CN112862217A - 一种用于高端装备云制造平台的供需双方双边匹配方法 - Google Patents

一种用于高端装备云制造平台的供需双方双边匹配方法 Download PDF

Info

Publication number
CN112862217A
CN112862217A CN202110271255.1A CN202110271255A CN112862217A CN 112862217 A CN112862217 A CN 112862217A CN 202110271255 A CN202110271255 A CN 202110271255A CN 112862217 A CN112862217 A CN 112862217A
Authority
CN
China
Prior art keywords
matching
attribute
population
individuals
satisfaction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110271255.1A
Other languages
English (en)
Inventor
豆亚杰
刘泽水
向南
徐向前
李卓倩
陈子夷
谭跃进
杨克巍
姜江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110271255.1A priority Critical patent/CN112862217A/zh
Publication of CN112862217A publication Critical patent/CN112862217A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种用于高端装备云制造平台的供需双方双边匹配方法，包括以下步骤：A、得到制造商和供应商分别为对方给出多属性下的犹豫模糊决策矩阵；B、根据犹豫模糊决策矩阵，采用优化模型计算得到各属性的权重；C、对于犹豫模糊决策矩阵中各元素属性的犹豫模糊元素，计算出双边匹配满意度，得到满意度矩阵；D、将满意度矩阵作为多目标优化中目标函数的优化系数，根据稳定匹配关系的定义得出制造商和供应商的稳定匹配对，实现高端装备云制造平台中的合理供需匹配和优化资源调度。本发明能够解决现有技术的不足，实现为云制造平台中的双边匹配决策提供参考。

