CN111654396A - 一种面向汇聚任务多维分解的制造服务聚合协作配置方法 - Google Patents

Abstract

本发明涉及一种面向汇聚任务多维分解的制造服务聚合协作配置方法，包括以下步骤：1.制造服务与任务汇聚特性解析与模型构建；2.根据所形成聚合服务网络，定义与其具有映射关系的标准子任务属性；3.对汇聚后的制造任务进行多维分解，建立子任务模型；4.基于分解子任务模型与聚合服务网络，生成面向汇聚任务的服务聚合协作配置方案。本发明能够有效刻画基于工业互联网/工业云平台的制造服务和制造任务的汇聚特性，同时提供汇聚任务的多维分解及其高效的服务聚合协作配置方法，提高基于工业互联网/工业云平台的批量化开展服务按需协作的配置效率。

Description

一种面向汇聚任务多维分解的制造服务聚合协作配置方法

技术领域

本发明属于面向服务的智能制造系统中基于平台的制造服务协作技术领域，具体涉及一种面向汇聚任务多维分解的制造服务聚合协作配置方法。

背景技术

随着信息技术和制造业发展的深度融合，基于工业互联网/工业云平台的制造服务协作受到了越来越多的关注。工业互联网/工业云平台可以汇聚生产制造过程中所有信息流、制造工具和制造需求，有三类协作参与人员共同进行对任务的服务协作配置：平台运营者、制造资源提供者和制造需求提出者。平台运营者负责平台管理，要保证平台上服务资源的负载相对均衡，减少任务排队时间，提高平台效率；资源提供者将其所拥有的制造资源或制造能力通过平台的感知与接入、虚拟化、服务化封装等处理后，以制造服务的形式供平台用户使用。由于制造需求用户所提交的任务往往涉及产品全生命周期，其中批量任务和个性化定制任务难以由单一服务完成，因此需要通过制造服务协作方式共同完成提交至平台上的制造任务。

汇聚特性是基于工业互联网/工业云平台的服务协作最显著的特征之一，也对平台上制造任务批量化开展服务按需协作配置提出了挑战。目前对于平台上制造服务和任务的汇聚特性分析还不充分，难以对批量化制造需求和制造资源间建立有效映射关系，影响了面向平台的批量化制造任务的服务协作配置的高效实现，即分布式制造服务协作配置问题。同时对于服务协作配置的研究主要关注用户的需求，从服务提供者和任务提出者的角度建立优化目标，然而以平台的稳定性和效率优化为目标的研究不多，因此研究考虑服务提供者、任务提出者和平台运营者的综合效用的服务协作配置模型是提高基于平台的服务协作配置全局性能和效率的研究重点。

发明内容

本发明要解决的技术问题为：以平台的稳定性和效率优化为目标，如何提高基于平台的服务协作配置全局性能和效率。因此，本发明提出一种面向汇聚任务多维分解的制造服务聚合协作配置方法，该方法包括制造服务与任务汇聚特性解析与建模、聚合服务映射的标准子任务属性定义、建立汇聚任务多维分解下子任务模型、服务聚合协作配置方案生成4个步骤。一方面能够有效刻画基于工业互联网/工业云平台的制造服务和制造任务的汇聚特性；另一方面提供了汇聚任务的多维分解及其高效的服务聚合协作配置方法，有效地解决了汇聚任务的服务协作配置问题，提高了基于工业互联网/工业云平台的批量化开展服务按需协作的配置效率。

本发明解决其技术问题是采取以下技术方案实现的：一种面向汇聚任务多维分解的制造服务聚合协作配置方法，包括如下步骤：

步骤1：制造服务与任务汇聚特性解析与建模；对提交到平台上批量化制造服务和制造任务的汇聚特性进行解析，在此基础上对汇聚后的制造服务和制造任务分别进行模型构建，具体分为聚合服务网络模型和汇聚任务模型；

