劉勝輝 張星 張淑麗 馬超

摘 要：針對制造執(zhí)行系統(tǒng)間調(diào)度算法資源共享度不高，并且難以高效地從候選調(diào)度算法資源中選擇合適的求解算法進行調(diào)度排產(chǎn)的問題，研究了云制造環(huán)境下的作業(yè)車間調(diào)度算法資源云服務化方法。首先基于OWL-S（ontology web language for services）建立調(diào)度算法資源的本體數(shù)據(jù)模型以及發(fā)布規(guī)范，然后為了提高算法服務請求者滿意度和算法資源提供者經(jīng)濟收益，提出了基于加權(quán)多維特征融合的量化匹配與推薦方法。最后，通過搭建原型系統(tǒng)，并利用哈電機的歷史數(shù)據(jù)進行仿真實驗。結(jié)果表明，所提出的數(shù)據(jù)模型和推薦算法能夠有效的提升調(diào)度算法資源的共享程度和選擇速度。

關鍵詞：

云制造；算法；作業(yè)計劃與調(diào)度；本體；語義

DOI：10.159

38/j.jhust.2018.03.001

中圖分類號： TP301

文獻標志碼： A

文章編號： 1007-2683（2018）03-0001-08

Servitization of Job Shop Scheduling Algorithms

LIU Sheng-hui， ZHANG Xing， ZHANG Shu-li， MA Chao

（School of Software， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：The scheduling algorithm resources are not yet fully shared betwwen manufacturing execution system， and it is difficult to efficiently select the appropriate scheduling algorithm for scheduling problem from the candidate scheduling resources. To resolve this issue， the servitization of job shop scheduling algorithm resource in cloud manufacturing was studied. Firstly， an OWL-S-based ontology data model and publication specification of scheduling algorithm resource was given， and then a quantitative matching and recommending method based on weighted multidimensional feature fusion was presented， in order to improve the satisfaction of algorithm service requesters and the economic benefits of algorithm resource providers. Finally， through building a prototype system and using the historical data of Harbin Electrical Machinery Plant as a verification case， the results proved that the data model and recommend algorithm can effectively promote the sharing degree and selection speed of scheduling resources.

Keywords：cloud manufacturing； algorithm； Job Shop Scheduling； ontology； semantics

0 引 言

作業(yè)車間調(diào)度是制造執(zhí)行系統(tǒng)（manufacturing execution system， MES）的核心功能之一，其是車間能否在期望的時間內(nèi)合理利用有限的制造資源完成相應的加工任務的關鍵，因此，及時準確地作業(yè)車間調(diào)度對車間生產(chǎn)系統(tǒng)的高效運行有著重要地影響。

當前的制造執(zhí)行系統(tǒng)多處于獨立、封閉的環(huán)境，不同制造執(zhí)行系統(tǒng)之間的調(diào)度算法資源尚不能進行充分共享，制約了車間生產(chǎn)效率的提升。并且，現(xiàn)實生產(chǎn)中，作業(yè)車間調(diào)度是一個復雜的問題，在不同環(huán)境下調(diào)度問題的模型（目標函數(shù)與約束）和求解方法[1-2]也不盡相同。針對不同的問題模型，如何高效地從眾多的調(diào)度算法中選擇合適的求解算法，也是一直困擾著制造企業(yè)的決策者。

云制造[3-4]的核心思想就是充分利用現(xiàn)在的制造資源，進行優(yōu)化配置，實現(xiàn)資源的共享與協(xié)作。因此，針對上述問題，本文研究如何將作業(yè)車間調(diào)度算法這一特殊的軟制造資源進行服務化封裝[5-9]，構(gòu)建作業(yè)車間調(diào)度算法資源云服務池，提高其資源利用率，實現(xiàn)算法資源的增值增效；同時，給出在算法資源云服務平臺中作業(yè)車間調(diào)度算法的語義匹配方法[10-14]和算法資源使用的評價模型，以便支持算法資源服務請求者獲得適宜的作業(yè)車間調(diào)度算法。

