CN109102423A - 一种云制造环境下面向铸造企业的浇注机资源匹配方法 - Google Patents

Abstract

本发明提供了一种云制造环境下面向铸造企业的浇注机资源匹配方法。建立云制造环境下浇注机资源匹配的多维目标分量体系；由具有互异可信度的多位决策专家给出待匹配浇注机资源在各维目标分量上的梯形模糊数评估值，用粗糙数法集成多位决策专家的意见并获得待匹配浇注机资源在各维目标分量上的综合梯形模糊数评估值；对综合梯形模糊数评估值矩阵进行去模糊化处理，转换为综合评估值矩阵；根据待匹配浇注机资源在各维目标分量上的综合评估值矩阵，对云制造环境下浇注机资源匹配的多维目标分量体系进行降维，获取主成分；分别通过熵权法和标准差法计算主成分的权重，求解融合权重；对待匹配浇注机资源进行排序，识别出最优化的浇注机资源进行匹配。

Description

一种云制造环境下面向铸造企业的浇注机资源匹配方法

技术领域

本发明涉及云制造技术领域，具体为一种云制造环境下面向铸造企业的浇注机资源匹配方法。

背景技术

云制造融合了现有的网络化制造、面向服务技术及云计算、物联网、高性能计算、虚拟化等信息技术，将不同地域、不同企业的各类制造资源和制造能力进行虚拟化和服务化，构成虚拟化制造资源池，并进行统一的、集中的智能化管理和经营，利用网络和云制造服务平台按用户需求组织制造资源，为用户提供可随时获取的、按需使用的、安全可靠的、优质廉价的制造全生命周期服务。云制造的核心思想是分散资源的集中使用和集中资源的分散服务。

近些年来，铸造行业紧跟时代发展步伐，逐步理清并实施云制造这一新型生产模式，给企业发展注入了新鲜血液。浇注机是铸造行业中用来完成铸造浇注的装备，可以提高铸件成功率，减少铁液浪费和烧伤现象的发生。在云制造环境下，云制造资源池中的浇注机资源具有体量大、种类多、分布广等特征，如何在云制造资源池中寻找最优化的浇注机资源进行匹配，是实现铸造行业的制造资源高度共享与增值服务、促进云制造在铸造行业中推广应用的关键。在云制造资源池中，存在着多个符合要求的待匹配浇注机资源，决策专家在评估待匹配浇注机资源的性能时，受限于个体认知水平，给出的评估意见往往是模糊的，用准确数值来表达这种模糊的评估意见显然是不科学的；群决策中每位决策专家的个体认知水平存在差异，采用“一刀切”的态度对待各位决策专家的评估意见是不合理的；云制造环境下的浇注机资源匹配属于多目标评估决策问题，具有目标分量众多的特点，需要对目标分量进行降维，达到减少计算量的效果，另外求解权重时存在多种赋权方法，如何融合多种权重也是急需解决的问题。

发明内容

本发明提供了一种云制造环境下面向铸造企业的浇注机资源匹配方法。建立云制造环境下浇注机资源匹配的多维目标分量体系；由具有互异可信度的多位决策专家给出待匹配浇注机资源在各维目标分量上的梯形模糊数评估值，用粗糙数法集成多位决策专家的意见并获得待匹配浇注机资源在各维目标分量上的综合梯形模糊数评估值；对综合梯形模糊数评估值矩阵进行去模糊化处理，转换为综合评估值矩阵；根据待匹配浇注机资源在各维目标分量上的综合评估值矩阵，对云制造环境下浇注机资源匹配的多维目标分量体系进行降维，获取主成分；分别通过熵权法和标准差法计算主成分的权重，求解融合权重；对待匹配浇注机资源进行排序，识别出最优化的浇注机资源进行匹配。