步骤2：定义聚合服务映射的标准子任务属性；根据聚合服务网络属性定义标准子任务属性，生成标准子任务的功能、数量、执行次序和执行效率属性；

步骤3：建立汇聚任务多维分解下子任务模型；基于所定义的标准化子任务属性，按照汇聚任务的功能种类、数量系数和执行次序，对原本多源异构的制造任务汇聚集合进行多维分解，从而建立汇聚任务分解下子任务模型，实现服务与任务的映射和配置；

步骤4：服务聚合协作配置方案生成；在满足全局最优和约束条件的前提下，求解以最大化综合效率为目标的服务聚合协作配置模型，生成服务协作配置方案，提高对汇聚任务的服务聚合协作配置效率。

进一步的，聚合服务和汇聚任务是指被提交到工业互联网/工业云平台上具有汇聚特性的制造服务和制造任务；所述聚合服务包含聚类服务和组合服务两类，其中聚类服务是由具有相似功能的服务组成，组合服务是由具有不同功能的服务组成，两者共同形成聚合服务网络；所述汇聚任务指的是批量化制造任务被提交到平台上后，根据制造任务的执行要求对所有任务进行汇聚，从而对其统一调度和处理，提高整体的服务协作配置效率。

进一步的，映射标准子任务的属性来源于聚合服务网络中制造服务属性，分为子任务功能种类、单位数量、执行次序和子任务执行速率，通过定义标准子任务属性，在个性化程度高的制造任务和来自不同服务提供者的制造服务间建立映射关联。

进一步的，汇聚任务多维分解是对汇聚后的制造任务进行功能种类分解、数量系数分解和执行次序分解，建立具有标准属性的映射子任务模型，对汇聚任务分解后得到的标准子任务进行服务聚合协作配置。

本发明与现有技术相比的优点在于：

(1)准确刻画了基于工业互联网/工业云平台的批量化制造服务和制造任务的汇聚特性，并对汇聚任务和聚合服务进行模型构建，分别是制造任务汇聚模型和聚合服务网络模型，弥补了目前基于平台的服务与任务汇聚特性研究不足的问题；

(2)提供了汇聚任务的多维分解及其高效的服务聚合协作配置方法，通过定义聚合服务映射的标准子任务属性，并建立汇聚任务多维分解下的子任务模型，实现了汇聚任务集合与聚合服务网络间的有效连接，提高了基于工业互联网/工业云平台的批量化开展服务按需协作的配置效率。

附图说明

图1是本发明的流程图；

图2是本发明中映射标准子任务与汇聚任务、服务的关系示意图；

图3是本发明的功能结构图。

具体实施方式

下面结合附图对本发明做进一步详细的描述。

本发明公开了一种面向汇聚任务多维分解的制造服务聚合协作配置方法，该方法包括制造服务与任务汇聚特性解析与建模、聚合服务映射的标准子任务属性定义、建立汇聚任务多维分解下子任务模型、服务聚合协作配置方案生成4个步骤。图3是本发明的功能结构图，本发明一方面能够有效刻画基于工业互联网/工业云平台的制造服务和制造任务的汇聚特性；另一方面提供了汇聚任务的多维分解及其高效的服务聚合协作配置方法，提高了基于工业互联网/工业云平台的批量化开展服务按需协作的配置效率。

本发明的流程图如图1所示，结合图3，具体实施方式如下：

步骤一：图1中1制造服务与任务汇聚特性解析与建模，具体实施方式如下：

①对提交到工业互联网/工业云平台上制造服务和制造任务汇聚特性分析；其中来自不同制造资源提供者的制造能力多样的NoS个制造服务S_i，按照其功能进行汇聚处理，具有相同或相似功能的制造服务形成服务聚类，不同功能的制造服务根据功能互补性形成服务组合，服务聚类和服务组合共同组成聚合服务网络；对提交到平台上的来自不同制造需求提出者的复杂程度高的NoT个制造任务T_j，根据其所需服务要求对制造任务进行汇聚，从全局角度出发为其选择合适的制造服务进行配置。

②汇聚任务的模型构建；不同制造任务在功能、数量和执行时间等属性上有着不同要求，通过工业互联网平台汇聚成制造任务集合ATS(Aggregatedtasks set)，其模型如下：