1 作業(yè)車間調(diào)度算法資源共享過程

1.1 計劃與調(diào)度算法資源的標準化接入

計劃與調(diào)度算法資源屬于制造軟資源中的軟件類資源，同時計劃與調(diào)度算法具有與云服務使用者交互性不高的特點，因此適用于采取基于遠程調(diào)用的方式來實現(xiàn)算法資源的接入。具體的說，可采用Web Service技術(shù)實現(xiàn)算法資源的標準化的互聯(lián)網(wǎng)接入：利用SOAP（simple object access protocol）描述算法資源輸入和輸出消息的格式，利用WSDL（web services description language）描述如何訪問云服務提供者的算法資源接口，利用UDDI（universal description discovery and integration）來管理、分發(fā)及查詢封裝成Web Service的計劃與調(diào)度算法資源。

1.2 計劃與調(diào)度算法資源的優(yōu)化管理

計劃與調(diào)度算法資源的優(yōu)化管理，主要任務是針對不同的算法資源請求，找到最適合的算法資源進行處理。它分為兩個階段：根據(jù)用戶請求信息，通過檢索匹配，找到資源服務池中滿足需求的候選算法服務集；根據(jù)歷史評價信息，對候選服務集中的算法資源進行優(yōu)化選擇。

1.3 計劃與調(diào)度算法資源的運行與監(jiān)控

計劃與調(diào)度算法資源的運行與監(jiān)控的主要任務是，把算法資源請求者的數(shù)據(jù)發(fā)送給計劃與調(diào)度算法資源的優(yōu)化管理階段最終選擇的調(diào)度算法，進行處理；處理完畢后，把調(diào)度結(jié)果返回給算法資源請求者，并且對算法資源請求者和算法資源提供者的評價信息進行收集，從而對算法資源的優(yōu)化選擇進行支撐。

2 基于本體的算法資源服務語義描述

2.1 算法資源的服務本體

以往的資源虛擬化和服務化方法，是針對所有的制造資源和制造能力的共性進行研究，而調(diào)度算法資源是制造資源中的軟資源，具有自己特性。本文針對軟資源的特點，結(jié)合OWL-S研究調(diào)度算法資源的服務化，算法資源標準化的接入采用Web Service技術(shù)。在Web Service技術(shù)中的WSDL對服務的屬性描述缺乏進一步的支持，但為了滿足對生產(chǎn)計劃與調(diào)度算法資源的智能管理及用戶的個性化需求，必須對算法資源服務的語義進行充分描述。因此，首先需要基于OWL-S給出算法資源的服務本體。

定義1 任一算法資源服務定義為一個AR_Service本體，其本體模型為：

AR_Service=

其中，AR_ServiceProfile描述算法資源服務的領域知識。服務提供者和使用者可以通過AR_ServiceProfile來描述算法資源服務的基本、功能、性能與狀態(tài)等方面的信息。服務發(fā)現(xiàn)模型通過服務供需雙方在AR_ServiceProfile上的雙向聲明信息來實現(xiàn)服務智能匹配，幫助服務使用者獲得滿足需求的AR_Service。

AR_ServiceModel描述算法資源服務實現(xiàn)的內(nèi)部流程，即具體實現(xiàn)細節(jié)。由于一個生產(chǎn)計劃與調(diào)度算法的執(zhí)行過程具有原子性，因此每個AR_ServiceModel都是一個可以被直接調(diào)用的不可再分的原子過程，其需要綁定AR_ServiceGrounding信息。

AR_ServiceGrounding描述如何獲得算法資源服務，具體包括服務提供者的訪問地址、通信協(xié)議、輸入與輸出的定義等信息。

2.2 算法資源的領域本體

算法資源的領域本體可以描述成為：

AR_ServiceProfile =

其中，基本屬性BP（BasicProperty）包括算法編碼、算法名稱、算法簡介、算法類型、算法提供者等信息。

功能屬性FP（FunctionProperty）包括算法功能簡述、算法約束條件、算法功能的輸入、算法功能的輸出等信息。

性能屬性PP（PerformanceProperty）包括算法的求解能力、收斂性和求解精度等信息。

狀態(tài)屬性SP（StatusProperty）包括算法的當前狀態(tài)、當前狀態(tài)開始時間、負荷狀態(tài)等信息。其中，算法當前狀態(tài)的取值范圍為{可用，更新中、已下線}。