本发明的技术方案是：

一种云制造环境下面向铸造企业的浇注机资源匹配方法，其特征在于，包括如下步骤：

步骤1：建立云制造环境下浇注机资源匹配的多维目标分量体系；

云制造环境下浇注机资源匹配目标用IdentifyingTarget表示，IdentifyingTarget包括n维目标分量 1,2,...,n，这里n＝11，目标分量1为浇注机资源的加工服务时间,目标分量2为浇注机资源的加工服务成本, 目标分量3为浇注机资源的加工服务质量，目标分量4为浇注机资源的加工服务知识水平，目标分量5为浇注机资源的可靠性，目标分量6为浇注机资源的绿色性，目标分量7为浇注机资源的容错性，目标分量 8为浇注机资源的可维护性，目标分量9为浇注机资源的安全性，目标分量10为浇注机资源的企业信誉，目标分量11为浇注机资源的技术保障能力；

步骤2：由具有互异可信度的多位决策专家给出待匹配浇注机资源在各维目标分量上的梯形模糊数评估值，用粗糙数法集成多位决策专家的意见并获得待匹配浇注机资源在各维目标分量上的综合梯形模糊数评估值；

步骤2.1：设置l位决策专家的可信度依次为l位决策专家分别给出m项待匹配浇注机资源在n维目标分量上的梯形模糊数评估值，其中决策专家k给出的待匹配浇注机资源i在目标分量j上的梯形模糊数评估值为这里k＝1,2,...,l；i＝1,2,...,m；j＝1,2,...,n；为梯形模糊数，这里均为0.1到0.9之间的实数，且满足

步骤2.2：用粗糙边界区间法集成多位决策专家的意见并获得待匹配浇注机资源在各维目标分量上的综合梯形模糊数评估值；

步骤2.2.1：l位决策专家给出的待匹配浇注机资源i在目标分量j上的梯形模糊数评估值依次为分别构造集合集合集合集合

步骤2.2.2：计算集合a_i,j中所有元素的粗糙边界区间，其中元素的粗糙边界区间为 分别为元素的粗糙下边界和粗糙上边界；

步骤2.2.3：计算集合a_i,j的粗糙边界区间为

步骤2.2.4：设置五级评语：很差G₁、差G₂、中等G₃、好G₄、很好G₅，依次对应效能值：π₁＝0.1,π₂＝0.3,π₃＝0.5,π₄＝0.7,π₅＝0.9；

计算RN(a_i,j)属于评语G_u的隶属度θ_u，这里u＝1,2,3,4,5；

计算集合a_i,j的效能值π(a_i,j)，(1)若其中p＝1,2,3,4，则π(a_i,j)＝θ_pπ_p+θ_p+1π_p+1；(2) 若且其中p＝1,2,3，则π(a_i,j)＝θ_pπ_p+θ_p+1π_p+1+θ_p+2π_p+2；(3)若且其中p＝1,2,3,4，o＝1,2,3,4，且o＞p+1，则π(a_i,j)＝θ_pπ_p+θ_p+1π_p+1+...+θ_oπ_o+θ_o+1π_o+1；

步骤2.2.5：采用与步骤2.2.2-步骤2.2.4同样的方法，计算集合b_i,j的效能值π(b_i,j)、集合c_i,j的效能值π(c_i,j)、集合d_i,j的效能值π(d_i,j)，从而得到待匹配浇注机资源i在目标分量j上的综合梯形模糊数评估值为 E_i,j＝(π(a_i,j),π(b_i,j),π(c_i,j),π(d_i,j))；

步骤2.2.6：采用与步骤2.2.1-步骤2.2.5同样的方法，计算所有待匹配浇注机资源在所有目标分量上的综合梯形模糊数评估值，得到综合梯形模糊数评估值矩阵为：

步骤3：对综合梯形模糊数评估值矩阵进行去模糊化处理，转换为综合评估值矩阵；

将E转换为综合评估值矩阵其中对于待匹配浇注机资源i在目标分量j上的综合梯形模糊数评估值E_i,j＝(π(a_i,j),π(b_i,j),π(c_i,j),π(d_i,j))，进行去模糊化处理后得到的综合评估值为

步骤4：根据待匹配浇注机资源在各维目标分量上的综合评估值矩阵，对云制造环境下浇注机资源匹配的多维目标分量体系进行降维，获取主成分；

步骤4.1：对综合评估值矩阵进行标准化处理，得到标准化综合评估值矩阵其中这里

步骤4.2：计算标准化综合评估值矩阵的相关系数矩阵其中这里

步骤4.3：计算相关系数矩阵的特征值，得到特征值向量为χ＝[χ₁,χ₂,...,χ_n]，其中χ₁,χ₂,...,χ_n按从大到小排列；χ₁,χ₂,...,χ_n所对应的特征向量依次为Δ₁,Δ₂,...,Δ_n，其中Δ_j＝[Δ_j,1,Δ_j,2,...,Δ_j,n]^T，这里j＝1,2,...,n；

