CN107515938A - 一种云制造环境下的供需智能匹配方法 - Google Patents

Abstract

本发明公开了一种云制造环境下的供需智能匹配方法，云制造服务资源包括服务需求和服务资源，方法步骤如下，步骤1初选，根据基本信息，利用关键字匹配规则进行需求与资源的匹配，获得基于资源基本信息的初选集；步骤2预选，根据功能信息，建立蕴含关系推理规则进行匹配，获得基于资源功能信息的预选集；步骤3优选，根据评价信息，利用模糊综合评判法进行匹配，从而获得最优的服务资源。与现有技术相比较，本发明通过云制造服务资源的基本信息、功能信息、评价信息等公共属性，建立基于基本信息的初选、功能信息的预选、评价信息优选的匹配方法，从而服务需求方能够快速、准确的从云制造平台的海量服务制造资源中匹配最优资源。

Description

一种云制造环境下的供需智能匹配方法

技术领域

本发明涉及一种物联网云服务领域，尤其涉及一种云制造环境下的供需智能匹配方法。

背景技术

近年来，随着云计算、物联网、面向服务的网络化信息等技术的发展，制造业出现了一种新的网络化制造模式-云制造。它利用网络和云制造服务平台，将分散在全国各地的制造资源和制造能力虚拟化构成云制造资源池，然后根据用户的需求分配云制造资源池中的资源，实现制造资源的共享，促进制造业发展。由于云制造环境下，蕴含的海量资源种类繁多，形式各样，如何快速、准确的将服务需求方与服务提供方进行智能匹配是目前亟需解决的问题，然而传统的关键字匹配已经不能满足云制造的供需智能匹配，这就需要一种新的匹配方法。

发明内容

本发明的目的就在于提供一种解决了上述问题，在云制造环境下快速、准确的将服务需求方与服务提供方进行智能匹配的供需智能匹配方法。

为了实现上述目的，本发明采用的技术方案是：一种云制造环境下的供需智能匹配方法，云制造服务资源包括服务需求和服务资源，方法步骤如下，

步骤1.初选，在服务资源信息库中，根据服务需求和服务资源的基本信息，利用关键字匹配规则进行需求与资源的匹配，获得基于资源基本信息的初选集；

步骤2.预选，在初选集中，根据服务需求和服务资源的功能信息，建立蕴含关系推理规则进行匹配，获得基于资源功能信息的预选集；

步骤3.优选，在预选集中，根据服务需求和服务资源的评价信息，利用模糊综合评判法进行匹配，从而获得最优的服务资源。

作为优选，所述步骤1的云制造服务资源的基本信息主要指资源名称，以此建立关键字匹配规则，并利用关键字进行匹配。

作为优选，所述的关键字匹配规则如下，当服务提供方不能满足服务需求方要求时，匹配失败即为Fail匹配，匹配度为0，EMatch(ET，ER)＝0；

当服务提供方能够满足服务需求方要求时，匹配成功即为Full匹配，匹配度为1，EMatch(ET，ER)＝1；

其中，EMatch(ET，ER)表示基本信息的匹配度，ET表示服务需求方需要资源的基本信息，ER表示服务提供方提供资源的基本信息。

作为优选，所述步骤2的云制造服务资源的功能信息主要指数值型约束条件，数值型约束条件指“加工费用<500”、“尺寸精度<0.1”和“平行度<0.2”等性能指标和综合指标；则基于功能信息的预选包括以下步骤，

a.建立蕴含关系推理规则；

b.利用建立的蕴含关系推理规则进行单个数值型约束条件匹配；

c.利用单个数值型约束条件匹配度计算多个数值型约束条件的综合匹配度。

所述的蕴含关系推理规则可如下定义，设服务需求和服务资源中功能信息的数值型约束条件进行数值匹配。

数值型约束条件分别为A＝R_a(x_a,y_a)、B＝R_b(x_b,y_b)，以数值型约束条件“加工费用<500”为例：“x_a”＝“加工费用”，“y_a＝“500”，“R_a”＝“<”。可定义蕴含关系推理规则如下表。

蕴含关系推理规则表

作为优选，所述的多个数值型约束条件综合匹配度计算公式如下：

Match(T，R)＝EMatch(ET，ER)*(FMatch(FT_n，FR_n)+QosMatch(QT，QR))