評價屬性EP（EvaluationPorperty）包括算法的功能評價、性能評價、服務QoS（Quality of Service）評價、信譽評價等信息。

應用屬性AP（ApplicationProperty）包括算法的應用方式和付費方式。

3 算法資源云服務的優(yōu)化管理

算法資源云服務的優(yōu)化管理功能主要是指對算法云平臺中的算法資源服務池中的算法服務進行優(yōu)化管理，其目標是為消費者發(fā)布的調(diào)度任務找到最優(yōu)化的算法服務來完成它。要實現(xiàn)這一目標，就需要經(jīng)歷兩個階段的處理工作：基于語義的算法服務檢索與匹配，從語義層面找到一組與調(diào)度任務相匹配的算法服務，即可選算法服務集；基于評價指數(shù)的算法優(yōu)化選擇，以評價指數(shù)作為衡量標準，從可選服務集中選擇最優(yōu)化的算法服務。

3.1 基于語義的算法服務檢索與匹配

以往的匹配方法都是面向所有的Web服務的檢索與匹配，沒有考慮到車間調(diào)度算法云服務的特殊性。由于調(diào)度算法云服務是一個很明確的領域，并且不涉及到服務的組合，因而檢索的計算量會降低很多。并且請求者和提供者使用的是統(tǒng)一的本體，可以很大程度上提高匹配的精度。

基于語義的算法服務檢索與匹配旨在根據(jù)用戶對算法服務的需求描述，利用各類服務匹配算法，從算法云服務平臺中篩選出最符合用戶需求的算法云服務。算法云服務請求中，有的需求是必須嚴格滿足的，稱為硬性需求；有些需求是可以盡量滿足的，稱為軟性需求。算法云服務與算法云服務需求的匹配度可用如下公式表示：

MD（R，P）=（

SymboleC@w*MDS（R，P））*

SymbolPA@（MDH（R，P））（1）

式中：R代表算法云服務請求；P代表算法云服務；MD（R，P）代表算法云服務的匹配度；MDS（R，P）代表算法云服務對算法云服務請求的軟性需求的匹配度，它的值域為[0，1]；w為該項需求的權(quán)重；MDH（R，P）表示算法云服務對算法云服務請求硬性需求的匹配度，它的值域為0，1。

根據(jù)式（1）可以將算法云服務的匹配分為兩個階段：硬性需求匹配階段和軟性需求匹配階段。由于硬性需求的匹配函數(shù)的值域為0，1，所以可以通過硬性需求匹配淘汰掉不滿足需求的算法云服務，并且所有滿足硬性需求的算法云服務的匹配度的值等于軟性需求的匹配度的值。硬性需求的匹配包括狀態(tài)屬性匹配、應用屬性匹配、基本屬性匹配和功能屬性匹配；軟性需求匹配包括性能屬性匹配。針對算法云服務的不同屬性，需采用多種匹配度的計算方法。為此，首先要構(gòu)建針對算法云服務的各個屬性的匹配模型：

定義2 一個算法云服務的功能屬性可以表示為四元組

F=

其中：Dcrp（Description）表示算法云服務的功能描述，Cstr（Constraint）表示算法云服務的約束，Input為算法云服務執(zhí)行所需要輸入的信息組成的參數(shù)集合；Output表示算法云服務執(zhí)行后所產(chǎn)生的輸出信息組成的參數(shù)集合。為實現(xiàn)基于語義的匹配，Dcrp、Cstr、Input和Output的參數(shù)均引用領域本體中的概念。

定義3 算法云服務功能屬性匹配程度指算法云服務功能屬性滿足算法云服務請求功能需求的程度，設算法云服務功能需求為：

RF=

算法云服務功能屬性為：

PF=

w1，w2，w3和w4分別為Dcrp，Cstr，Input和Output 4個屬性在匹配過程中所占的權(quán)重，并且w1+w2+w3+w4=1則算法云服務功能屬性匹配程度FMD（Function Macth Degree）可表示為