ATS＝{T_j|j＝1，2，…，NoT}

其中，T_j-attribute表示汇聚任务集合中制造任务T_j所具有的属性；

表示汇聚任务集合中制造任务T_j的功能种类；

表示任务T_j的数量需求；

表示任务T_j的待执行时间区间要求，其上限是任务T_j截止时间

下限是任务T_j初始提交时间

③聚合服务网络模型构建；平台上所包括的制造服务S_i具有服务功能

最大负载能力

和服务的可执行时间区间

三种不同属性，即：

其中，S_{i_}attribute表示平台所提供的制造服务S_i所具有的属性；

表示服务S_i可提供服务能力的初始时间，

表示服务S_i可提供服务能力的截止时间；

按照服务功能的相似性和互补性可分为服务聚类和服务组合，其中具有相似或相同功能的制造服务形成服务聚类集C_j，共有NoC种服务聚类集，每一个服务聚类集中都包含可执行某一类任务的所有制造服务S_i，服务聚类集C_j模型即：

其中，

表示服务聚类集C_j中所包括的制造服务，k_j表示该服务对应的服务编号；

不同制造服务的功能互补性决定服务间执行关系，形成服务组合关系E^C；用

表示服务组合关系系数，当

表示服务聚类集C_i和C_j间存在先后执行次序，且由C_i到C_j的执行次序，服务组合关系模型即：

制造服务S_i、服务聚类集C_j和服务组合关系E^C共同形成聚合服务网络Service_net，对平台中来自不同制造资源提供者的制造服务进行统一管理与高效配置，聚合服务网络模型即：

Service_net＝{S_i，C_j，E^C|i＝1，2，…，NoS；j＝1，2，…，NoC}

步骤二：图1中2聚合服务映射的标准子任务属性定义，参见图2，是本发明中映射标准子任务与汇聚任务、服务的关系示意图；具体实现如下：

①聚合服务映射的子任务属性分析；制造子任务ST是对平台所包括的制造服务的映射，反映了制造服务执行任务能力，其主要包含四种属性，分别是功能属性Function^ST、单位数量属性

执行次序属性E^ST和执行效率属性η^ST，每种属性都与聚合服务网络属性息息相关，标准子任务ST属性模型即：

②对应标准子任务的属性定义；映射标准子任务ST_i的功能种类是与服务聚类集相对应的，有NoC种标准子任务，映射标准子任务功能属性Function^ST模型即：

Function^ST＝{ST_i|i＝1，2，…，NoC}

对于映射标准子任务ST_i的单位数量属性

对应于聚合服务网络中服务聚类集C_i所包含的制造服务最大负载能力

的单位量，映射标准子任务单位数量属性

模型即：

不同种映射标准子任务间执行次序对应于服务组合关系，用

来表示两个标准子任务ST_i和ST_j间执行关系，当

表示由子任务ST_i向ST_j顺序执行，映射标准子任务执行次序属性E^ST模型即：

其中，

表示服务组合关系E^C组合关系系数；NoC表示映射标准子任务种类数量，与服务聚类集C_i数量相同；

标准子任务执行效率反应服务聚类集C_i中不同服务在执行子任务时的速率，由制造服务执行任务能力所决定，映射标准子任务ST_i对应的执行效率属性

即：

其中，

表示对应服务聚类集C_i中制造服务S_j执行子任务ST_i时的速率；

表示标准子任务ST_i的单位数量属性；k_i为服务聚类集C_i中包括的服务数量；

表示单位数量子任务ST_i由服务S_j执行的规定完成时间。

步骤三：图1中3建立汇聚任务多维分解下子任务模型，具体实现如下：

①汇聚任务分解维度解析；对汇聚任务集合进行制造服务协作配置，需要将汇聚后的制造任务ATS分解为映射标准子任务集，主要分为对汇聚任务的功能种类分解、数量系数的分解和执行结构的分解，建立汇聚任务多维属性分解的映射子任务模型，即：