Description

一种用于高端装备云制造平台的供需双方双边匹配方法
技术领域
本发明涉及一种用于高端装备制造业的资源配置方法，具体是一种用于高端装备云制造平台的供需双方双边匹配方法。
背景技术
高端装备制造业是一个技术水平要求高、资金需求大、产业关联度高的行业，重点开发高端技术，不仅影响着行业的整体竞争力，同时还对国家的装备制造的发展起到积极的带动作用。当前的高端装备制造行业面临着技术更新换代、经济全球化、信息变革等复杂环境，必须朝着创新、智能、和绿色等方面发展。而高端装备的研制涉及电子、机械、材料和自动控制等多个学科领域，研制体系包含数量众多的子系统和功能模块，其零部件多达数百万件，制造任务呈现出功能多样化、个性化和复杂化的特征，资源有限的企业难以独立承担，需要多学科、跨组织、跨区域的多主体协同设计与制造。在高端装备制造业中，存在着制造商与供应商两个主体。传统的供应商选择只是从制造商一方的角度进行约束和单向匹配，虽然提升了制造商满意度，却忽略了供应商的自主性要求，不仅可能造成资源的低效利用，更伤害了市场竞争积极性，从而影响系统的稳定性和长期发展。因此需找合适的供需双方的资源优化配置对高端装备制造长足发展至关重要。
互联网时代，以社会信息物理系统(SocialCyber-PhysicalSystem，SCPS)、大数据和云制造技术为基础，以大规模协同合作、全面感知、实时决策、社会化资源的共享与利用为目标的云制造服务，为制造主体把握市场机遇、实现多主体协同制造提供了平台支撑。在云制造平台中，供应商将自身闲置的分散、多层次制造资源和能力以服务封装的形式在云平台进行共享和社会化，实现分散资源的集中共享；另一方面，制造商按照自身需求在云平台上发现和组织合适的服务，构建基于任务驱动的服务单元联盟，实现集中资源的分散使用，最终通过双边匹配机制实现云系统中供需的合理匹配和资源的优化调度。这是一个典型的多属性双边匹配问题。双边匹配决策是指依据匹配双方的相互评价信息，通过最大化双方的满意度来实现有效匹配的过程。在云制造平台中，则需要综合考虑制造商的利益诉求和供应商的市场定位，实现双方期望效用最大的满意匹配。
虽然现有的模型和方法也能有效解决部分实际中的双边匹配问题，但是仍然存在一些局限性。随着信息技术得到飞速发展和变更，人们的日常生活和社会经济活动节奏越来越快，供需双方之间的需求信息越来越复杂，在匹配过程中需要参考的信息也越来越多，不确定性也越来越大。传统的双边匹配问题求解模型和算法在处理云制造平台需求数据时很少考虑到决策者对于评价指标的不确定性和犹豫性的问题，而对于供需双方的指标权重由人为给定，主观因素占比太大。因此，如何根据供需双方的需求条件，快速处理供需双方的不确定性评价，给定指标权重的科学计算方法，形成供需双方之间的稳定匹配关系是解决双边匹配问题的关键所在。
发明内容
本发明要解决的技术问题是提供一种用于高端装备云制造平台的供需双方双边匹配方法，能够解决现有技术的不足，兼顾到人为决策在认知上的犹豫性和模糊性，同时规范了多决策主体下的属性权重的计算方法，改善了现有的满意度计算公式，实现为云制造平台中的双边匹配决策提供参考。
本发明的内容包括以下步骤：
A、得到制造商和供应商分别为对方给出多属性下的犹豫模糊评价矩阵；
B、根据犹豫模糊决策矩阵，采用优化模型计算得到各属性的权重；
C、对于犹豫模糊决策矩阵中各元素属性的犹豫模糊元素，计算出双边匹配满意度，得到满意度矩阵；
D、将满意度矩阵作为多目标优化中目标函数的优化系数，根据稳定匹配关系的定义得出制造商和供应商的稳定匹配对，实现高端装备云制造平台中的合理供需匹配和优化资源调度。
作为优选，步骤B中，
设匹配主体集合A＝{A1，A2，...，Am}的属性集为X＝(x1，x2，...，xq)，属性的权重向量为W＝(w1，w2，...，wq)T，wi∈[0，1]，
Figure BDA0002974519600000021
设集合A中的第i个匹配主体Ai关于属性X的犹豫模糊集为，
Figure BDA0002974519600000022
其中，
Figure BDA0002974519600000023
表示第i个主体Ai在第j个属性xj下可能的隶属度，由一个犹豫模糊元素hij表示，那么H＝(hij)m×q为犹豫模糊决策矩阵，写为，
Figure BDA0002974519600000024
对于属性xi∈X匹配主体Ai相对于其他所有主体的偏差可以表示为，
Figure BDA0002974519600000031
Figure BDA0002974519600000032
表示犹豫模糊元素hij和hkj之间的距离，设
Figure BDA0002974519600000033
dj表示对于属性xi∈X，所有方案相对于其他方案的偏差值；
