CN109190798A - 一种云制造服务组合优选方法 - Google Patents

Abstract

本发明公开了一种云制造服务组合优选方法，包括服务组合服务质量指标体系的建立，模糊综合评价法的改进以及服务组合优选方案的实现；服务组合QoS指标体系由时间、可组合性、质量、可用性、可靠性、成本六大目标构成；通过层次分析法改进了模糊综合评价法；利用灰色关联度对云制造服务进行了组合优选。本发明所提供的一种云制造服务组合优选方法，建立了云制造服务的评价体系并进行了各项指标权重的确定，能够从复杂多样的云制造服务组合方案中优选出最佳的组合方案，以满足云制造用户个性化的服务需求，为云制造服务需求者资源的索取提供了参考。

Description

一种云制造服务组合优选方法

技术领域

本发明涉及一种云制造服务组合优选方法，属于工业软件运营技术领域。

背景技术

目前，制造业面临着转型升级，而“孤岛”现象在制造领域还普遍存在，即一些中小型企业由于资源瓶颈难以完成一些订单需求，而对于大型企业或研究院所，又存在着大量的高精资源处于闲置状态，造成资源的浪费。因此，各个资源利用者皆期望各取所需：资源需求者迫切希望从外部获得资源的租用，而资源拥有者也急切地想提高资源利用率，实现资源服务的增值。

针对这种需求，云制造平台中服务的数量将不断扩展，为充分利用制造云中的资源服务，避免云平台中资源同样也出现闲置的可能，云服务根据制造需求进行服务组合形成不同粒度的服务，将为不同需求者提供个性化的服务。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种云制造服务组合优选方法，以对云制造平台中的服务组合进行优选，根据用户的个性化需求提供服务组合方案推荐，为云制造需求者服务的选择提供参考。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种云制造服务组合优选方法，包括步骤如下：

步骤1：建立服务组合服务质量指标体系；

步骤2：通过改进的模糊综合评价法来确定服务质量各个指标的权重；

步骤3：服务组合优选方案的实现，利用灰色关联度对不同的服务组合方案进行比较，选择灰色关联度最小的为最优服务组合方案。

作为优选方案，所述服务组合是根据任务需求的模式，从云制造服务池中选择按功能聚集的资源，形成具有逻辑关系的一系列云制造组合服务，以供任务发布者按需租用。

作为优选方案，所述服务组合服务质量指标体系由时间、可组合性、质量、可用性、可靠性、成本六个一级指标构成，各一级指标由若干个二级指标构成；所述时间二级指标包括：获取服务所需时间、服务响应时间、可占用服务时间；所述可组合性二级指标包括：服务成功组合次数、服务组合故障率；所述质量二级指标包括：包括：服务使用频次、服务满意度；所述可用性二级指标包括：服务能力度、服务可用性；所述可靠性二级指标包括：服务时效性、服务来源的可靠性；所述成本二级指标包括：服务获取成本、服务使用成本、服务维护成本。

作为优选方案，所述步骤2包括如下步骤：

步骤2.1：确定评价因素集：建立评价因素集G＝{G₁，G₂，…，G_m}，G为某一级指标，G₁、G₂、…、G_m为m个二级指标；

步骤2.2：评价矩阵：建立评估矩阵其行代表G的m个二级指标，列代表m个二级指标在n个等级的隶属度，隶属度通过用户及专家评估确定；

步骤2.3：权重确定：采用层次分析法确定各个二级指标的权重值为C＝(c₁₁,c₂₁,…,c_m1)。

步骤2.4：综合评价指标：最终的综合评价指标D由权重矩阵C和评价矩阵R共同决定，公式如下：

矩阵D中各列元素代表某一级指标G对于n个等级的隶属度；根据指标G在各个等级中的隶属度确定其重要程度，最终预估确定各个一级指标在QoS评估中的权重值

作为优选方案，所述n＝5，隶属度分为{非常重要、重要、一般重要、无关紧要、不重要}五个等级，根据五个等级的专家人数投票比例确定其值。

作为优选方案，所述步骤3包括如下步骤：

步骤3.1：数据预处理，以F代表各个指标，利用规范化方法对数据进行规范化处理，指标F的规范化处理如下：

对于负指标：所述负指标包括：时间的一级指标和二级指标、成本的一级指标和二级指标；

对于正指标：所述正指标包括：可组合性的一级指标和二级指标、质量的一级指标和二级指标、可用性的一级指标和二级指标、可靠性的一级指标和二级指标；

其中F_ij代表第i个任务的第j个子任务选中的服务指标；

步骤3.2：对服务组合服务质量一级指标进行数据预处理，预处理后的各个指标值记为x_k(g)，即第k个组合在第g个一级指标处的指标值，令：

x_k(g)＝(x_k(T),x_k(Co),x_k(Q),x_k(U),x_k(R),x_k(C))