ATS＝<K，ST，E>

其中，K表示分解的子任务数量系数集；ST表示分解后的对应子任务功能种类集；E表示分解后的子任务执行次序集。

②汇聚任务功能和数量分解，对任意制造任务按照其功能和数量要求进行分解，生成具有标准属性子任务的功能和数量集合，汇聚任务功能和数量分解模型即：

其中，

表示制造任务T_j分解后对应子任务ST_i的数量，当

时表示制造任务不会分解为对应的子任务；否则分解为对应数量的子任务。

③汇聚任务执行结构分解，汇聚任务分解后得到的不同功能的映射子任务间存在着执行次序，根据分解后得到的子任务的执行次序构建相应子任务结构，用e_ab表示分解后标准子任务ST_a和ST_b间执行次序关系，当e_ab＝1表示分解得到两种子任务ST_a和ST_b间存在执行顺序，且按照子任务ST_a到ST_b的顺序执行，否则不具有执行次序关系。

步骤四：图1中4服务聚合协作配置方案生成，具体实现如下：

①服务聚合协作配置优化指标建立；对于工业互联网/工业云平台上制造服务协作配置方案的求解，需要建立服务协作优化指标，保证服务提供者、任务提出者和平台运营者三方的综合效益的基础上，从聚合服务网络中选择服务聚合协作完成分解得到的标准子任务，因此建立包含聚合服务质量、子任务平均执行时间、服务协作配置成本和平台负载稳定性的综合优化指标，提高三者间整体效率。优化指标计算即：

a.服务质量Q^T：对平台上制造服务质量的评价，反映服务的可靠程度，用q^S表示服务S的质量评估值。在对汇聚任务进行服务协作配置时，要求选择聚合服务质量要尽可能大，以保证所选用服务可靠程度高。聚合服务的服务质量计算即：

其中，n_j表示服务聚类集C_j中被选择执行任务的制造服务数量，NoC表示服务聚类集数量，

表示被选择执行任务的制造服务S_i的质量评估值；

b.子任务平均执行时间Δtime_average：所有制造任务从提交至平台到被完成需要的平均执行时间，执行时间越短表示任务被处理的相对更快，更满足需求提出者的效益要求，平均执行时间计算即：

其中，

表示汇聚任务分解得到的标准子任务ST_i数量，

表示标准子任务ST_i对应的服务聚类集中被选择执行任务的制造服务S_j的执行效率，n_i表示标准子任务ST_i对应的服务聚类集C_i中被选择执行任务的制造服务数量；

c.服务协作配置成本Cost^T：对汇聚任务所选用的服务聚合协作配置所需代价的评估，在汇聚任务被完成的基础上，要选用成本相对低的聚合服务对其进行协作配置，服务配置成本计算即：

其中，n_j表示服务聚类集C_j中被选择执行任务的制造服务数量，

表示服务聚类集C_j中被选用执行任务的制造服务S_i的成本；

d.平台负载稳定性load：对平台上负载程度的衡量，使质量高的服务不被过于频繁调用、增加服务负载，避免其他服务调用次数过少甚至不被调用的情况发生，缩短制造任务的排队时间。平台稳定性计算即：

其中，s^ij表示服务聚类集C_j中的制造服务S_i，

表示制造服务S_i在t时刻的负载水平，

表示制造服务S_i的最大负载能力，

表示制造服务S_i可提供服务能力的初始时间，

表示制造服务S_i提供服务的截止时间，NoS表示平台包括的制造服务数量，NoC表示平台包括的服务聚类集数量；

②生成整体效率最大的服务聚合协作配置方案；建立以上述四种用户相关评价指标加权最大为优化目标的协作配置模型，具体计算即：

max(OptU)＝wight₁·Q^T-wight₂·Δtime_service-wight₃·Cost^T+wight₄·load

其中，OptU表示服务聚合协作配置优化目标，wight₁表示服务质量Q^T在四种优化指标中所占权重，wight₂表示子任务平均执行时间Δtime_service所占权重，wight₃表示服务协作配置成本Cost^T所占权重，wight₄表示平台负载稳定性load所占权重，四种权重之和为1。