构建一个用于确定权重向量w的非线性规划模型，使得所有属性的偏差值最大化，该模型如下，
Figure BDA0002974519600000034
该模型求解得出，
Figure BDA0002974519600000035
再将wj(j＝1，2，…，q)标准化，使其和为1，可得下式，
Figure BDA0002974519600000036
则匹配主体集合A的属性权重为
Figure BDA0002974519600000037
作为优选，步骤B中，
有多个决策者对匹配主体的各属性进行评估时，在得到每一个决策者得出的属性权重后，需要得到最终的匹配主体集合A的属性平均权重，
设决策者集合为B＝{B1，B2，...，Bn}，按照以上计算过程，设每个决策者Bλ(λ＝1，2，...，n)在自己的评估矩阵中得到的属性权重为
Figure BDA0002974519600000038
对于属性xj∈X，每个决策者Bλ(λ＝1，2，...，n)得到关于该属性的权重为
Figure BDA0002974519600000041
则属性xj的最终平均权重
Figure BDA0002974519600000042
为，
Figure BDA0002974519600000043
作为优选，步骤C中，
设对于匹配个体Bj(j＝1，2，…，n)，其属性为X＝(x1，x2，...，xq)，对应的属性权重为W＝(w1，w2，...，wq)T，由匹配集合A中的个体Ai(i＝1,2,…,m)对其属性xk进行评估，各属性下的评估值分别为犹豫模糊元素hk(k＝1，2，...，q)，利用广义犹豫模糊加权平均算子得出个体Ai对个体Bj综合所有属性值后的综合评价
Figure BDA0002974519600000044
为，
Figure BDA0002974519600000045
Figure BDA0002974519600000046
为犹豫模糊元素，该犹豫模糊元素的满意度为，
Figure BDA0002974519600000047
作为优选，步骤C中，
采用犹豫模糊元素的偏差度
Figure BDA0002974519600000048
来代替犹豫模糊元素的平均绝对误差，采用偏差度来表示决策者的分歧程度，分歧越小，则该匹配个体的整体满意度越高，s(h)表示平均评估值，该值越大，则表示对该个体的满意度越高；
匹配主体集合A对B的满意度矩阵表示为，
Figure BDA0002974519600000049
匹配主体集合B对A的满意度矩阵表示为，
Figure BDA00029745196000000410
作为优选，步骤D中，建立制造商和供应商的稳定匹配对包括以下步骤，
D1、建立双边匹配模型；
D2、对双边匹配模型进行优化。
作为优选，步骤D1中，
xij是0-1变量，当xij＝1时表示甲方匹配个体Ai与乙方匹配个体Bj相匹配，当xij＝0时表示甲方匹配个体Ai与乙方匹配个体Bj不能形成配对；
Figure BDA0002974519600000051
其中，目标函数Z1表示甲方匹配主体集合A对乙方匹配主体集合B的满意度总和，目标函数Z2表示乙方匹配主体集合B对甲方匹配主体集合A的满意度总和。
作为优选，步骤D2中，使用快速非支配排序算法将父代种群跟子代种群进行合并，使下一代的种群从双倍的空间中进行选取，保留了最为优秀的所有个体；通过拥挤度比较和精英选择策略，保证优良的种群个体在进化过程中不会被丢弃，使准Pareto域中的个体能均匀地扩展到整个Pareto域；具体包括，
种群初始化；
对种群中的个体进行非支配排序；
通过选择、交叉和变异生成子代种群；
父代种群和子代种群合并，进行非支配排序，并依据拥挤度和精英选择策略选出新的种群；
重复对种群中的个体进行非支配排序，直至到达最大种群代数。
作为优选，快速非支配排序算法包括以下步骤，
找到种群中所有np＝0的个体，并保存在当前集合F1中；
对于当前集合F1中的每个个体i，其所支配的个体集合为Si，遍历Si中的每个个体l，执行nl＝nl-1，如果nl＝0则将个体l保存在集合H中；
记F1中得到的个体为第一个非支配层的个体，并为F1中每个个体标记相同的非支配序列irank；
以H作为当前集合，重复上述步骤，直到整个种群被分级。
作为优选，在产生新群体时，通常将优秀且聚集密度比较小的个体保留并参与下一代进化。聚集密度小的个体其拥挤度反而大，个体的拥挤度可以通过计算与其相邻的两个个体在每个子目标上的距离差之和来求取；
保留父代优良个体直接进入子代,以防止Pareto前沿的解丢失，即将父代种群和子代种群合并，然后统一进行非支配排序，进行择优选择。