步骤4.4：依次计算第j个目标分量的贡献率

步骤4.5：依次计算前n′个目标分量的累积贡献率其中n′≤n；当大于或等于80％时，选取前n′个目标分量作为主成分，用Δ₁,Δ₂,...,Δ_n′构造n×n′维的矩阵Δ，进而将m×n维的标准化综合评估值矩阵E″＝(E″_i,j)_m×n降维为m×n′维的新矩阵E″′＝(E″_i,j′)_m×n′，这里E″′＝E″·Δ；

步骤4.6：对新矩阵E″′＝(E″′_i,j′)_m×n′进行规范化处理后得到矩阵E″″＝(E″″_i,j′)_m×n′，其中这里e为自然对数的底；

步骤5：分别通过熵权法和标准差法计算主成分的权重，求解融合权重；

步骤5.1：根据矩阵E″″＝(E″″_i,j′)_m×n′，通过熵权法计算n′个主成分的权重向量为β＝[β₁,β₂,...,β_n′]^T，其中这里j′＝1,2,...,n′，

步骤5.2：根据矩阵E″″＝(E″″_i,j′)_m×n′，通过标准差法计算n′个主成分的权重向量为γ＝[γ₁,γ₂,...,γ_n′]^T，其中这里j′＝1,2,...,n′，

步骤5.3：建立权重融合模型其中ε₁,ε₂为融合因子，解得得到融合权重向量为ω＝[ω₁,ω₂,...,ω_n′]^T，其中ω_j′＝ε₁β_j′+ε₂γ_j′；

步骤6：对待匹配浇注机资源进行排序，识别出最优化的浇注机资源进行匹配；

步骤6.1：根据矩阵E″″＝(E″″_i,j′)_m×n′，计算最优解和最劣解其中和分别表示m项待匹配浇注机资源在主成分j′上的最优值和最劣值，j′＝1,2,...,n′，这里

步骤6.2：分别计算待匹配浇注机资源i的群体效益值个别遗憾值这里i＝1,2,...,m；

步骤6.3：分别计算待匹配浇注机资源i的集成值这里i＝1_,2,...,m，其中 S^*＝max{S₁,S₂,...,S_m}，S^#＝min{S₁,S₂,...,S_m}，R^*＝max{R₁,R₂,...,R_m}，R^#＝min{R₁,R₂,...,R_m}；

步骤6.4：将待匹配浇注机资源分别按照S_i、R_i、Q_i进行升序排列，得到三种排序结果；

步骤6.5：m项待匹配浇注机资源按照Q_i进行升序排列的排序结果表示为Ξ⁽¹⁾,Ξ⁽²⁾,...,Ξ^(J),...,Ξ^(m)，其中 J＝1,2,...,m；

若Ξ⁽¹⁾满足以下两个条件：其中Q(Ξ⁽¹⁾),Q(Ξ⁽²⁾)分别表示排在第一位和第二位的待匹配浇注机资源的集成值，(2)Ξ⁽¹⁾代表的待匹配浇注机资源按照S_i、R_i升序排列依然排在第一位，那么Ξ⁽¹⁾即为最优化的浇注机资源；

若Ξ⁽¹⁾不能同时满足条件(1)和条件(2)，分为两种情况：如果Ξ⁽¹⁾不满足条件(2)，则最优化浇注机资源为Ξ⁽¹⁾,Ξ⁽²⁾；如果Ξ⁽¹⁾不满足条件(1)，则最优化浇注机资源为Ξ⁽¹⁾,Ξ⁽²⁾,...,Ξ^(J)，其中J为根据确定的最大化的J值。