其中Match(T，R)表示供需智能匹配的最终匹配度，FT_n表示服务需求方需要资源的功能信息，FT_n表示服务提供方提供资源的功能信息。

作为优选，所述的步骤3的云制造服务资源的评价信息主要指资源描述相符、资源质量、资源性价比、物流服务、服务态度等，其中每个方面都可用{很好，好，一般，差，很差}5个程度进行评价，基于评价信息的优选包括以下步骤：

a.利用公式u＝w₁u₁+w₂u₂+...+w_nu_n对需求方提交的服务资源需求中的评价信息进行评价，得到综合分数C，其中，u表示需求方提交的服务资源需求中评价信息的综合分数，w_n表示每个评价信息的权重，u_n表示每个评价信息的分数；

b.利用模糊综合评判法对服务提供方提供资源的评价信息进行评价，得到综合分数D；

c.利用公式QosMatch(QT，QR)＝D/C计算评价信息的匹配度，其中，QosMatch(QT，QR)表示评价信息的匹配度，QT表示服务需求方需要资源的评价信息、QR表示服务提供方提供资源的评价信息。

作为优选，所述的模糊综合评判法包括以下步骤：

a.确定评定因素集F和评定/语级E。

因素集F即评价项目或指标的集合，一般有F＝{f_i}，i＝1，2，...，n，评定集或评语集E即评价等级的集合，一般有F＝{e_j}，j＝1，2，...，m；

b.统计、确定单因素评价隶属度向量，并形成隶属度矩阵R，

隶属度是模糊综合评判法最重要和最基本的概念,隶属度r_ij是指多个评价主体对某一评价对象在f_i方面作出的e_j方面评定的可能性程度,隶属度向量R_i＝(r_i1，r_i2，...，r_im，)，i＝1，2，...，n，其中

隶属度矩阵为R＝(R₁,R₂,…,R_n)^T＝(r_ij)R＝(R₁，R₂，...，R_n)^T＝(r_ij)；

c.确定权重向量W_F,

W_F为评价项目或指标的权重或权系数向量。另外，还可有评定集的数值化结果W′_E或权重W_E(为W′_E归一化结果)。若有考评集T＝{第一次考评，等二次考评，…，第r次考评}，则需要对不同考评次数的权重向量W_T＝(W_t1，W_t2，...，W_tr)；

d.采用运算法则，计算综合隶属度向量S和综合评定值u，其中

S＝W_FR，

作为优选，所述的供需智能匹配的最终匹配度的计算公式如下，

Match(T，R)＝EMatch(ET，ER)*(FMatch(FT_n，FR_n)+QosMatch(QT，QR))

其中Match(T，R)表示供需智能匹配的最终匹配度，T表示服务需求方需要资源的基本信息、功能信息、评价信息，R表示服务提供方提供资源的基本信息、功能信息、评价信息。

与现有技术相比，本发明的优点在于：通过考虑云制造服务资源的基本信息、功能信息、评价信息等公共属性，建立基于基本信息的初选、功能信息的预选、评价信息优选的匹配方法，从而服务需求方能够快速、准确的从云制造平台的海量服务制造资源中匹配最优资源，相比传统的关键字搜索更高效、准确.

附图说明

图1为本发明的流程示意图。

具体实施方式

下面将对本发明作进一步说明。

实施例1：一种云制造环境下的供需智能匹配方法，参见图1，云制造服务资源包括服务需求和服务资源，方法步骤如下，

步骤1.初选。根据服务需求和服务资源的基本信息，利用关键字匹配规则进行匹配，获得基于资源基本信息的初选集。云制造服务资源的基本信息主要指资源名称，比如“五轴加工中心”。则基于基本信息的初选包括以下子步骤：

(1)建立关键字匹配规则。

当服务提供方不能满足服务需求方要求时，匹配失败即为Fail匹配，匹配度为0。

EMatch(ET，ER)＝0

当服务提供方能够满足服务需求方要求时，匹配成功即为Full匹配，匹配度为1。

EMatch(ET，ER)＝1

其中，EMatch(ET，ER)表示基本信息的匹配度，ET表示服务需求方需要资源的基本信息，ER表示服务提供方提供资源的基本信息。

(2)利用关键字进行匹配。假设服务需求方A需要资源的基本信息为“五轴加工中心”，有2家服务提供方A、B提供资源的基本信息分别为“五轴加工中心”和“立式钻床”，则服务提供方A的匹配度为1，服务提供方B的匹配度为1。

步骤2.预选。在初选集中，根据服务需求和服务资源的功能信息，建立蕴含关系推理规则进行匹配，获得基于资源功能信息的预选集。云制造服务资源的功能信息主要指数值型约束条件。数值型约束条件指“加工费用<500”、“尺寸精度<0.1”和“平行度<0.2”等。则基于功能信息的预选包括以下子步骤：