本发明的有益效果是：(1)针对高端装备云制造平台，提出了一种制造商和供应商之间稳定的多主体多属性双边匹配决策方法，提高了资源的有效利用。与以往的云制造平台匹配方法相比，本发明提出的方法考虑了对匹配主体双方各个属性的详细评价，使得评估双方的评价更加细化和科学；(2)在双边匹配决策中应用犹豫模糊理论，考虑到了社会经济环境的复杂性和人类认知的模糊性，为匹配双方主体的决策提供了犹豫度，能够更加表明决策过程中的真实想法，使得评判出的匹配结果也更加具有真实性；同时本发明改进了满意度计算方法，首先通过犹豫模糊集成算子得到新的犹豫模糊集，然后利用犹豫模糊的得分和偏差度来表示匹配个体的满意度，使得匹配双方主体满意度计算方法更具有科学性和可解释性；(3)采用NSGA-II算法求解多目标优化模型，得到帕累托解集后进一步讨论。考虑到稳定匹配关系，对每个结果进行验证，并全部更新为稳定匹配关系，最后得到最优结果。
附图说明
图1为本发明的框架图。
图2为本发明求解双边匹配模型的流程图。
具体实施方式
一种用于高端装备云制造平台的供需双方双边匹配方法，包括以下步骤：
A、得到制造商和供应商分别为对方给出多属性下的犹豫模糊评价矩阵；
B、根据犹豫模糊决策矩阵，采用优化模型计算得到各属性的权重；
C、对于犹豫模糊决策矩阵中各元素属性的犹豫模糊元素，计算出双边匹配满意度，得到满意度矩阵；
D、将满意度矩阵作为多目标优化中目标函数的优化系数，根据稳定匹配关系的定义得出制造商和供应商的稳定匹配对，实现高端装备云制造平台中的合理供需匹配和优化资源调度。
步骤B中，
设匹配主体集合A＝{A1，A2，...，Am}的属性集为X＝(x1，x2，...，xq)，属性的权重向量为W＝(w1，w2，...，wq)T，wi∈[0，1]，
Figure BDA0002974519600000071
设集合A中的第i个匹配主体Ai关于属性X的犹豫模糊集为，
Figure BDA0002974519600000072
其中，
Figure BDA0002974519600000073
表示第i个主体Ai在第j个属性xj下可能的隶属度，由一个犹豫模糊元素hij表示，那么H＝(hij)m×q为犹豫模糊决策矩阵，写为，
Figure BDA0002974519600000074
对于属性xj∈X匹配主体Ai相对于其他所有主体的偏差可以表示为，
Figure BDA0002974519600000075
Figure BDA0002974519600000076
表示犹豫模糊元素hij和hkj之间的距离，设
Figure BDA0002974519600000077
dj表示对于属性xi∈X，所有方案相对于其他方案的偏差值(即代理商之间的偏差)；
构建一个用于确定权重向量w的非线性规划模型，使得所有属性的偏差值最大化(即最大偏差法)，该模型如下，
Figure BDA0002974519600000078
该模型求解得出，
Figure BDA0002974519600000081
再将wj(j＝1，2，…，q)标准化，使其和为1，可得下式，
Figure BDA0002974519600000082
则匹配主体集合A的属性权重为
Figure BDA0002974519600000083
步骤B中，
有多个决策者对匹配主体的各属性进行评估时，在得到每一个决策者得出的属性权重后，需要得到最终的匹配主体集合A的属性平均权重，
设决策者集合为B＝{B1，B2，...，Bn}，按照以上计算过程，设每个决策者Bλ(λ＝1，2，...，n)在自己的评估矩阵中得到的属性权重为
Figure BDA0002974519600000084
对于属性xj∈X，每个决策者Bλ(λ＝1，2，...，n)得到关于该属性的权重为
Figure BDA0002974519600000085
则属性xj的最终平均权重
Figure BDA0002974519600000086
为，
Figure BDA0002974519600000087
步骤C中，
设对于匹配个体Bj(j＝1，2，…，n)，其属性为X＝(x1，x2，...，xq)，对应的属性权重为W＝(w1，w2，...，wq)T，由匹配集合A中的个体Ai(i＝1,2,…,m)对其属性xk进行评估，各属性下的评估值分别为犹豫模糊元素hk(k＝1，2，...，q)，利用广义犹豫模糊加权平均算子(即GHFWA算子)得出个体Ai对个体Bj综合所有属性值后的综合评价
Figure BDA0002974519600000088
为，
Figure BDA0002974519600000091
Figure BDA0002974519600000092
为犹豫模糊元素，该犹豫模糊元素的满意度为，
Figure BDA0002974519600000093
步骤C中，
采用犹豫模糊元素的偏差度
Figure BDA0002974519600000094
来代替犹豫模糊元素的平均绝对误差，采用偏差度来表示决策者的分歧程度，分歧越小，则该匹配个体的整体满意度越高，s(h)表示平均评估值，该值越大，则表示对该个体的满意度越高；