本发明的有益效果是：

(1)使用梯形模糊数来表达决策专家对待匹配浇注机资源性能进行评估时给出的意见，相比准确数值更加科学；

(2)考虑群决策中每位决策专家个体认知水平的差异性，引入可信度来处理各位决策专家的评估意见，更加合理；

(3)通过主成分分析对目标分量进行降维，获取主成分，达到了减少计算量的效果；

(4)建立了权重融合模型，解决了如何融合多种权重的问题；

(5)易于编程实现。

附图说明

图1是本发明提供的一种云制造环境下面向铸造企业的浇注机资源匹配方法的流程图；

图2是本发明建立的云制造环境下浇注机资源匹配的多维目标分量体系；

具体实施方式

下面结合具体实施例描述本发明，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

实施例：

在云制造环境下，某铸造企业进行生产时需要在云制造资源池中识别出最优化的浇注机资源进行匹配，当前在云制造资源池中有12项符合要求的浇注机资源。

实施步骤如下：

步骤1：建立云制造环境下浇注机资源匹配的多维目标分量体系；

云制造环境下浇注机资源匹配目标用IdentifyingTarget表示，IdentifyingTarget包括n维目标分量 1,2,...,n，这里n＝11，目标分量1为浇注机资源的加工服务时间,目标分量2为浇注机资源的加工服务成本, 目标分量3为浇注机资源的加工服务质量，目标分量4为浇注机资源的加工服务知识水平，目标分量5为浇注机资源的可靠性，目标分量6为浇注机资源的绿色性，目标分量7为浇注机资源的容错性，目标分量 8为浇注机资源的可维护性，目标分量9为浇注机资源的安全性，目标分量10为浇注机资源的企业信誉，目标分量11为浇注机资源的技术保障能力；

步骤2：由具有互异可信度的多位决策专家给出待匹配浇注机资源在各维目标分量上的梯形模糊数评估值，用粗糙数法集成多位决策专家的意见并获得待匹配浇注机资源在各维目标分量上的综合梯形模糊数评估值；

步骤2.1：有3位决策专家参与决策，其可信度依次为3位决策专家分别给出 12项待匹配浇注机资源在11维目标分量上的梯形模糊数评估值，如下表所示：

步骤2.2：用粗糙边界区间法集成多位决策专家的意见并获得待匹配浇注机资源在各维目标分量上的综合梯形模糊数评估值；

步骤2.2.1：以3位决策专家给出的待匹配浇注机资源1在目标分量1上的梯形模糊数评估值为例，分别构造集合a_1,1＝{0.21,0.58,0.23}，集合b_1,1＝{0.33,0.58,0.40}，集合c_1,1＝{0.42,0.83,0.48}，集合d_1,1＝{0.50,0.90,0.68}；

步骤2.2.2：计算集合a_1,1中所有元素的粗糙边界区间，其中：

元素的粗糙边界区间为分别为元素的粗糙下边界和粗糙上边界；

元素的粗糙边界区间为分别为元素的粗糙下边界和粗糙上边界；

元素的粗糙边界区间为分别为元素的粗糙下边界和粗糙上边界；

步骤2.2.3：计算集合a_1,1的粗糙边界区间为

步骤2.2.4：设置五级评语：很差G₁、差G₂、中等G₃、好G₄、很好G₅，依次对应效能值：π₁＝0.1,π₂＝0.3,π₃＝0.5,π₄＝0.7,π₅＝0.9；

RN(a_1,1)属于评语G₁的隶属度计算为θ₁＝0.0552，RN(a_1,1)属于评语G₂的隶属度计算为θ₂＝0.7733， RN(a_1,1)属于评语G₃的隶属度计算为θ₃＝0.1715，RN(a_1,1)属于评语G₄的隶属度计算为θ₄＝0，RN(a_1,1)属于评语G₅的隶属度计算为θ₅＝0；

计算集合a_1,1的效能值π(a_1,1)，这里π₁≤0.2390≤π₂且π₂≤0.4075≤π₃，则π(a_1,1)＝θ₁π₁+θ₂π₂+θ₃π₃＝0.3233；

步骤2.2.5：采用与步骤2.2.2-步骤2.2.4同样的方法，计算集合b_1,1的效能值π(b_1,1)＝0.4218、集合c_1,1的效能值π(c_1,1)＝0.5811、集合d_1,1的效能值π(d_1,1)＝0.6875，从而得到待匹配浇注机资源1在目标分量1上的综合梯形模糊数评估值为E_1,1＝(0.3233,0.4218,0.5811,0.6875)；

步骤2.2.6：采用与步骤2.2.1-步骤2.2.5同样的方法，计算12项待匹配浇注机资源在11个目标分量上的综合梯形模糊数评估值，得到综合梯形模糊数评估值矩阵E＝(E_i,j)_12×11，如下表所示：

步骤3：对综合梯形模糊数评估值矩阵进行去模糊化处理，转换为综合评估值矩阵；

将E＝(E_i,j)_12×11转换为综合评估值矩阵E′＝(E′_i,j)_12×11：

步骤4：根据待匹配浇注机资源在各维目标分量上的综合评估值矩阵，对云制造环境下浇注机资源匹配的多维目标分量体系进行降维，获取主成分；

步骤4.1：对综合评估值矩阵E′＝(E′_i,j)_12×11进行标准化处理，得到标准化综合评估值矩阵E″＝(E″_i,j)_12×11：

步骤4.2：计算标准化综合评估值矩阵E″＝(E″_i,j)_12×11的相关系数矩阵Ψ＝(ψ_x,y)_11×11：

步骤4.3：计算相关系数矩阵Ψ＝(ψ_x,y)_11×11的特征值，得到特征值向量为：

χ＝[χ₁,χ₂,...,χ₁₁]＝[2.9177,1.9950,1.6857,1.3590,1.1506,0.8866,0.4858,0.2677,0.2192,0.0316,0.0012]，其中χ₁,χ₂,...,χ₁₁按从大到小排列；χ₁,χ₂,...,χ₁₁所对应的特征向量依次为Δ₁,Δ₂,...,Δ₁₁：

Δ₁＝[0.3100 0.2885 0.3568 -0.3337 0.4347 0.1404 -0.0618 -0.28160.1200 -0.4193 -0.3163]，

Δ₂＝[-0.3960 0.2259 0.3199 0.1076 -0.1348 0.1865 -0.4022 0.1974 -0.5946 -0.0797 -0.2542]，

Δ₃＝[-0.0176 -0.5087 -0.0301 0.2854 0.1829 0.6347 0.0856 -0.3775 -0.1063 0.1470 -0.1990]，

Δ₄＝[0.1327 -0.3008 0.4960 -0.4609 0.0481 0.1126 0.2842 0.2349 -0.3031 0.1815 0.3972]，

Δ₅＝[0.5050 -0.1938 -0.1603 -0.0496 -0.3093 0.2438 -0.5929 0.0790 -0.0172 -0.2857 0.2905]，

Δ₆＝[-0.0235 0.1036 -0.1133 0.4008 0.3844 0.2268 0.2747 0.4732 -0.0396 -0.47820.2939]，

Δ₇＝[0.1228 0.1157 0.2201 0.4047 0.0341 -0.3274 0.0125 -0.5772 -0.3356 -0.0845 0.4449]，

Δ₈＝[-0.3153 -0.2306 0.2210 -0.0475 -0.5504 0.0245 0.2885 -0.15910.2073 -0.5835 -0.0280]，

Δ₉＝[-0.4957 -0.2310 0.2205 -0.0346 0.3611 -0.0628 -0.4779 -0.03740.4215 0.0101 0.3303]，

Δ₁₀＝[-0.1252 0.5900 0.0149 -0.0752 -0.2249 0.5542 0.0835 -0.16960.2283 0.2329 0.3613]，

Δ₁₁＝[0.3125 0.0120 0.5821 0.4973 -0.1693 -0.0163 -0.0240 0.25540.3763 0.2257 -0.1699]，

步骤4.4：计算11个目标分量的贡献率α₁,α₂,...,α₁₁，依次为 0.2652,0.1814,0.1532,0.1235,0.1046,0.0806,0.0442,0.0243,0.0199,0.0029,0.0001；

步骤4.5：前1个目标分量的累积贡献率为26.52％，小于80％；

前2个目标分量的累积贡献率为44.66％，小于80％；

前3个目标分量的累积贡献率为59.98％，小于80％；

前4个目标分量的累积贡献率为72.33％，小于80％；

前5个目标分量的累积贡献率为82.79％，大于80％，故选取前5个目标分量作为主成分，n′＝5；

用Δ₁,Δ₂,...,Δ₅构造11×5维的矩阵Δ，进而将12×11维的标准化综合评估值矩阵E″＝(E″_i,j)_12×11降维为12×5 维的新矩阵E″′＝(E″′_i,j′)_12×5，这里E″′＝E″·Δ：

步骤4.6：对新矩阵E″′＝(E″′_i,j′)_12×5进行规范化处理后得到矩阵E″″＝(E″″_i,j′)_12×5，其中这里e为自然对数的底：

步骤5：分别通过熵权法和标准差法计算主成分的权重，求解融合权重；

步骤5.1：根据矩阵E″″＝(E″″_i,j′)_12×5，通过熵权法计算5个主成分的权重向量为β＝[0.1529,0.1982,0.2191,0.1960,0.2338]^T；

步骤5.2：根据矩阵E″″＝(E″″_i,j′)_12×5，通过标准差法计算5个主成分的权重向量为γ＝[0.2993,0.2117,0.1524,0.2180,0.1187]^T；

步骤5.3：建立权重融合模型其中ε₁,ε₂为融合因子，解得ε₁＝0.3761，ε₂＝0.6239，得到融合权重向量为ω＝[0.2441,0.2066,0.1775,0.2097,0.1621]^T；

步骤6：对待匹配浇注机资源进行排序，识别出最优化的浇注机资源进行匹配；

步骤6.1：根据矩阵E″″＝(E″″_i,j′)_m×n′，计算得到最优解f^*＝{0.4993,0.3835,0.2252,0.3415,0.1938}和最劣解 f^#＝{0.0018,0.0053,0.0027,0.0065,0.0038}；

步骤6.2：计算12项待匹配浇注机资源的群体效益值依次为： 0.6839,0.5663,0.7134,0.8310,0.5831,0.9005,0.7631,0.9544,0.6581,0.8332,0.7350,0.6241

计算12项待匹配浇注机资源的个别遗憾值依次为：0.2414,0.2429,0.2308,0.2269,0.2420,0.2442,0.2060,0.2422,0.2383,0.2171,0.2066,0.1916；

步骤6.3：计算12项待匹配浇注机资源的集成值依次为： 0.6249,0.4873,0.5622,0.6768,0.5001,0.9306,0.3906,0.9805,0.5615,0.5859,0.3598,0.0744；

步骤6.4：将12项待匹配浇注机资源按照S_i进行升序排列，得到排序结果；2,5,12,9,1,3,11,7,4,10,6,8；

将12项待匹配浇注机资源按照R_i进行升序排列，得到排序结果；12,7,11,10,4,3,9,1,5,8,2,6；

将12项待匹配浇注机资源按照Q_i进行升序排列，得到排序结果；12,11,7,2,5,9,3,10,1,4,6,8；

步骤6.5：12项待匹配浇注机资源按照Q_i进行升序排列的排序结果表示为Ξ⁽¹⁾＝12,Ξ⁽²⁾＝11,Ξ⁽³⁾＝7,Ξ⁽⁴⁾＝2,Ξ⁽⁵⁾＝5,Ξ⁽⁶⁾＝9,Ξ⁽⁷⁾＝3,Ξ⁽⁸⁾＝10,Ξ⁽⁹⁾＝1,Ξ⁽¹⁰⁾＝4,Ξ⁽¹¹⁾＝6,Ξ⁽¹²⁾＝8；

Q(Ξ⁽²⁾)-Q(Ξ⁽¹⁾)＝0.3598-0.0744＝0.2854，故Ξ⁽¹⁾满足条件(1)；Ξ⁽¹⁾代表的是待匹配浇注机资源12，待匹配浇注机资源12按照R_i升序排列排在第一位，但待匹配浇注机资源12按照S_i升序排列不是排在第一位，故Ξ⁽¹⁾不满足条件(2)；因此，最优化浇注机资源为Ξ⁽¹⁾、Ξ⁽²⁾，即待匹配浇注机资源12和待匹配浇注机资源11。

Claims (1)

1.一种云制造环境下面向铸造企业的浇注机资源匹配方法，其特征在于，包括如下步骤：

步骤1：建立云制造环境下浇注机资源匹配的多维目标分量体系；

云制造环境下浇注机资源匹配目标用IdentifyingTarget表示，IdentifyingTarget包括n维目标分量1,2,...,n，这里n＝11，目标分量1为浇注机资源的加工服务时间,目标分量2为浇注机资源的加工服务成本,目标分量3为浇注机资源的加工服务质量，目标分量4为浇注机资源的加工服务知识水平，目标分量5为浇注机资源的可靠性，目标分量6为浇注机资源的绿色性，目标分量7为浇注机资源的容错性，目标分量8为浇注机资源的可维护性，目标分量9为浇注机资源的安全性，目标分量10为浇注机资源的企业信誉，目标分量11为浇注机资源的技术保障能力；

步骤2：由具有互异可信度的多位决策专家给出待匹配浇注机资源在各维目标分量上的梯形模糊数评估值，用粗糙数法集成多位决策专家的意见并获得待匹配浇注机资源在各维目标分量上的综合梯形模糊数评估值；

步骤2.1：设置l位决策专家的可信度依次为l位决策专家分别给出m项待匹配浇注机资源在n维目标分量上的梯形模糊数评估值，其中决策专家k给出的待匹配浇注机资源i在目标分量j上的梯形模糊数评估值为这里k＝1,2,...,l；i＝1,2,...,m；j＝1,2,...,n；为梯形模糊数，这里均为0.1到0.9之间的实数，且满足

步骤2.2：用粗糙边界区间法集成多位决策专家的意见并获得待匹配浇注机资源在各维目标分量上的综合梯形模糊数评估值；

步骤2.2.1：l位决策专家给出的待匹配浇注机资源i在目标分量j上的梯形模糊数评估值依次为分别构造集合集合集合集合

步骤2.2.2：计算集合a_i,j中所有元素的粗糙边界区间，其中元素的粗糙边界区间为 分别为元素的粗糙下边界和粗糙上边界；

步骤2.2.3：计算集合a_i,j的粗糙边界区间为

步骤2.2.4：设置五级评语：很差G₁、差G₂、中等G₃、好G₄、很好G₅，依次对应效能值：π₁＝0.1,π₂＝0.3,π₃＝0.5,π₄＝0.7,π₅＝0.9；

计算RN(a_i,j)属于评语G_u的隶属度θ_u，这里u＝1,2,3,4,5；

计算集合a_i,j的效能值π(a_i,j)，(1)若其中p＝1,2,3,4，则π(a_i,j)＝θ_pπ_p+θ_p+1π_p+1；(2)若且其中p＝1,2,3，则π(a_i,j)＝θ_pπ_p+θ_p+1π_p+1+θ_p+2π_p+2；(3)若且其中p＝1,2,3,4，o＝1,2,3,4，且o＞p+1，则π(a_i,j)＝θ_pπ_p+θ_p+1π_p+1+...+θ_oπ_o+θ_o+1π_o+1；

步骤2.2.5：采用与步骤2.2.2-步骤2.2.4同样的方法，计算集合b_i,j的效能值π(b_i,j)、集合c_i,j的效能值π(c_i,j)、集合d_i,j的效能值π(d_i,j)，从而得到待匹配浇注机资源i在目标分量j上的综合梯形模糊数评估值为E_i,j＝(π(a_i,j),π(b_i,j),π(c_i,j),π(d_i,j))；

步骤2.2.6：采用与步骤2.2.1-步骤2.2.5同样的方法，计算所有待匹配浇注机资源在所有目标分量上的综合梯形模糊数评估值，得到综合梯形模糊数评估值矩阵为：

步骤3：对综合梯形模糊数评估值矩阵进行去模糊化处理，转换为综合评估值矩阵；

将E转换为综合评估值矩阵其中对于待匹配浇注机资源i在目标分量j上的综合梯形模糊数评估值E_i,j＝(π(a_i,j),π(b_i,j),π(c_i,j),π(d_i,j))，进行去模糊化处理后得到的综合评估值为