根据计算结果，对汇聚任务分解后得到的标准子任务，建立服务聚合协作配置问题模型，从而求解得到汇聚任务的制造服务协作配置结果，生成服务聚合协作配置方案。

综上所述，本发明公开了一种面向汇聚任务多维分解的制造服务聚合协作配置方法，该方法包括包括制造服务与任务汇聚特性解析与建模、聚合服务映射的标准子任务属性定义、建立汇聚任务多维分解下子任务模型、服务聚合协作配置方案生成4个步骤。本发明一方面对基于工业互联网/工业云平台的制造服务和制造任务的汇聚特性进行解析，并建立汇聚任务和聚合服务网络模型；另一方面提供汇聚任务的多维分解及其高效的服务聚合协作配置方法，有效地解决汇聚任务的服务协作配置问题，提高了基于工业互联网/工业云平台的批量化开展服务按需协作的配置效率。

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

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 (8)

1.一种面向汇聚任务多维分解的制造服务聚合协作配置方法，其特征在于，包括步骤如下：

步骤1：制造服务与任务汇聚特性解析与建模；对提交到平台上批量化制造服务和制造任务的汇聚特性进行解析，在此基础上对汇聚后的制造服务和制造任务分别进行模型构建，具体分为聚合服务网络模型和汇聚任务模型；

步骤2：定义聚合服务映射的标准子任务属性；根据聚合服务网络属性定义标准子任务属性，生成标准子任务的功能、数量、执行次序和执行效率属性；

步骤3：建立汇聚任务多维分解下子任务模型；基于所定义的标准化子任务属性，按照汇聚任务的功能种类、数量系数和执行次序，对原本多源异构的制造任务汇聚集合进行多维分解，从而建立汇聚任务分解下子任务模型，实现服务与任务的映射和配置；

步骤4：服务聚合协作配置方案生成；在满足全局最优和约束条件的前提下，求解以最大化综合效率为目标的服务聚合协作配置模型，生成服务协作配置方案，提高对汇聚任务的服务聚合协作配置效率。

2.根据权利要求1中所述的面向汇聚任务多维分解的制造服务聚合协作配置方法，其特征在于：

聚合服务和汇聚任务是指被提交到工业互联网/工业云平台上具有汇聚特性的制造服务和制造任务；所述聚合服务包括聚类服务和组合服务，其中聚类服务是由具有相似功能的服务组成，组合服务是由具有不同功能的服务组成；所述汇聚任务指的是批量化制造任务被提交到平台上后，根据制造任务的执行要求对所有任务进行汇聚，从而对其统一调度和处理，提高整体的服务协作配置效率。

3.根据权利要求1中所述的面向汇聚任务多维分解的制造服务聚合协作配置方法，其特征在于：

映射标准子任务的属性来源于聚合服务网络中制造服务属性，分为子任务功能种类、单位数量、执行次序和子任务执行速率，通过定义标准子任务属性，在个性化程度高的制造任务和来自不同服务提供者的制造服务间建立映射关联。

4.根据权利要求1中所述的面向汇聚任务多维分解的制造服务聚合协作配置方法，其特征在于：

汇聚任务多维分解是对汇聚后的制造任务进行功能种类分解、数量系数分解和执行次序分解，建立具有标准属性的映射子任务模型，对汇聚任务分解后得到的标准子任务进行服务聚合协作配置。

5.根据权利要求1中所述的面向汇聚任务多维分解的制造服务聚合协作配置方法，其特征在于：

所述步骤1具体包括：

①对提交到工业互联网/工业云平台上制造服务和制造任务汇聚特性分析；其中来自不同制造资源提供者、制造能力多样的NoS个制造服务S_i，按照其功能进行汇聚处理，具有相同或相似功能的制造服务形成服务聚类，不同功能的制造服务根据功能互补性形成服务组合，服务聚类和服务组合共同组成聚合服务网络；对提交到平台上的来自不同制造需求提出者的NoT个制造任务T_j，根据其所需服务要求对制造任务进行汇聚，从全局角度出发为其选择合适的制造服务进行配置；