匹配主体集合A对B的满意度矩阵表示为，
Figure BDA0002974519600000095
匹配主体集合B对A的满意度矩阵表示为，
Figure BDA0002974519600000096
步骤D中，建立制造商和供应商的稳定匹配对包括以下步骤，
D1、建立双边匹配模型(即多目标优化模型)；
D2、对双边匹配模型进行优化。
步骤D1中，
xij是0-1变量，当xij＝1时表示甲方匹配个体Ai与乙方匹配个体Bj相匹配，当xij＝0时表示甲方匹配个体Ai与乙方匹配个体Bj不能形成配对；
Figure BDA0002974519600000101
其中，目标函数Z1表示甲方匹配主体集合A对乙方匹配主体集合B的满意度总和，目标函数Z2表示乙方匹配主体集合B对甲方匹配主体集合A的满意度总和。
步骤D2中，使用快速非支配排序算法将父代种群跟子代种群进行合并，使下一代的种群从双倍的空间中进行选取，保留了最为优秀的所有个体；通过拥挤度比较和精英选择策略，保证优良的种群个体在进化过程中不会被丢弃，使准Pareto域中的个体能均匀地扩展到整个Pareto域；具体包括，
种群初始化；
对种群中的个体进行非支配排序；
通过选择、交叉和变异生成子代种群；
父代种群和子代种群合并，进行非支配排序，并依据拥挤度和精英选择策略选出新的种群；
重复对种群中的个体进行非支配排序，直至到达最大种群代数。
快速非支配排序算法包括以下步骤，
找到种群中所有np＝0的个体，并保存在当前集合F1中；
对于当前集合F1中的每个个体i，其所支配的个体集合为Si，遍历Si中的每个个体l，执行nl＝nl-1，如果nl＝0则将个体l保存在集合H中；
记F1中得到的个体为第一个非支配层的个体，并为F1中每个个体标记相同的非支配序列irank；
以H作为当前集合，重复上述步骤，直到整个种群被分级。
在产生新群体时，通常将优秀且聚集密度比较小的个体保留并参与下一代进化。聚集密度小的个体其拥挤度反而大，个体的拥挤度可以通过计算与其相邻的两个个体在每个子目标上的距离差之和来求取；
保留父代优良个体直接进入子代,以防止Pareto前沿的解丢失，即将父代种群和子代种群合并，然后统一进行非支配排序，进行择优选择。
以下通过大连船舶重工集团的船舶制造项目为例证明本发明的优势。
为了实施M型船的制造项目，DSIC可以利用云制造服务平台，实现主要制造商和供应商的协作制造模式。在这个案例中，云制造服务平台已接收到以下信息：正在制造的M型船舶的电力系统的4个模块制造任务A1，A2，A3，A4(云服务需求)需要外包或与之对应供应商，他们对供应商的需求属性为
Figure BDA0002974519600000111
经过初步评估，在云制造服务平台中，选择了6个候选供应商B1，B2，B3，B4，B5，B6(每个供应商提供的制造资源是同质的)，他们对提供任务的制造商的需求属性为
Figure BDA0002974519600000112
为了充分体现双方代理商的需求偏好，我们会将收集到的信息反馈给双方，以便由专家组成的决策机构进行相互评估。然而，由于环境不确定性和认知歧义的影响，决策者都难以给出确切的评估信息。因此，双方都将给出多属性下的犹豫模糊评估信息，如表1和表2所示。
表1制造商A对供应商B在各属性下的犹豫模糊评价
Figure BDA0002974519600000113
表2供应商B对制造商A在各属性下的犹豫模糊评价
Figure BDA0002974519600000114
Figure BDA0002974519600000121
根据犹豫模糊理论，首先按照乐观原则对犹豫模糊进行扩充。扩充元素后的犹豫模糊评价如下：
表3扩充后的A对B在各属性下的犹豫模糊评价
Figure BDA0002974519600000122
表4扩充后的B对A在各属性下的犹豫模糊评价
Figure BDA0002974519600000123
Figure BDA0002974519600000131
属性权重的确定
表5匹配主体A的评估矩阵下B的各属性的Dj
Figure BDA0002974519600000132
表6匹配主体B的评估矩阵下A的各属性的Dj
Figure BDA0002974519600000133
则可以计算出各决策主体评估矩阵下的属性权重以及最终的平均属性权重为：
表7 A的属性
Figure BDA0002974519600000134
以及
Figure BDA0002974519600000135
的值
Figure BDA0002974519600000136
表8 B的属性
Figure BDA0002974519600000137
以及
Figure BDA0002974519600000138