步骤4：根据待匹配浇注机资源在各维目标分量上的综合评估值矩阵，对云制造环境下浇注机资源匹配的多维目标分量体系进行降维，获取主成分；

步骤4.1：对综合评估值矩阵进行标准化处理，得到标准化综合评估值矩阵其中这里

步骤4.2：计算标准化综合评估值矩阵的相关系数矩阵其中这里

步骤4.3：计算相关系数矩阵的特征值，得到特征值向量为χ＝[χ₁,χ₂,...,χ_n]，其中χ₁,χ₂,...,χ_n按从大到小排列；χ₁,χ₂,...,χ_n所对应的特征向量依次为Δ₁,Δ₂,...,Δ_n，其中Δ_j＝[Δ_j,1,Δ_j,2,...,Δ_j,n]^T，这里j＝1,2,...,n；

步骤4.4：依次计算第j个目标分量的贡献率

步骤4.5：依次计算前n′个目标分量的累积贡献率其中n′≤n；当大于或等于80％时，选取前n′个目标分量作为主成分，用Δ₁,Δ₂,...,Δ_n′构造n×n′维的矩阵Δ，进而将m×n维的标准化综合评估值矩阵E″＝(E″_i,j)_m×n降维为m×n′维的新矩阵E″′＝(E″′_i,j′)_m×n′，这里E″′＝E″·Δ；

步骤4.6：对新矩阵E″′＝(E″′_i,j′)_m×n′进行规范化处理后得到矩阵E″″＝(E″″_i,j′)_m×n′，其中这里e为自然对数的底；

步骤5：分别通过熵权法和标准差法计算主成分的权重，求解融合权重；

步骤5.1：根据矩阵E″″＝(E″″_i,j′)_m×n′，通过熵权法计算n′个主成分的权重向量为β＝[β₁,β₂,...,β_n′]^T，其中这里j′＝1,2,...,n′，

步骤5.2：根据矩阵E″″＝(E″″_i,j′)_m×n′，通过标准差法计算n′个主成分的权重向量为γ＝[γ₁,γ₂,...,γ_n′]^T，其中这里j′＝1,2,...,n′，

步骤5.3：建立权重融合模型其中ε₁,ε₂为融合因子，解得得到融合权重向量为ω＝[ω₁,ω₂,...,ω_n′]^T，其中ω_j′＝ε₁β_j′+ε₂γ_j′。

步骤6：对待匹配浇注机资源进行排序，识别出最优化的浇注机资源进行匹配。

步骤6.1：根据矩阵E″″＝(E″″_i,j′)_m×n′，计算最优解和最劣解其中和分别表示m项待匹配浇注机资源在主成分j′上的最优值和最劣值，j′＝1,2,...,n′，这里

步骤6.2：分别计算待匹配浇注机资源i的群体效益值个别遗憾值这里i＝1,2,...,m；

步骤6.3：分别计算待匹配浇注机资源i的集成值这里i＝1_,2,...,m，其中S^*＝max{S₁,S₂,...,S_m}，S^#＝min{S₁,S₂,...,S_m}，R^*＝max{R₁,R₂,...,R_m}，R^#＝min{R₁,R₂,...,R_m}；

步骤6.4：将待匹配浇注机资源分别按照S_i、R_i、Q_i进行升序排列，得到三种排序结果；

步骤6.5：m项待匹配浇注机资源按照Q_i进行升序排列的排序结果表示为Ξ⁽¹⁾,Ξ⁽²⁾,...,Ξ^(J),...,Ξ^(m)，其中J＝1,2,...,m；

若Ξ⁽¹⁾满足以下两个条件：(1)其中Q(Ξ⁽¹⁾),Q(Ξ⁽²⁾)分别表示排在第一位和第二位的待匹配浇注机资源的集成值，(2)Ξ⁽¹⁾代表的待匹配浇注机资源按照S_i、R_i升序排列依然排在第一位，那么Ξ⁽¹⁾即为最优化的浇注机资源；

若Ξ⁽¹⁾不能同时满足条件(1)和条件(2)，分为两种情况：如果Ξ⁽¹⁾不满足条件(2)，则最优化浇注机资源为Ξ⁽¹⁾,Ξ⁽²⁾；如果Ξ⁽¹⁾不满足条件(1)，则最优化浇注机资源为Ξ⁽¹⁾,Ξ⁽²⁾,...,Ξ^(J)，其中J为根据确定的最大化的J值。