②汇聚任务的模型构建；不同制造任务在功能、数量和执行时间属性上有着不同要求，通过工业互联网/工业云平台汇聚成制造任务集合ATS(Aggregated tasks set)，其模型如下：

ATS＝{T_j|j＝1，2，…，NoT}

其中，T_j_attribute表示汇聚任务集合中制造任务T_j所具有的属性；

表示任务T_j的功能种类；

表示任务T_j的数量需求；

表示任务T_j的待执行时间区间要求，其上限是任务T_j截止时间

下限是任务T_j初始提交时间

③聚合服务网络模型构建；平台上所包括的制造服务S_i具有服务功能

最大负载能力

和服务的可执行时间区间

三种不同属性，制造服务模型即：

其中，S_i_attribute表示平台所提供的制造服务S_i所具有的属性；

表示服务S_i可提供服务能力的初始时间，

表示服务S_i可提供服务能力的截止时间；

其中具有相似或相同功能的制造服务形成服务聚类集C_j，共有NoC种服务聚类集，每一服务聚类集中包括用于执行某一类任务的所有制造服务S_i，服务聚类集C_j模型即：

其中，

表示服务聚类集C_j中所包括的制造服务，k_j表示该服务对应的服务编号；

不同制造服务的功能互补性决定服务间执行关系，形成服务组合关系E^C，用

表示服务组合关系系数，当

表示服务聚类集C_i和C_j间存在先后执行次序，且是由C_i到C_j的执行次序，服务组合关系模型即：

制造服务S_i、服务聚类集C_j和服务组合关系E^C共同形成聚合服务网络Service_net，对平台中来自不同制造资源提供者的制造服务进行统一管理与高效配置，聚合服务网络模型即：

Service_net＝{S_i，C_j，E^C|i＝1，2，…，NoS；j＝1，2，…，NoC}

6.根据权利要求1中所述的面向汇聚任务多维分解的制造服务聚合协作配置方法，其特征在于：

所述步骤2具体包括：

①聚合服务映射的子任务属性分析；制造子任务ST是对平台所包括的制造服务的映射，反映了制造服务执行任务的能力，其主要包含四种属性，分别是功能属性Function^ST、单位数量属性

执行次序属性E^ST和执行效率属性η^ST，每种属性都与聚合服务网络属性息息相关，制造子任务模型即：

②对应标准子任务的属性定义；映射标准子任务ST_i的功能种类是与服务聚类集相对应的，有NoC种标准子任务，映射标准子任务功能属性Function^ST模型为：

Function^ST＝{ST_i|i＝1，2，…，NoC}

映射标准子任务ST_i的单位数量属性

对应于聚合服务网络中服务聚类集C_i所包含的制造服务最大负载能力

的单位量，映射标准子任务单位数量属性

模型为：

不同种映射标准子任务间执行次序对应于服务组合关系，用

来表示两个标准子任务ST_i和ST_j间执行次序，当

表示由子任务ST_i向ST_j顺序执行，映射标准子任务执行次序属性E^ST模型为：

其中，

表示服务组合关系E^c组合关系系数；NoC表示映射标准子任务种类数量，与服务聚类集C_i数量相同；

标准子任务执行效率反映服务聚类集C_i中不同服务在执行该子任务时的速率，由制造服务执行任务能力所决定，映射标准子任务ST_i对应的执行效率属性

为：

其中，

表示对应服务聚类集C_i所包含的制造服务S_j执行子任务ST_i时的速率；

表示标准子任务ST_i的单位数量属性；k_i为服务聚类集C_i包括的服务数量；

表示单位数量的标准子任务ST_i由服务S_j执行的规定完成时间。

7.根据权利要求1中所述的面向汇聚任务多维分解的制造服务聚合协作配置方法，其特征在于：

所述步骤3具体包括：

①汇聚任务分解维度解析；对汇聚任务集合进行制造服务协作配置，需要将汇聚后的制造任务集合ATS分解为映射标准子任务集，主要分为对汇聚任务的功能种类分解、数量系数的分解和执行结构的分解，建立汇聚任务多维属性分解的映射子任务模型，即：

ATS＝＜K，ST，E＞

其中，K表示分解的子任务数量系数集；ST表示分解后的对应子任务功能种类集；E表示分解后的子任务执行次序集；

②汇聚任务功能和数量分解；对任意制造任务按照其所需服务的功能和数量要求进行分解，生成具有标准属性的子任务功能和数量集合，汇聚任务功能和数量分解模型即：

其中，

表示制造任务T_j分解后对应子任务ST_i的数量，当

时表示制造任务T_j不会分解为对应的子任务；否则分解为对应数量的子任务。

③汇聚任务执行结构分解；汇聚任务分解后得到的不同功能的映射子任务间存在着执行次序，根据分解后得到的子任务的执行次序构建相应子任务结构，用e_ab表示分解后标准子任务ST_a和ST_b间执行次序关系，当e_ab＝1表示分解得到两种子任务ST_a和ST_b间存在执行顺序，且按照子任务ST_a到ST_b的顺序执行，否则不具有执行次序关系。

8.根据权利要求1中所述的面向汇聚任务多维分解的制造服务聚合协作配置方法，其特征在于：

所述步骤4具体包括：

①服务聚合协作配置优化指标建立；对于工业互联网/工业云平台上制造服务协作配置方案的求解，要建立包含聚合服务质量、子任务平均执行时间、服务协作配置成本和平台负载稳定性的综合优化指标，提高协作配置整体效率；

a.服务质量Q^T：对平台上制造服务质量的评价，反映服务的可靠程度，用q^S表示制造服务的质量评估值；在对汇聚任务进行服务协作配置时，要求选择聚合服务质量大于阈值的服务，聚合服务的服务质量计算即：

其中，n_j表示服务聚类集C_j中被选择执行任务的制造服务数量，NoC表示服务聚类集数量，

表示被选择执行任务的制造服务S_i的质量评估值；

b.子任务平均执行时间Δtime_average：所有制造任务从提交至平台到被完成所需平均执行时间，平均执行时间计算即：

其中，

表示汇聚任务分解得到的标准子任务ST_i数量，

表示标准子任务ST_i对应的服务聚类集中被选择执行任务的制造服务S_j的执行效率，n_i表示标准子任务ST_i对应的服务聚类集C_i中被选择执行任务的制造服务数量；

c.服务协作配置成本Cost^T：对汇聚任务所选用的服务聚合协作配置所需代价的评估，服务配置成本计算即：

其中，n_j表示服务聚类集C_j中被选择执行任务的制造服务数量，

表示服务聚类集C_j中被选用执行任务的制造服务S_i的成本；

d.平台负载稳定性load：对平台上包括的制造服务负载程度的衡量，平台稳定性计算即：

其中，s^ij表示服务聚类集C_j中的制造服务S_i，

表示制造服务S_i在t时刻的负载水平，

表示制造服务S_i的最大负载能力，

表示制造服务S_i可提供服务能力的初始时间，

表示制造服务S_i提供服务的截止时间，NoS表示平台包括的制造服务数量，NoC表示平台包括的服务聚类集数量；

②生成整体效率最大的服务聚合协作配置方案；建立以上述四种用户相关评价指标加权和最大为优化目标的协作配置模型，具体计算即：

max(OptU)＝wight₁·Q^T-wight₂·Δtime_service-wight₃·Cost^T+wight₄·load

其中，OptU表示服务聚合协作配置优化目标，wight₁表示服务质量Q^T在四种优化指标中所占权重，wight₂表示子任务平均执行时间Δtime_service所占权重，wight₃表示服务协作配置成本Cost^T所占权重，wight₄表示平台负载稳定性load所占权重，四种权重之和为1；

对汇聚任务分解后得到的标准子任务，建立服务聚合协作配置问题模型后，从而求解得到汇聚任务的制造服务协作配置结果，生成服务聚合协作配置方案。

Images