的值
Figure BDA0002974519600000139
最终，得到A对B各个属性的需求权重为WB＝(0.263，0.252，0.219，0.267)；B对A各个属性的需求权重为WA＝(0.288，0.323，0.389)。
计算满意度
以A1对B1的评估数据为例，权重为WB＝(0.263，0.252，0.219，0.267)。首先令λ＝1，集成A1对B1的所有犹豫模糊元素:
Figure BDA0002974519600000141
得到的s(h)为0.769，
Figure BDA0002974519600000142
为0.242，因此，A1对B1的满意度为：
Figure BDA0002974519600000143
同理，我们可以计算出A对B的满意度矩阵：
表8 A对B的满意度矩阵
B1 B2 B3 B4 B5 B6
A1 0.619 0.750 0.561 0.314 0.494 0.568
A2 0.620 0.680 0.756 0.692 0.994 0.568
A3 0.400 0.611 0.480 0.650 0.415 0.618
A4 0.987 0.754 0.965 0.496 0.342 0.448
B对A的满意度矩阵为：
表9 B对A的满意度矩阵
A1 A2 A3 A4
B1 0.445 0.361 0.490 0.726
B2 0.720 0.655 0.716 0.606
B3 0.507 0.558 0.481 0.573
B4 0.481 0.637 0.633 0.556
B5 0.322 0.373 0.525 0.831
B6 0.485 0.629 0.627 0.574
NSGA-II算法模型求解
该模型的目标函数为，
Figure BDA0002974519600000151
Figure BDA0002974519600000152
Figure BDA0002974519600000153
由NSGA-II求得了27个解：
表10模型求解
Figure BDA0002974519600000154
Figure BDA0002974519600000161
表11去掉重复结果后的最终配对
序号 配对结果 f1 f2 总满意度
1 {A4,B1},{A1,B2},{A2,B3},{A3,B4} 3.156 2.637 5.793
2 {A4,B1},{A1,B2},{A2,B4},{A3,B6} 3.06 2.71 5.77
3 {A1,B2},{A2,B3},{A3,B4},{A4,B5} 2.498 2.742 5.24
4 {A4,B1},{A1,B2},{A3,B4},{A2,B5} 3.4 2.452 5.852
5 {A1,B2},{A2,B4},{A4,B5},{A3,B6} 2.402 2.815 5.217
基于稳定度的Pareto解集择优录取
通过以上计算，我们最终通过NSGA-II算法得到了五个最终配对结果，按照总满意度来说，{A4,B1},{A1,B2},{A3,B4},{A2,B5}是满意度最高的配对，但是在双边匹配问题中匹配的稳定性也是需要考虑的重要因素，匹配的稳定性反映了匹配双方的个体对双边匹配机制产生的匹配关系的整体接受程度。若匹配关系中存在不稳定的匹配对，则存在个体不接受双边匹配产生的匹配关系，匹配关系中存在的不稳定匹配对越多，则匹配关系的整体被接受程度越低。
根据满意度矩阵，可以得到A和B的偏好矩阵：
Figure BDA0002974519600000162
Figure BDA0002974519600000163
对于匹配结果1，A2的最优匹配个体为B5，此时，B5尚未匹配，因此将{A2,B3}的匹配对更新为{A2,B5}，同时，满意度上升0.053。同理，在匹配结果2中，将{A2,B4}的匹配对更新为{A2,B5}。对于匹配结果3，A4的最优匹配个体为B1，而B1处于空闲状态，因此直接更新。同时，B5状态变为空闲，此时对于A2来说，B5比B3更优，因此更新为{A2,B5}。对于匹配结果5，A2的最优匹配个体B5被A4占领，而且对于B5而言，A4比A2更优，因此考虑A2的第二偏好B3，在B3空闲的前提下更新为{A2,B3}。此时，以上所有匹配结果都更新为稳定双边匹配，具体更新情况如下表所示:
表12稳定匹配对更新情况
Figure BDA0002974519600000171
可以看出，在仅考虑匹配稳定性的情况下，可以将原始算法得到的结果都调整为稳定匹配关系，但是总体满意度则有升有降。从最终结果可以看出，由算法得出的匹配结果4已经是一个稳定匹配关系，而且在匹配稳定度全部更新以后，满意度仍为最高。因此，最终选择的匹配结果为：{A4,B1},{A1,B2},{A3,B4},{A2,B5}，B3和B6不配对。