(1)建立蕴含关系推理规则。蕴含关系推理规则可如下定义：

设服务需求和服务资源中功能信息的数值型约束条件分别为A＝R_a(x_a,y_a)、B＝R_b(x_b,y_b)，以数值型约束条件“加工费用<500”为例：“x_a”＝“加工费用”，“y_a＝“500”，“R_a”＝“<”。可定义蕴含关系推理规则如下表。

蕴含关系推理规则表

(2)利用建立的蕴含关系推理规则进行单个数值型约束条件匹配。例如：服务需求方A的约束条件为“尺寸精度<0.01”，服务提供方B的约束条件为“尺寸精度<0.02”，通过蕴含关系推理规则表查得属于B数值蕴含匹配A的情况，则A与B的匹配程度值为0.5，即FMatch(FT_n，FR_n)＝0.5。

(3)利用单个数值型约束条件匹配度计算多个数值型约束条件的综合匹配度。多个数值型约束条件综合匹配度计算公式如下：

FMatch(FT_n，FR_n)＝FMatch(FT₁，FR₁)+FMatch(FT₂，FR₂)+…+FMatch(FT_n，FR_n)

其中FMatch(FT_n，FR_n)表示功能信息的匹配度，FT_n表示服务需求方需要资源的功能信息，FT_n表示服务提供方提供资源的功能信息。

步骤3.优选，在预选集中，根据服务需求和服务资源的评价信息，利用模糊综合评判法进行匹配，从而获得最优的服务资源。云制造服务资源的评价信息主要指资源描述相符、资源质量、资源性价比、物流服务、服务态度，其中每个方面都用{很好，好，一般，差，很差}5个程度进行评价。则基于评价信息的优选包括以下子步骤：

(1)利用公式u＝w₁u₁+w₂u₂+...+w_nu_n对需求方提交的服务资源需求中的评价信息进行评价，得到综合分数C。其中，u表示需求方提交的服务资源需求中评价信息的综合分数，w_n表示每个评价信息的权重，u_n表示每个评价信息的分数。假设服务需求方A在资源描述相符、资源质量、资源性价比、物流服务、服务态度给出的评价为{好，好，好，好，好}，给的权重为{0.2,0.25,0.2,0.15,0.2},u＝4.00，即综合分数C＝4.00。

(2)利用模糊综合评判法对服务提供方提供资源的评价信息进行评价，得到综合分数D。

本实例中假设服务提供方A，经过一段时间的业务交易后，共有40名服务需求方对其进行评价，评价的结果如下表所示。利用模糊综合评判法对服务提供方进行评价的求解过程具体如下：

服务提供方的评价结果表

①确定评定因素集F和评定等级E。由表可得：

F＝{服务的时间，服务的成本，服务的质量，服务的信誉度，服务的可靠度}；E＝{很好，好，一般，差，很差}。

②统计、确定单因素评价隶属度向量，并形成隶属度矩阵R。

③确定权重向量W_F和评定集的数值化结果。由表可得：

W_F＝(0.2，0.25，0.2，，0.15，0.2)，这里假设W_E＝(5，4，3，2，1)。

④利用公式S＝W_FR和u＝W′_ES^T计算综合隶属度向量S及综合得分u。

则S＝(0.181，0.13，0.542，0.13，0.017)，u＝3.228，即综合分数D＝3.228。

(3)利用公式QosMatch(QT，QR)＝D/C计算评价信息的匹配度。其中，QosMatch(QT，QR)表示评价信息的匹配度，QT表示服务需求方需要资源的评价信息，QR表示服务提供方提供资源的评价信息。

所述的供需智能匹配的最终匹配度的计算公式如下：

Match(T，R)＝EMatch(ET，ER)*(FMatch(FT_n，FR_n)+QosMatch(QT，QR))

其中，Match(T，R)表示供需智能匹配的最终匹配度，T表示服务需求方需要资源的基本信息、功能信息、评价信息，R表示服务提供方提供资源的基本信息、功能信息、评价信息。

假定云制造服务平台中现有一家服务需求方的服务需求和五家服务提供方的服务资源的具体信息如下表，评价信息是处理后的综合分数。

服务需求和服务资源信息表

所有的服务提供方最终匹配度值的结果如下表。由表可知，服务提供方B的匹配度值最高，最能满足服务需求方A。

最终匹配度值表

发明所提供的一种云制造环境下的供需智能匹配方法进行了详尽介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，对本发明的变更和改进将是可能的，而不会超出附加权利要求所规定的构思和范围，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种云制造环境下的供需智能匹配方法，云制造服务资源包括服务需求和服务资源，其特征在于：方法步骤如下，