＝(x_k(1),x_k(2),x_k(3),x_k(4),x_k(5),x_k(6))

其中，x_k(1)，x_k(2)，x_k(3)，x_k(4)，x_k(5)，x_k(6)是经过数据处理后的服务质量QoS指标值；

步骤3.3：求取差序列Δ_k(g)：

Δ_k(g)＝|x_k(g)-1|Δ_k(g)＝(Δ_k(1),Δ_k(2),Δ_k(3),Δ_k(4),Δ_k(5),Δ_k(6))

步骤3.4：计算灰色关联系数ξ_k(g)：

其中，λ为分辨系数，作用是提高灰色关联系数ξ_k(g)间的差异，λ∈(0,1)；

步骤3.5：计算加权灰色关联度δ_k：

其中，p＝6，即QoS六大指标；W＝(W₁，W₂，…，W_l，…，W₆)代表QoS六大指标的权重，δ_k代表第k个服务组合的灰色关联度，其值越小则表示该组合越优。

作为优选方案，所述λ＝0.5。

有益效果：本发明提供的一种云制造服务组合优选方法，通过建立QoS指标对组合进行评估，以层次分析法改进模糊综合评价法对QoS各个指标进行权重的确定，利用灰色关联度对组合方案进行优选，以确定最佳组合方案，使用户能够在海量多样的云制造资源中组合出理想的方案，以满足自身个性化的服务需求。

附图说明

图1为本发明云制造服务组合QoS指标体系；

图2为本发明实施例1模具制造生产过程图；

图3为本发明云制造服务组合路径基本结构。

具体实施方式

下面结合附图对本发明作更进一步的说明。

一种云制造服务组合优选方法，包括步骤如下：

步骤1：建立服务组合服务质量(QoS)指标体系；

步骤2：通过改进的模糊综合评价法来确定服务质量各个指标的权重；

步骤3：服务组合优选方案的实现。所述服务组合是根据任务需求的模式，从云制造服务池中选择按功能聚集的资源，形成具有逻辑关系的一系列云制造组合服务，以供任务发布者按需租用，利用灰色关联度对不同的服务组合方案进行比较，选择最优服务组合方案。

如图1所示，服务组合服务质量QoS指标体系由时间(T)、可组合性(Co)、质量(Q)、可用性(U)、可靠性(R)、成本(C)六个一级指标构成，各一级指标由若干个二级指标构成。所述时间二级指标包括：获取服务所需时间、服务响应时间、可占用服务时间；所述可组合性二级指标包括：服务成功组合次数、服务组合故障率；所述质量二级指标包括：包括：服务使用频次、服务满意度；所述可用性二级指标包括：服务能力度、服务可用性；所述可靠性二级指标包括：服务时效性、服务来源的可靠性；所述成本二级指标包括：服务获取成本、服务使用成本、服务维护成本。

模糊综合评价法通过结合层次分析法进行了改进以确定QoS各个指标的权重，权重确定包括以下步骤：

步骤2.1：确定评价因素集：建立评价因素集G＝{G₁，G₂，…，G_m}，G为某一级指标，G₁、G₂、…、G_m为m个二级指标。

步骤2.2：评价矩阵：建立评估矩阵其行代表G的m个二级指标，列代表m个二级指标在n个等级的隶属度，这里隶属度通过用户及专家评估确定，例如n＝5时，可以分为{非常重要、重要、一般重要、无关紧要、不重要}五个等级，根据五个等级的专家人数投票比例确定其值。

例如，有100人对可占用服务时间T3进行投票评估，50人认为T3非常重要，35人认为T3重要，15人认为T3一般重要，无人认为T3无关紧要和不重要，则r31＝0.5，r32＝0.35，r33＝0.15，r34＝r35＝0，故