Claims (10)

1.一种用于高端装备云制造平台的供需双方双边匹配方法，其特征在于包括以下步骤：
A、得到制造商和供应商分别为对方给出多属性下的犹豫模糊决策矩阵；
B、根据犹豫模糊决策矩阵，采用优化模型计算得到各属性的权重；
C、对于犹豫模糊决策矩阵中各元素属性的犹豫模糊元素，计算出双边匹配满意度，得到满意度矩阵；
D、将满意度矩阵作为多目标优化中目标函数的优化系数，根据稳定匹配关系的定义得出制造商和供应商的稳定匹配对，实现高端装备云制造平台中的合理供需匹配和优化资源调度。
2.根据权利要求1所述的用于高端装备云制造平台的供需双方双边匹配方法，其特征在于：步骤B中，
设匹配主体集合A＝{A1，A2，...，Am}的属性集为X＝(x1，x2，...，xq)，属性的权重向量为W＝(w1，w2，...，wq)T，wi∈[0，1]，
Figure FDA0002974519590000011
设集合A中的第i个匹配主体Ai关于属性X的犹豫模糊集为，
Figure FDA0002974519590000012
其中，
Figure FDA0002974519590000013
i＝1,2,…m；j＝1,2,…,q，表示第i个主体Ai在第j个属性xj下可能的隶属度，由一个犹豫模糊元素hij表示，那么H＝(hij)m×q为犹豫模糊决策矩阵，写为，
Figure FDA0002974519590000014
对于属性xi∈X匹配主体Ai相对于其他所有主体的偏差可以表示为，
Figure FDA0002974519590000015
Figure FDA0002974519590000016
表示犹豫模糊元素hij和hkj之间的距离，设
Figure FDA0002974519590000017
dj表示对于属性xi∈X，所有方案相对于其他方案的偏差值；
构建一个用于确定权重向量w的非线性规划模型，使得所有属性的偏差值最大化，该模型如下，
Figure FDA0002974519590000021
该模型求解得出，
Figure FDA0002974519590000022
再将wj(j＝1，2，…，q)标准化，使其和为1，可得下式，
Figure FDA0002974519590000023
则匹配主体集合A的属性权重为
Figure FDA0002974519590000024
3.根据权利要求2所述的用于高端装备云制造平台的供需双方双边匹配方法，其特征在于：步骤B中，
有多个决策者对匹配主体的各属性进行评估时，在得到每一个决策者得出的属性权重后，需要得到最终的匹配主体集合A的属性平均权重，
设决策者集合为B＝{B1，B2，...，Bn}，按照以上计算过程，设每个决策者Bλ(λ＝1，2，...，n)在自己的评估矩阵中得到的属性权重为
Figure FDA0002974519590000025
对于属性xj∈X，每个决策者Bλ(λ＝1，2，...，n)得到关于该属性的权重为
Figure FDA0002974519590000026
则属性xj的最终平均权重
Figure FDA0002974519590000027
为，
Figure FDA0002974519590000028
4.根据权利要求3所述的用于高端装备云制造平台的供需双方双边匹配方法，其特征在于：步骤C中，
设对于匹配个体Bj(j＝1，2，…，n)，其属性为X＝(x1，x2，...，xq)，对应的属性权重为W＝(w1，w2，...，wq)T，由匹配集合A中的个体Ai(i＝1，2，…，m)对其属性xk进行评估，各属性下的评估值分别为犹豫模糊元素hk(k＝1，2，...，q)，利用广义犹豫模糊加权平均算子得出个体Ai对个体Bj综合所有属性值后的综合评价
Figure FDA0002974519590000031
为，
Figure FDA0002974519590000032
Figure FDA0002974519590000033
为犹豫模糊元素，该犹豫模糊元素的满意度为，
Figure FDA0002974519590000034
5.根据权利要求4所述的用于高端装备云制造平台的供需双方双边匹配方法，其特征在于：步骤C中，
采用犹豫模糊元素的偏差度
Figure FDA0002974519590000035
来代替犹豫模糊元素的平均绝对误差，采用偏差度来表示决策者的分歧程度，分歧越小，则该匹配个体的整体满意度越高，s(h)表示平均评估值，该值越大，则表示对该个体的满意度越高；
匹配主体集合A对B的满意度矩阵表示为，
Figure FDA0002974519590000036
匹配主体集合B对A的满意度矩阵表示为，
Figure FDA0002974519590000037
6.如权利要求5所述的用于高端装备云制造平台的供需双方双边匹配方法，其特征在于：步骤D中，建立制造商和供应商的稳定匹配对包括以下步骤，
D1、建立双边匹配模型；
D2、对双边匹配模型进行优化。
7.如权利要求6所述的用于高端装备云制造平台的供需双方双边匹配方法，其特征在于：步骤D1中，
xij是0-1变量，当xij＝1时表示甲方匹配个体Ai与乙方匹配个体Bj相匹配，当xij＝0时表示甲方匹配个体Ai与乙方匹配个体Bj不能形成配对；
Figure FDA0002974519590000041
其中，目标函数Z1表示甲方匹配主体集合A对乙方匹配主体集合B的满意度总和，目标函数Z2表示乙方匹配主体集合B对甲方匹配主体集合A的满意度总和。
8.如权利要求7所述的用于高端装备云制造平台的供需双方双边匹配方法，其特征在于：步骤D2中，使用快速非支配排序算法将父代种群跟子代种群进行合并，使下一代的种群从双倍的空间中进行选取，保留了最为优秀的所有个体；通过拥挤度比较和精英选择策略，保证优良的种群个体在进化过程中不会被丢弃，使准Pareto域中的个体能均匀地扩展到整个Pareto域；具体包括，
种群初始化；
对种群中的个体进行非支配排序；
通过选择、交叉和变异生成子代种群；
父代种群和子代种群合并，进行非支配排序，并依据拥挤度和精英选择策略选出新的种群；
重复对种群中的个体进行非支配排序，直至到达最大种群代数。
9.如权利要求8所述的用于高端装备云制造平台的供需双方双边匹配方法，其特征在于：快速非支配排序算法包括以下步骤，
找到种群中所有np＝0的个体，并保存在当前集合F1中；
对于当前集合F1中的每个个体i，其所支配的个体集合为Si，遍历Si中的每个个体1，执行nl＝nl-1，如果nl＝0则将个体l保存在集合H中；
记F1中得到的个体为第一个非支配层的个体，并为F1中每个个体标记相同的非支配序列irank；
以H作为当前集合，重复上述步骤，直到整个种群被分级。
10.如权利要求9所述的用于高端装备云制造平台的供需双方双边匹配方法，其特征在于：
在产生新群体时，通常将优秀且聚集密度比较小的个体保留并参与下一代进化，聚集密度小的个体其拥挤度反而大，个体的拥挤度可以通过计算与其相邻的两个个体在每个子目标上的距离差之和来求取；
保留父代优良个体直接进入子代,以防止Pareto前沿的解丢失，即将父代种群和子代种群合并，然后统一进行非支配排序，进行择优选择。
CN202110271255.1A 2021-03-12 2021-03-12 一种用于高端装备云制造平台的供需双方双边匹配方法 Pending CN112862217A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110271255.1A CN112862217A (zh) 2021-03-12 2021-03-12 一种用于高端装备云制造平台的供需双方双边匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110271255.1A CN112862217A (zh) 2021-03-12 2021-03-12 一种用于高端装备云制造平台的供需双方双边匹配方法