步骤1.初选，在服务资源信息库中，根据服务需求和服务资源的基本信息，利用关键字匹配规则进行需求与资源的匹配，获得基于资源基本信息的初选集；

步骤2.预选，在初选集中，根据服务需求和服务资源的功能信息，建立蕴含关系推理规则进行匹配，获得基于资源功能信息的预选集；

步骤3.优选，在预选集中，根据服务需求和服务资源的评价信息，利用模糊综合评判法进行匹配，从而获得最优的服务资源。

2.根据权利要求1所述的一种云制造环境下的供需智能匹配方法，其特征在于：所述步骤1的云制造服务资源的基本信息主要指资源名称，以此建立关键字匹配规则，并利用关键字进行匹配。

3.根据权利要求2所述一种云制造环境下的供需智能匹配方法，其特征在于：所述的关键字匹配规则如下，当服务提供方不能满足服务需求方要求时，匹配失败即为Fail匹配，匹配度为0；当服务提供方能够满足服务需求方要求时，匹配成功即为Full匹配，匹配度为1。

4.根据权利要求1所述一种云制造环境下的供需智能匹配方法，其特征在于：所述步骤2的云制造服务资源的功能信息主要指数值型约束条件，则基于功能信息的预选包括以下步骤，

a.建立蕴含关系推理规则；

b.利用建立的蕴含关系推理规则进行单个数值型约束条件匹配；

c.利用单个数值型约束条件匹配度计算多个数值型约束条件的综合匹配度。

5.根据权利要求4所述一种云制造环境下的供需智能匹配方法，其特征在于：所述的蕴含关系推理规则通过云制造服务资源中功能信息的数值型约束条件进行数值匹配类推。

6.根据权利要求4所述一种云制造环境下的供需智能匹配方法，其特征在于，所述的多个数值型约束条件综合匹配度计算公式如下：

FMatch(FT_n，FR_n)＝FMatch(FT₁，FR₁)+FMatch(FT₂，FR₂)+…+FMatch(FT_n，FR_n)

其中FMatch(FT_n，FR_n)表示功能信息的匹配度，FT_n表示服务需求方需要资源的功能信息，FT_n表示服务提供方提供资源的功能信息。

7.根据权利要求1所述一种云制造环境下的供需智能匹配方法，其特征在于：所述的步骤3的云制造服务资源的评价信息主要指资源描述相符、资源质量、资源性价比、物流服务、服务态度，基于评价信息的优选包括以下步骤：

a.利用公式u＝w₁u₁+w₂u₂+...+w_nu_n对需求方提交的服务资源需求中的评价信息进行评价，得到综合分数C，其中，u表示需求方提交的服务资源需求中评价信息的综合分数，w_n表示每个评价信息的权重，u_n表示每个评价信息的分数；

b.利用模糊综合评判法对服务提供方提供资源的评价信息进行评价，得到综合分数D；

c.利用公式QosMatch(QT，QR)＝D/C计算评价信息的匹配度，其中，QosMatch(QT，QR)表示评价信息的匹配度，QT表示服务需求方需要资源的评价信息、QR表示服务提供方提供资源的评价信息。

8.根据权利要求7所述一种云制造环境下的供需智能匹配方法，其特征在于：所述的模糊综合评判法包括以下步骤：

a.确定评定因素集F和评定/语级E，因素集F即评价项目或指标的集合，评定/语级E即评价等级的集合；

b.统计、确定单因素评价隶属度向量，并形成隶属度矩阵R；

c.确定权重向量W_F,W_F为评价项目或指标的权重或权系数向量，另外，还可有评定集的数值化结果W′_E或权重W_E，若有考评集T＝{第一次考评，等二次考评，…，第r次考评}，则需要对不同考评次数的权重向量W_T＝(W_t1，W_t2，...，W_tr)

d.采用运算法则，计算综合隶属度向量S和综合评定值u。

9.根据权利要求1所述一种云制造环境下的供需智能匹配方法，其特征在于：所述的供需智能匹配的最终匹配度的计算公式如下，

Match(T，R)＝EMatch(ET，ER)*(FMatch(FT_n，FR_n)+QosMatch(QT，QR))

其中Match(T，R)表示供需智能匹配的最终匹配度，T表示服务需求方需要资源的基本信息、功能信息、评价信息，R表示服务提供方提供资源的基本信息、功能信息、评价信息。