步骤2.3：权重确定：采用层次分析法确定各个二级指标的权重值为C＝(c₁₁,c₂₁,…,c_m1)。

步骤2.4：综合评价指标：最终的综合评价指标D由权重矩阵C和评价矩阵R共同决定，公式如下：

矩阵D中各列元素代表某一级指标G对于n个等级的隶属度。根据指标G在各个等级中的隶属度确定其重要程度，最终预估确定各个一级指标在QoS评估中的权重值

云制造服务组合优选通过灰色关联法实现，具体步骤如下：

步骤3.1：数据预处理，以F代表各个指标，利用规范化方法对数据进行规范化处理，指标F的规范化处理如下：

对于负指标(成本型指标)：负指标包括：时间的一级指标和二级指标、成本的一级指标和二级指标；

对于正指标(效益型指标)：正指标包括：可组合性的一级指标和二级指标、质量的一级指标和二级指标、可用性的一级指标和二级指标、可靠性的一级指标和二级指标；

其中F_ij代表第i个任务的第j个子任务选中的服务指标。

以负指标时间T和正指标质量Q为例，利用规范化方法对数据进行规范化处理，其他指标按照其指标类型同理进行规范化，时间T和质量Q的规范化处理如下：

负指标(成本型指标)：

正指标(效益型指标)：

其中T_ij与Q_ij代表第i个任务的第j个子任务选中的服务的时间和质量指标。

步骤3.2：对服务组合服务质量一级指标进行数据预处理，预处理后的各个指标值记为x_k(g)，即第k个组合在第g个一级指标处的指标值，令：

x_k(g)＝(x_k(T),x_k(Co),x_k(Q),x_k(U),x_k(R),x_k(C))

＝(x_k(1),x_k(2),x_k(3),x_k(4),x_k(5),x_k(6))

其中，x_k(1)，x_k(2)，x_k(3)，x_k(4)，x_k(5)，x_k(6)是经过数据处理后的服务质量QoS指标值。

步骤3.3：求取差序列Δ_k(g)：

Δ_k(g)＝|x_k(g)-1|Δ_k(g)＝(Δ_k(1),Δ_k(2),Δ_k(3),Δ_k(4),Δ_k(5),Δ_k(6))

步骤3.4：计算灰色关联系数ξ_k(g)：

其中，λ为分辨系数，作用是提高灰色关联系数ξ_k(g)间的差异，λ∈(0,1)，一般取λ＝0.5。

步骤3.5：计算加权灰色关联度δ_k：

其中，p＝6，即QoS六大指标；W＝(W₁，W₂，…，W_l，…，W₆)代表QoS六大指标的权重，根据综合评价指标得到。δ_k代表第k个服务组合的灰色关联度，其值越小则表示该组合越优。

实施例1：

以模具制造为例，某汽车品牌委托几个子公司为其生产汽车保险杠，子公司同时向云制造平台提出模具申请，模具制造是一个具有多功能需求的复杂任务，需要数量众多的子任务共同完成，每个子任务都可以调用云服务候选集中的某个云服务来完成。例如，模具设计可以选择4#公司的加工服务(CS¹(2))，模具零件加工可以选择5#公司的加工服务(CS⁴(1))，模具装配可以选择22#公司的加工服务(CS⁷(2))等，选取模具制造几个重要的环节来分析云制造服务组合过程，如图2所示。

利用灰色关联法，综合模具制造的各个QoS进行组合优选，上述模具制造过程包含九个子任务，假设每个子任务ST^j只包含两个候选服务CS^j(1)和CS^j(2)，则服务组合将有2⁹即512种组合方案，经过二级指标加权计算，各个候选服务的QoS一级指标值如表1所示。

表1候选服务CS^j(k)的各QoS指标值

云服务组合路径可以描述为以下四种基本结构，分别为串联结构、并联结构、选择结构和循环结构，如图3所示，其中CS代表候选服务，表2给出了各个服务组合的各个QoS指标值计算方式。

表2不同组合结构QoS指标计算表达式

其中，q(i,j,k)为0-1变量，当任务T_i中的子任务ST_i ^j选中服务时，q(i,j,k)＝1，否则，q(i,j,k)＝0；p_j为选择结构中某候选服务CS^j被选择的概率，满足ω为循环结构中候选服务集循环使用的次数。上述表达式是针对某一任务T_i的QoS计算表达式，当子任务为混合形式时，可以通过上述表达式组合计算混合形式的QoS中各个指标值。本实例中共有512种组合方式，部分组合计算结果如表3所示。

表3各服务组合的QoS指标值

根据步骤3.1对表3的各服务组合QoS指标值进行规范化处理，根据步骤2.4确定的各个一级指标的权重值W_l＝(0.239，0.076，0.123，0.183，0.136，0.243)，最后计算各个服务组合的加权灰色关联度δ_j，部分服务组合的关联数据如表4所示。

表4各服务组合的加权灰色关联度δ_j

根据各个服务组合的加权灰色关联度δ_j的计算结果，组合“211122111”对应的δ_j＝0.4239最小，即该组合方案与最劣组合方案关联度最小，故优选候选服务组合为“CS¹(2)，CS²(1)，CS³(1)，CS⁴(1)，CS⁵(2)，CS⁶(2)，CS⁷(1)，CS⁸(1)，CS⁹(1)”，对应各个候选公司。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种云制造服务组合优选方法，其特征在于：包括步骤如下：

步骤1：建立服务组合服务质量指标体系；

步骤2：通过改进的模糊综合评价法来确定服务质量各个指标的权重；

步骤3：服务组合优选方案的实现，利用灰色关联度对不同的服务组合方案进行比较，选择灰色关联度最小的为最优服务组合方案。

2.根据权利要求1所述的一种云制造服务组合优选方法，其特征在于：所述服务组合是根据任务需求的模式，从云制造服务池中选择按功能聚集的资源，形成具有逻辑关系的一系列云制造组合服务，以供任务发布者按需租用。

3.根据权利要求1所述的一种云制造服务组合优选方法，其特征在于：所述服务组合服务质量指标体系由时间、可组合性、质量、可用性、可靠性、成本六个一级指标构成，各一级指标由若干个二级指标构成；所述时间二级指标包括：获取服务所需时间、服务响应时间、可占用服务时间；所述可组合性二级指标包括：服务成功组合次数、服务组合故障率；所述质量二级指标包括：包括：服务使用频次、服务满意度；所述可用性二级指标包括：服务能力度、服务可用性；所述可靠性二级指标包括：服务时效性、服务来源的可靠性；所述成本二级指标包括：服务获取成本、服务使用成本、服务维护成本。

4.根据权利要求1所述的一种云制造服务组合优选方法，其特征在于：所述步骤2包括如下步骤：

步骤2.1：确定评价因素集：建立评价因素集G＝{G₁，G₂，…，G_m}，G为某一级指标，G₁、G₂、…、G_m为m个二级指标；

步骤2.2：评价矩阵：建立评估矩阵其行代表G的m个二级指标，列代表m个二级指标在n个等级的隶属度，隶属度通过用户及专家评估确定；

步骤2.3：权重确定：采用层次分析法确定各个二级指标的权重值为C＝(c₁₁,c₂₁,…,c_m1)；

步骤2.4：综合评价指标：最终的综合评价指标D由权重矩阵C和评价矩阵R共同决定，公式如下：

矩阵D中各列元素代表某一级指标G对于n个等级的隶属度；根据指标G在各个等级中的隶属度确定其重要程度，最终预估确定各个一级指标在QoS评估中的权重值

5.根据权利要求4所述的一种云制造服务组合优选方法，其特征在于：所述n＝5，隶属度分为{非常重要、重要、一般重要、无关紧要、不重要}五个等级，根据五个等级的专家人数投票比例确定其值。

6.根据权利要求1所述的一种云制造服务组合优选方法，其特征在于：所述步骤3包括如下步骤：

步骤3.1：数据预处理，以F代表各个指标，利用规范化方法对数据进行规范化处理，指标F的规范化处理如下：

对于负指标：所述负指标包括：时间的一级指标和二级指标、成本的一级指标和二级指标；

对于正指标：所述正指标包括：可组合性的一级指标和二级指标、质量的一级指标和二级指标、可用性的一级指标和二级指标、可靠性的一级指标和二级指标；

其中F_ij代表第i个任务的第j个子任务选中的服务指标；

步骤3.2：对服务组合服务质量一级指标进行数据预处理，预处理后的各个指标值记为x_k(g)，即第k个组合在第g个一级指标处的指标值，令：

x_k(g)＝(x_k(T),x_k(Co),x_k(Q),x_k(U),x_k(R),x_k(C))

＝(x_k(1),x_k(2),x_k(3),x_k(4),x_k(5),x_k(6))

其中，x_k(1)，x_k(2)，x_k(3)，x_k(4)，x_k(5)，x_k(6)是经过数据处理后的服务质量QoS指标值；

步骤3.3：求取差序列Δ_k(g)：

Δ_k(g)＝|x_k(g)-1|Δ_k(g)＝(Δ_k(1),Δ_k(2),Δ_k(3),Δ_k(4),Δ_k(5),Δ_k(6))

步骤3.4：计算灰色关联系数ξ_k(g)：

其中，λ为分辨系数，作用是提高灰色关联系数ξ_k(g)间的差异，λ∈(0,1)；

步骤3.5：计算加权灰色关联度δ_k：

其中，p＝6，即QoS六大指标；W＝(W₁，W₂，…，W_l，…，W₆)代表QoS六大指标的权重，δ_k代表第k个服务组合的灰色关联度，其值越小则表示该组合越优。

7.根据权利要求6所述的一种云制造服务组合优选方法，其特征在于：所述λ＝0.5。