Publications (1)

Publication Number Publication Date
CN112862217A true CN112862217A (zh) 2021-05-28

Family

ID=75994357

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110271255.1A Pending CN112862217A (zh) 2021-03-12 2021-03-12 一种用于高端装备云制造平台的供需双方双边匹配方法

Country Status (1)

Country Link
CN (1) CN112862217A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113433909A (zh) * 2021-06-28 2021-09-24 成都飞机工业（集团）有限责任公司 一种面向航空产业集群的制造过程管控系统架构
CN113469565A (zh) * 2021-07-21 2021-10-01 中国人民解放军国防科技大学 能力不可代偿机制下多功能装备方案选择方法及相关设备
CN115328870A (zh) * 2022-10-17 2022-11-11 工业云制造(四川)创新中心有限公司 一种面向云制造的数据共享方法及系统
CN115660787A (zh) * 2022-11-11 2023-01-31 山东紫菜云数字科技有限公司 一种实现供需一体化的自动供需精准匹配方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113433909A (zh) * 2021-06-28 2021-09-24 成都飞机工业（集团）有限责任公司 一种面向航空产业集群的制造过程管控系统架构
CN113469565A (zh) * 2021-07-21 2021-10-01 中国人民解放军国防科技大学 能力不可代偿机制下多功能装备方案选择方法及相关设备
CN113469565B (zh) * 2021-07-21 2023-08-22 中国人民解放军国防科技大学 能力不可代偿机制下多功能装备方案选择方法及相关设备
CN115328870A (zh) * 2022-10-17 2022-11-11 工业云制造(四川)创新中心有限公司 一种面向云制造的数据共享方法及系统
CN115328870B (zh) * 2022-10-17 2022-12-20 工业云制造(四川)创新中心有限公司 一种面向云制造的数据共享方法及系统
CN115660787A (zh) * 2022-11-11 2023-01-31 山东紫菜云数字科技有限公司 一种实现供需一体化的自动供需精准匹配方法

Similar Documents

Publication Publication Date Title
CN112862217A (zh) 一种用于高端装备云制造平台的供需双方双边匹配方法
CN113191484B (zh) 基于深度强化学习的联邦学习客户端智能选取方法及系统
Herrera et al. Fuzzy connectives based crossover operators to model genetic algorithms population diversity
Bas et al. A modified genetic algorithm for forecasting fuzzy time series
Liu et al. Many-objective job-shop scheduling: A multiple populations for multiple objectives-based genetic algorithm approach
CN107197006B (zh) 基于全局QoS分解的多约束服务选取方法及其装置
Fischer et al. A genetic-algorithms based evolutionary computational neural network for modelling spatial interaction dataNeural network for modelling spatial interaction data
CN111178487B (zh) 电力优化调度方法、装置、计算机设备和存储介质
CN112001506B (zh) 一种装备自主保障的供应链成本优化方法
CN110059887A (zh) 基于自适应遗传算法的bp神经网络风险识别方法及系统
CN111222665A (zh) 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法
Zhao et al. A novel fused optimization algorithm of genetic algorithm and ant colony optimization
CN111203887A (zh) 一种基于nsga-ii模糊逻辑推理的机器人控制系统优化方法
Bai et al. A manufacturing task scheduling method based on public goods game on cloud manufacturing model
Guan et al. Machining scheme selection of digital manufacturing based on genetic algorithm and AHP
CN107180286A (zh) 基于改进型花粉算法的制造服务供应链优化方法及系统
CN117151482A (zh) 一种基于多目标优化的应急物资调度和路径规划方法
Zhao et al. Building innovative service composition based on two-way selection in cloud manufacturing environment
CN109447231B (zh) 蚁群算法求解共享经济背景下多属性双边匹配问题的方法
CN115438842A (zh) 一种基于自适应改进蜉蝣和bp神经网络的负荷预测方法
Yao et al. A novel tournament selection based on multilayer cultural characteristics in gene-culture coevolutionary multitasking
Fölling et al. Decentralized grid scheduling with evolutionary fuzzy systems
Zhang et al. Fuzzy cognitive map approach for trust-based partner selection in virtual enterprise
Sasaki et al. An interactive genetic algorithm for portfolio optimization considering the decision maker’s preference
CN113033100B (zh) 一种基于混合教学优化算法的云制造服务组合方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination