源数目的增加，两种算法的完成时间没有明显的波动，均等化算法下服务需求序列的完成时间总体上远低于非均等化算法。这表明，均等化算法在减少需求序列完成时间方面具有明显优势。

如图13a和图13b所示，随着候选服务数目的增加，无论采用EnQoS模型还是FuQoS模型，两种算法的QoS总和值都出现了略微增长的趋势。从客户角度出发，非均等化算法的EnQoS总和值略高于均等化算法，但是差距不大。从综合角度出发，均等化算法的FuQoS总和值明显优于非均等化算法。这表明，均等化算法在没有大幅度降低所选服务质量的情况下，充分提高了服务资源的整体利用率。

实验3：QoS模型中的均等化权重变化

本实验假定候选服务和服务需求的数目均固定，改变均等化QoS模型(FuQoS)中的权重系数，不同算法的性能差异，包括需求序列的完成时间、所推荐服务的整体QoS质量，以及候选服务资源的利用率。这里设置均等化QoS指标的权重值分别取0.1,0.2,0.3,0.4,0.5,0.6,0.7；服务需求为50个，候选服务个数为100个，均保持不变。

如图14所示，随着均等化服务质量属性权重值的增加，均等化算法下的服务资源利用率呈现明显增长趋势，而非均等化算法的服务资源利用率相对变化不大。这表明，均等化算法在提升服务利用率上具有明显优势，并且可以根据需要来调整均等化的权重值，从而灵活地调配整体服务资源的利用率。

如图15所示，当均等化服务质量属性权重较小时，两种算法下服务需求的完成时间差值较小。当均等化服务质量属性权重增大时，均等化算法的服务需求完成时间迅速下降。这表明，均等化算法可以有效减少服务需求的完成时间。

如图16a和16b所示，从客户角度出发，随着均等化权重的增加，非均等化算法的EnQoS值总和略高于均等化算法。从综合角度出发，随着均等化权重的增加，均等化算法的FuQoS值变化不大，但是非均等化算法FuQoS值却发生显著下降。这表明，非均等化算法所选择出来的服务资源，在服务均等化指标上表现不佳。均等化算法在没有大幅度降低所选服务质量的情况下，充分提高了服务资源的整体利用率。

第二方面，本发明公开了一种基于Web服务的制造资源推荐系统的实施例，参照图17a。包括：接收模块171、候选Web服务集合生成模块172、服务质量矩阵生成模块173和推荐模块174。接收模块171用于接收客户发送的需求信息；候选Web服务集合生成模块172用于将所述需求信息与预置的封装为Web服务的制造服务资源进行匹配，确定符合客户需求的多个候选Web服务，生成候选Web服务集合；服务质量矩阵生成模块173用于确定每一候选Web服务所包括的多个资源属性值，构建所述候选Web服务集合的服务质量矩阵；推荐模块174用于依据所述服务质量矩阵及均等化服务质量评价方法，计算每一所述候选Web服务的综合服务质量评价值，并且，将综合服务质量评价值最大的候选Web服务推荐给客户。

本实施例基于客户需求信息以及制造服务资源之间的匹配，通过构建基于均等化服务质量评价的选择过程，消除服务匹配中的不均衡现象，一方面为客户找到最为合适的服务，提高客户的满意度；另一方面尽可能提高现有服务资源的利用效率，实现服务资源的负载均衡。

参照图17b，进一步优选地，上述推荐模块174包括：第一计算单元1741、第二计算单元1742和服务质量评价值获取单元1743。

其中，第一计算单元1741，用于计算该候选Web服务的每一均等化服务质量属性值与该质量属性对应权重的乘积，并将所有乘积相加，获得该候选Web服务的均等化服务质量评价值。第二计算单元1742，用于计算该候选Web服务的每一非均等化服务质量属性值与该属性对应权重的乘积，并将所有乘积相加，获得该候选Web服务的非均等化服务质量评价值。服务质量评价值获取单元1743，用于将均等化服务质量评价值与第一系数相乘，获取第一乘积，以及，将非均等化服务质量评价值与第二系数相乘，获取第二乘积；第一系数为该候选Web服务的均等化系数；第二系数为该候选Web服务的非均等化系数；计算第一乘积与第二乘积之和，作为候选Web服务的综合服务质量评价值。

其中，该候选Web服务的每一均等化服务质量属性值对应的权重、该候选Web服务每一非均等化服务质量属性值对应的权重、第一系数和第二系数均为预先设定；各个均等化服务质量属性值的权重根据专家经验来设置，所对应的权重和为1；各个非均等化服务质量属性值的权重根据专家经验来设置，所对应的权重和为1；第一系数和第二系数的和为1。

进一步地，参照图17c，服务质量矩阵生成模块173进一步包括：服务质量矩阵生成单元1731、归一化处理单元1732、第三计算单元1733、第四计算单元1734和第五计算单元1735。

服务质量矩阵生成单1731用于生成候选Web服务集合的服务质量矩阵

$Q=\left(\begin{array}{ccccccc}{q}_{1,1}& q_{1,2}& \mathrm{...}& q_{1,k}& q_{1,k+1}& \mathrm{...}& q_{1.m}\\ q_{2,1}& q_{2,2}& \mathrm{...}& q_{2,k}& q_{2,k+1}& \mathrm{...}& q_{2,m}\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ q_{n,1}& q_{n,2}& \mathrm{...}& q_{n,k}& q_{n,k+1}& \mathrm{...}& q_{n,m}\end{array}\right)$

其中，q_ij表示第i个候选Web服务的第j个服务质量属性；q_i,1 q_i,2...q_i,k表示第i个候选Web服务的均等化服务质量属性，数量为k；q_i,k+1 q_i,k+2...q_i,m表示第i个候选Web服务的非均等化服务质量属性，数量为m-k。

归一化处理单元1732用于对服务质量矩阵Q进行归一化处理，归一化处理后的服务质量矩阵为：

$Q^{\&prime;}=\left(\begin{array}{ccccccc}{v}_{1,1}& v_{1,2}& \mathrm{...}& v_{1,k}& v_{1,k+1}& \mathrm{...}& v_{1.m}\\ v_{2,1}& v_{2,2}& \mathrm{...}& v_{2,k}& v_{2,k+1}& \mathrm{...}& v_{2,m}\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ v_{n,1}& v_{n,2}& \mathrm{...}& v_{n,k}& v_{n,k+1}& \mathrm{...}& v_{n,m}\end{array}\right)$

其中，v_ij表示归一化后的第i个候选Web服务的第j个服务质量属性。v_i,1 v_{i, 2}...v_i,k表示归一化后的第i个候选Web服务的均等化服务质量属性，数量为k；v_i,k+1v_i,k+2...v_i,m表示归一化后的第i个候选Web服务的非均等化服务质量属性，数量为m-k；

第三计算单元1733用于通过如下公式确定每一候选Web服务的均等化服务质量评价值：

其中，EqQoS(CS_i)表示第i个候选Web服务的均等化服务质量评价值，v_i,j表示第i个服务的第j个均等化服务质量属性值，表示第j个均等化服务质量属性所占的权重，且

第四计算单元1734用于通过如下公式确定述每一候选Web服务的非均等化服务质量评价值：

$EnQoS\left({\mathrm{CS}}_i\right)=\underset{j=1}{\overset{m-k}{\mathrm{\&Sigma;}}}{v}_{i,k+j}\&times;{\mathrm{\&psi;}}_{k+j}$

其中，EnQoS(CS_i)表示第i个候选Web服务的非均等化服务质量评价值；v_i,k+j表示第i个候选web服务的第j个非均等化服务质量属性值，ψ_k+j表示第j个非均等化服务质量属性所占的权重，0≤ψ_k+j≤1，且ψ_k+1+ψ_k+2+…+ψ_m＝1。

第五计算单元1735用于通过如下公式确定每一候选Web服务的综合服务质量评价值：

FuQoS(CS_i)＝a×EqQoS(CS_i)+b×EnQoS(CS_i)

其中，FuQoS(CS_i)表示第i个候选Web服务的综合服务质量评价值；，EqQoS(CS_i)表示第i个服务的均等化服务质量评价值；EnQoS(CS_i)表示第i个服务的非均等化服务质量评价值；a表示均等化服务质量评价值在模型中所占的权重，b表示非均等化服务质量评价值在模型中所占的权重，并且a+b＝1,a＞0,b＞0。

需要说明的是，基于Web服务的制造资源推荐系统的原理与上述推荐方法相似，相关之处可以参照上述说明，本发明在此不再赘述。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于Web服务的制造资源推荐方法，其特征在于，包括如下步骤：

接收步骤，接收客户发送的需求信息；

候选Web服务集合生成步骤，将所述需求信息与预置的封装为Web服务的制造服务资源进行匹配，确定符合客户需求的多个候选Web服务，生成候选Web服务集合；

服务质量矩阵生成步骤，确定每一候选Web服务所包括的多个资源属性值，构建所述候选Web服务集合的服务质量矩阵；

推荐步骤，依据所述服务质量矩阵及均等化服务质量评价方法，计算每一所述候选Web服务的综合服务质量评价值，并且，将综合服务质量评价值最大的候选Web服务推荐给客户；

所述推荐步骤中，每一所述候选Web服务的综合服务质量评价值通过如下方式确定：

计算该候选Web服务的每一均等化服务质量属性值与该质量属性对应权重的乘积，并将所有乘积相加，获得该候选Web服务的均等化服务质量评价值；

计算该候选Web服务的每一非均等化服务质量属性值与该属性对应权重的乘积，并将所有乘积相加，获得该候选Web服务的非均等化服务质量评价值；

将所述均等化服务质量评价值与第一系数相乘，获取第一乘积，以及，将所述非均等化服务质量评价值与第二系数相乘，获取第二乘积；所述第一系数为该候选Web服务的均等化系数；所述第二系数为该候选Web服务的非均等化系数；计算所述第一乘积与所述第二乘积之和，作为所述候选Web服务的综合服务质量评价值；

其中，该候选Web服务的每一均等化服务质量属性值对应的权重、该候选Web服务每一非均等化服务质量属性值对应的权重、第一系数和第二系数均为预先设定；各个均等化服务质量属性值的权重根据专家经验来设置，所对应的权重和为1；各个非均等化服务质量属性值的权重根据专家经验来设置，所对应的权重和为1；第一系数和第二系数的和为1；其中，

所述均等化服务质量属性值反映制造服务的当前运行状态，每个周期都会发生变化，直接影响到后续服务选择的均等化效果，包括服务的反应时间、当前生产能力、可靠性和可用性；

所述非均等化服务质量属性值反映制造服务的固定属性，不反映制造服务的当前运行状态，其变化发生的频率相对于较低，不会对后续服务选择产生影响，包括产品质量、产品价格、最大生产能力、生产成本和财务状况。

2.根据权利要求1所述的基于Web服务的制造资源推荐方法，其特征在于，

所述服务质量矩阵生成步骤中，所述候选Web服务集合的服务质量矩阵为

$Q=\left(\begin{array}{ccccccc}{q}_{1,1}& q_{1,2}& \mathrm{...}& q_{1,k}& q_{1,k+1}& \mathrm{...}& q_{1.m}\\ q_{2,1}& q_{2,2}& \mathrm{...}& q_{2,k}& q_{2,k+1}& \mathrm{...}& q_{2,m}\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ q_{n,1}& q_{n,2}& \mathrm{...}& q_{n,k}& q_{n,k+1}& \mathrm{...}& q_{n,m}\end{array}\right)$

其中，q_ij表示第i个候选Web服务的第j个服务质量属性值；q_i,1 q_i,2 ... q_i,k表示第i个候选Web服务的均等化服务质量属性值，数量为k；q_i,k+1 q_i,k+2 ... q_i,m表示第i个候选Web服务的非均等化服务质量属性值，数量为m-k；

并且，所述方法还包括对所述服务质量矩阵Q进行归一化处理，归一化处理后的服务质量矩阵为

$Q^{\&prime;}=\left(\begin{array}{ccccccc}{v}_{1,1}& v_{1,2}& \mathrm{...}& v_{1,k}& v_{1,k+1}& \mathrm{...}& v_{1.m}\\ v_{2,1}& v_{2,2}& \mathrm{...}& v_{2,k}& v_{2,k+1}& \mathrm{...}& v_{2,m}\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ v_{n,1}& v_{n,2}& \mathrm{...}& v_{n,k}& v_{n,k+1}& \mathrm{...}& v_{n,m}\end{array}\right)$

其中，v_ij表示归一化后的第i个候选Web服务的第j个服务质量属性值；v_i,1 v_i,2 ...v_i,k表示归一化后的第i个候选Web服务的均等化服务质量属性值，数量为k；v_i,k+1 v_i,k+2... v_i,m表示归一化后的第i个候选Web服务的非均等化服务质量属性值，数量为m-k。

3.根据权利要求2所述的基于Web服务的制造资源推荐方法，其特征在于，

所述每一候选Web服务的均等化服务质量评价值通过如下公式确定：

其中，EqQoS(CS_i)表示第i个候选Web服务的均等化服务质量评价值，v_i,j表示第i个服务的第j个均等化服务质量属性值，表示第j个均等化服务质量属性所占的权重，且

所述每一候选Web服务的非均等化服务质量评价值通过如下公式确定：

$EnQoS\left({\mathrm{CS}}_i\right)=\underset{j=1}{\overset{m-k}{\&Sigma;}}{v}_{i,k+j}\&times;{\mathrm{\&psi;}}_{k+j}$

其中，EnQoS(CS_i)表示第i个候选Web服务的非均等化服务质量评价值；v_i,k+j表示第i个候选Web服务的第j个非均等化服务质量属性值，ψ_k+j表示第j个非均等化服务质量属性所占的权重，0≤ψ_k+j≤1，且ψ_k+1+ψ_k+2+…+ψ_m＝1；

所述每一所述候选Web服务的服务质量评价值通过如下公式确定：

FuQoS(CS_i)＝a×EqQoS(CS_i)+b×EnQoS(CS_i)

其中，FuQoS(CS_i)表示第i个候选Web服务的综合服务质量评价值；EqQoS(CS_i)表示第i个候选Web服务的均等化服务质量评价值；EnQoS(CS_i)表示第i个候选Web服务的非均等化服务质量评价值；a表示均等化服务质量评价值在模型中所占的权重，b表示非均等化服务质量评价值在模型中所占的权重，并且a+b＝1,a＞0,b＞0。

4.根据权利要求3所述的基于Web服务的制造资源推荐方法，其特征在于，

通过调整FuQoS(CS_i)中的a和b的值，可以调节制造服务资源选择中的均等化程度：

若需提高资源分配的均等化强度，则增大a的值，减小b的值；

若需降低资源分配的均等化强度，则减小a的值，增大b的值。

5.根据权利要求1所述的基于Web服务的制造资源推荐方法，其特征在于，

在所述推荐步骤后，还包括：

参数调整步骤，完成对多个客户需求的推荐后，根据推荐评价，对所述预先设置的每一候选Web服务的每一均等化服务质量属性值对应的权重和每一非均等化服务质量属性值对应的权重、每一候选Web服务的第一系数和第二系数进行调整。

6.一种基于Web服务的制造资源推荐系统，其特征在于，包括：

接收模块，用于接收客户发送的需求信息；

候选Web服务集合生成模块，用于将所述需求信息与预置的封装为Web服务的制造服务资源进行匹配，确定符合客户需求的多个候选Web服务，生成候选Web服务集合；

服务质量矩阵生成模块，用于确定每一候选Web服务所包括的多个资源属性值，构建所述候选Web服务集合的服务质量矩阵；

推荐模块，用于依据所述服务质量矩阵及均等化服务质量评价方法，计算每一所述候选Web服务的综合服务质量评价值，并且，将综合服务质量评价值最大的候选Web服务推荐给客户；

所述推荐模块包括：

第一计算单元，用于计算该候选Web服务的每一均等化服务质量属性值与该质量属性对应权重的乘积，并将所有乘积相加，获得该候选Web服务的均等化服务质量评价值；

第二计算单元，用于计算该候选Web服务的每一非均等化服务质量属性值与该属性对应权重的乘积，并将所有乘积相加，获得该候选Web服务的非均等化服务质量评价值；

服务质量评价值获取单元，用于将所述均等化服务质量评价值与第一系数相乘，获取第一乘积，以及，将所述非均等化服务质量评价值与第二系数相乘，获取第二乘积；所述第一系数为该候选Web服务的均等化系数；所述第二系数为该候选Web服务的非均等化系数；计算所述第一乘积与所述第二乘积之和，作为所述候选Web服务的综合服务质量评价值；

其中，该候选Web服务的每一均等化服务质量属性值对应的权重、该候选Web服务每一非均等化服务质量属性值对应的权重、第一系数和第二系数均为预先设定；各个均等化服务质量属性值的权重根据专家经验来设置，所对应的权重和为1；各个非均等化服务质量属性值的权重根据专家经验来设置，所对应的权重和为1；第一系数和第二系数的和为1；其中，

所述均等化服务质量属性值反映制造服务的当前运行状态，每个周期都会发生变化，直接影响到后续服务选择的均等化效果，包括服务的反应时间、当前生产能力、可靠性和可用性；

所述非均等化服务质量属性值反映制造服务的固定属性，不反映制造服务的当前运行状态，其变化发生的频率相对于较低，不会对后续服务选择产生影响，包括产品质量、产品价格、最大生产能力、生产成本和财务状况。

7.根据权利要求6所述的基于Web服务的制造资源推荐系统，其特征在于，

所述服务质量矩阵生成模块进一步包括：服务质量矩阵生成单元、归一化处理单元、第三计算单元、第四计算单元和第五计算单元；其中，

服务质量矩阵生成单元用于生成候选Web服务集合的服务质量矩阵

$Q=\left(\begin{array}{ccccccc}{q}_{1,1}& q_{1,2}& \mathrm{...}& q_{1,k}& q_{1,k+1}& \mathrm{...}& q_{1.m}\\ q_{2,1}& q_{2,2}& \mathrm{...}& q_{2,k}& q_{2,k+1}& \mathrm{...}& q_{2,m}\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ q_{n,1}& q_{n,2}& \mathrm{...}& q_{n,k}& q_{n,k+1}& \mathrm{...}& q_{n,m}\end{array}\right)$

其中，q_ij表示第i个候选Web服务的第j个服务质量属性；q_i,1 q_i,2 ... q_i,k表示第i个候选Web服务的均等化服务质量属性，数量为k；q_i,k+1 q_i,k+2 ... q_i,m表示第i个候选Web服务的非均等化服务质量属性，数量为m-k；

归一化处理单元用于对所述服务质量矩阵Q进行归一化处理，归一化处理后的服务质量矩阵为：

$Q^{\&prime;}=\left(\begin{array}{ccccccc}{v}_{1,1}& v_{1,2}& \mathrm{...}& v_{1,k}& v_{1,k+1}& \mathrm{...}& v_{1.m}\\ v_{2,1}& v_{2,2}& \mathrm{...}& v_{2,k}& v_{2,k+1}& \mathrm{...}& v_{2,m}\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ .& .& .& .& .& .& .\\ v_{n,1}& v_{n,2}& \mathrm{...}& v_{n,k}& v_{n,k+1}& \mathrm{...}& v_{n,m}\end{array}\right)$

其中，v_ij表示归一化后的第i个候选Web服务的第j个服务质量属性；v_i,1 v_i,2 ... v_i,k表示归一化后的第i个候选Web服务的均等化服务质量属性，数量为k；v_i,k+1 v_i,k+2 ... v_i,m表示归一化后的第i个候选Web服务的非均等化服务质量属性，数量为m-k；

第三计算单元用于通过如下公式确定所述每一候选Web服务的均等化服务质量评价值：

其中，EqQoS(CS_i)表示第i个候选Web服务的均等化服务质量评价值，v_i,j表示第i个服务的第j个均等化服务质量属性值，表示第j个均等化服务质量属性所占的权重，且

第四计算单元用于通过如下公式确定述每一候选Web服务的非均等化服务质量评价值：

$EnQoS\left({\mathrm{CS}}_i\right)=\underset{j=1}{\overset{m-k}{\&Sigma;}}{v}_{i,k+j}\&times;{\mathrm{\&psi;}}_{k+j}$

其中，EnQoS(CS_i)表示第i个候选Web服务的非均等化服务质量评价值；v_i,k+j表示第i个候选web服务的第j个非均等化服务质量属性值，ψ_k+j表示第j个非均等化服务质量属性所占的权重，0≤ψ_k+j≤1，且ψ_k+1+ψ_k+2+…+ψ_m＝1；

第五计算单元用于通过如下公式确定所述每一所述候选Web服务的综合服务质量评价值：

FuQoS(CS_i)＝a×EqQoS(CS_i)+b×EnQoS(CS_i)

其中，FuQoS(CS_i)表示第i个候选Web服务的综合服务质量评价值；EqQoS(CS_i)表示第i个服务的均等化服务质量评价值；EnQoS(CS_i)表示第i个服务的非均等化服务质量评价值；a表示均等化服务质量评价值在模型中所占的权重，b表示非均等化服务质量评价值在模型中所占的权重，并且a+b＝1,a＞0,b＞0。