FMD（R，P）=

w1*dcrp_md（RDcrp，PDcrp）

+w2*cstr_md（RCstr，PCstr）

+w3*input_md（RInput，PInpuit）

+w4*output_md（ROutput，POutput）（2）

定義4 一個算法云服務的性能屬性可以表示為三元組

P=

其中：Ability表示算法云服務的求解能力，即該算法云服務處理多大規(guī)模的問題時，性能最穩(wěn)定；Cvgc （Convergence） 表示算法云服務的收斂性，用算法的運行時間來衡量；Precs（Precision）表示算法云服務處理特定問題所得調(diào)度結(jié)果與該問題的最優(yōu)解之間的偏差大小。

定義5 算法云服務性能匹配程度指算法云服務的性能屬性滿足算法云服務請求性能需求的程度，設算法云服務性能需求為：

RP=

算法云服務性能屬性為：

PP=

δ1，δ2和δ3分別為Ability，Cvgc和Precs三個屬性在匹配過程中所占的權(quán)重，并且δ1+δ2+δ3= 1，則綜合匹配程度PMD（performance macth degree）可表示為

PMD（R，P）=

δ1*ability_md（RAbility，PAbility）

+δ2*cvgc_md（RCvgc，PCvgc）

+δ3*precs_md（RPrecs，PPrecs）（3）

在匹配開始之前，需要使用服務解析器對標準的算法云服務請求本體進行解析，從中解析出用戶的需求信息。

1）硬性需求匹配階段

（a）狀態(tài)屬性匹配。對那些當前狀態(tài)為更新中、已下線，或者負荷狀態(tài)為滿負荷、超負荷的算法云服務進行過濾。

（b）應用屬性匹配。在進行應用屬性匹配之前，首先檢查解析出的用戶需求是否對這個屬性有要求，如果沒有，則跳過這個階段；如果有，則對應用方式和付款方式與算法云服務請求不符的算法云服務進行過濾。

（c）基本屬性匹配。在進行基本屬性匹配之前，首先檢查解析出的用戶需求是否對這個屬性有要求，如果沒有，則跳過這個階段；如果有，則對算法類型和算法編碼等與算法云服務請求不符的算法云服務進行過濾。

（d）功能屬性匹配。功能屬性匹配又分為功能描述匹配、約束條件匹配、輸入與輸出參數(shù)匹配和功能屬性綜合匹配4部分的匹配：

①功能描述匹配。

對解析出的功能需求，通過中文分詞，提取關鍵字，然后依據(jù)算法資源的領域本體，與本體中定義的概念進行映射，組成功能描述向量。同樣的，把算法云服務資源池中的算法云服務的功能描述信息進行映射，組成功能向量。然后，將功能需求中的每一個項與算法云服務的項逐一進行匹配，并取匹配程度最高的項，作為功能項匹配對。最后，功能描述的匹配度，取需求功能描述向量各個項的平均值。

②約束條件匹配。

在進行求約束條件匹配前，首先檢查解析出的用戶需求中是否對這部分有要求，如果沒有，則所有算法云服務的這部分的匹配度都為1，否則對解析出的約束條件需求中的每一條約束信息，利用語義推理工具進行語義推理，計算它和算法云服務的所有約束信息進行匹配，并把匹配程度最大的作為該條的匹配程度，記錄對應的約束條件對。最后，選取約束條件匹配對中，匹配度最小的作為該項的最終匹配度。

③輸入、輸出參數(shù)匹配。

首先，對輸入、輸出參數(shù)的參數(shù)個數(shù)進行匹配。假設算法云服務請求R有IR個輸入?yún)?shù)，OR個輸出參數(shù)；算法云服務P有IP個輸入?yún)?shù)，OP個輸出參數(shù)。當IR < IP或者 OR > OP時，則算法云服務P不能滿足R的需求。

然后，對算法云服務請求R的第一個輸出參數(shù)，計算它和算法云服務P的所有輸出的匹配程度，并把匹配程度最大的作為該項的匹配度，記錄對應的輸出參數(shù)對。如果該匹配度大于預設的參數(shù)匹配度閾值，則按照相同的方法，計算其余OR-1個參數(shù)的匹配程度；否則，算法云服務P不能滿足R的需求。同理，對R的輸入?yún)?shù)進行匹配。最后，選取輸入、輸出參數(shù)各項中匹配程度最低的作為該項的最終匹配程度。

④功能屬性綜合匹配。根據(jù)各屬性的匹配程度和其所占權(quán)重，計算算法云服務與算法云服務請求最終的匹配程度，根據(jù)預設的匹配度閾值，過濾匹配度過低的算法云服務。

2）軟性需求匹配階段

（a）性能屬性匹配。性能屬性匹配又分為求解能力匹配、收斂性匹配和求解精度匹配3個部分的匹配：

①求解能力匹配。

求解能力指的是該算法云服務在處理多大規(guī)模的問題時，穩(wěn)定性最好，它是一個區(qū)間，為了能夠進行定量的分析，我們用這個區(qū)間的中心點進行表示。在進行求解能力匹配前，首先檢查解析出的用戶需求中是否對這個性能有要求，如果沒有，則所有算法云服務的這部分的匹配度都為1，否則按照如下公式進行計算其求解能力匹配度。

ability_md（R，P）=11+logPAbilityRAbility（4）

式（4）中：ability_md（R，P）表示算法云服務求解能力的匹配度；R表示算法云服務請求；P表示算法云服務；RAbility表示算法云服務的求解能力需求；PAbility表示算法云服務的求解能力。

②收斂性匹配。

收斂性指的是算法云服務在進行處理特定規(guī)模的問題時，進入穩(wěn)定期的速度，由于大多數(shù)的算法都把處理結(jié)果進入穩(wěn)定期作為算法的結(jié)束條件，所里這里用算法的運行時間表示算法的收斂性。在進行收斂性的匹配前，首先檢查解析出的用戶需求是否對這個性能有要求，如果沒有，則所有算法云服務的這部分的匹配度為1。如果有，則看用戶是否對算法的求解能力有要求，如果有，則用算法之前根據(jù)指定測試用例測得的收斂性中問題規(guī)模與求解能力的值最相近的，根據(jù)如下公式計算其收斂性匹配度；如果沒有，則用預先選定的問題規(guī)模的收斂性，根據(jù)如下公式計算其收斂性匹配度。

cvgc_md（R，P）=1-|RCvgc-PCvgc|RCvgc（5）

式中：cvgc_md（R，P）表示算法云服務的收斂性匹配度；R表示算法云服務請求；P表示算法云服務；RCvgc表示算法云服務請求的收斂性需求；PCvgc表示算法云服務的收斂性。

③求解精度匹配。

求解精度指的是算法云服務求得的結(jié)果與最優(yōu)解之間的差異，用該規(guī)模問題的最優(yōu)解的生產(chǎn)周期與算法求得的解的生產(chǎn)周期的比進行表示。在進行求解精度的匹配之前，首先檢查解析出的算法云服務需求中是否對這部分性能有要求，如果沒有，則所有算法云服務的這部分匹配度都為1。如果有，則看用戶是否對算法的求解能力有要求，如果有，則用算法之前根據(jù)指定測試用例測得的求解精度中問題規(guī)模與求解能力的值最相近的，根據(jù)式（6）計算其收斂性匹配度；如果沒有，則用預先選定的問題規(guī)模的求解精度，根據(jù)式（6）計算其求解精度匹配度。

precs_md（R，P）=1，RPrecs>PPrecs

PPrecsRPrecs，others（6）

式中：precs_md（R，P）表示算法云服務求解精度匹配度；R表示算法云服務請求；P表示算法云服務；RPrecs表示算法云服務請求的求解精度需求；PPrecs表示算法云服務的求解精度。

④性能屬性綜合匹配。

根據(jù)各屬性的匹配程度和其所占權(quán)重，計算算法云服務與算法云服務請求最終的性能屬性匹配程度。

由于硬性需求的匹配函數(shù)的值域為0，1，所以所有滿足硬性需求的算法云服務的匹配度的值等于軟性需求的匹配度的值。即候選算法云服務集中的算法云服務的性能屬性的綜合匹配度等于最終的算法云服務匹配度。根據(jù)這個值對算法云服務進行排序，然后，選取預設數(shù)量的算法云服務進入基于評價指數(shù)的算法服務優(yōu)化選擇。

3.2 基于評價指數(shù)的算法服務優(yōu)化選擇

實現(xiàn)基于評價指數(shù)的算法服務優(yōu)化選擇的關鍵是算法服務綜合評價指數(shù)的綜合計算，此處采用的是主觀與客觀相結(jié)合、定性與定量相結(jié)合的綜合評估模式。為此，首先需要構(gòu)建算法服務綜合評價指數(shù)的評價指標體系。該評價指標體系是一個三層模型，頂層是目標層，即綜合評估的目標是獲取評價指數(shù)的取值；中間層是準則層，包括算法功能、算法性能、服務QoS[15-17]、信譽4個評價維度；底層是指標層，針對不同的維度，分別對應不同的指標。如圖2所示，算法功能準則一般包含功能完備性、功能充分性等指標。算法性能準則一般包括算法的求解能力、算法的計算時間、算法的求解精度等指標。服務QoS準則一般包括算法服務的響應時間、算法服務的可見性、算法服務的友好性、算法服務的可靠性、算法服務的安全性、算法服務的可用性等指標。信譽準則一般包括算法本身的信譽度、算法提供者的信譽度等指標。

針對上述評價指標，它們的取值來自多個方面：有的評價指標取值是來自于云平臺本身，例如，算法服務的計算時間（平均CPU時間）、算法服務的響應時間、算法服務的可靠性（訪問成功次數(shù)與總訪問次數(shù)之比）等；有的評價指標取值來自于算法服務的提供者，提供者采用領域內(nèi)公認的算法測試用例給出算法性能類指標的取值，例如，算法的求解能力、求解精度；此外，其它評價指標均來自算法服務的消費者，消費者在通過云平臺使用算法服務的過程中產(chǎn)生的對算法服務在功能、服務QoS以及信譽方面的感受。

最后，結(jié)合了消費者、提供商和算法云平臺三方面的評價信息，并采用的是主觀與客觀相結(jié)合、定性與定量相結(jié)合的綜合評估模式，使得評估的結(jié)果的可靠性更強。從可實現(xiàn)性角度考慮，具體的評價方法選擇層次分析法AHP（analytic hierarchy process）[18-19]。基于上述內(nèi)容，云平臺的運營者就可以計算可選服務集中多個算法服務的評價指數(shù)，然后依據(jù)它們的取值進行排序，最終選取最優(yōu)的算法服務完成調(diào)度任務。

4 實例驗證

為了驗證本文提出的算法云服務本體及其匹配模型的可行性和有效性，本文結(jié)合算法云服務平臺的原型平臺，對以上方法進行了實例驗證。首先，將來自于MES系統(tǒng)的算法云服務發(fā)布到原型平臺，然后以平臺中6個功能相似的算法云服務作為考察對象，應用本文提出的基于語義的匹配方法，依次與各個算法云服務進行匹配，并對匹配的結(jié)果進行排序和篩選。最后，采用本文提出的基于評價指數(shù)的優(yōu)化選擇方法，選取最優(yōu)的算法服務完成調(diào)度任務。

表1為來自MES的算法云服務請求的需求信息。表2為算法云服務平臺中的云服務，這些云服務在云平臺中用OWL—S文檔進行描述，并且注冊到UDDI注冊中心，方便進行服務匹配。

匹配過程如下：

1）硬性需求匹配：

①進行狀態(tài)屬性匹配，五個候選算法云服務中，算法云服務2的當前狀態(tài)為更新中，將它從候選服務集中剔除。

②進行應用屬性匹配，候選服務集中的五個的應用屬性都滿足需求，進行下一步匹配。

③進行基本屬性匹配，由于算法云服務請求并未對這部分屬性進行限制，跳過本部分的匹配，進行下一步匹配。

④進行功能屬性匹配，為了計算方便，取w1=w2=w3=w4=0.25。我們采用文[20]中的方法對概念間的匹配度進行定量計算，然后根據(jù)由式（2）建立的功能屬性匹配度計算模型計算各個算法云服務的功能屬性匹配度。計算結(jié)果如表3所示。

其中算法云服務4由于輸入?yún)?shù)的個數(shù)比算法云服務請求的輸入?yún)?shù)多，不滿足需求，從候選云服務集中剔除。假設預設功能匹配度的閾值為0.97，則算法云服務6的匹配度低于閾值，從候選服務集中剔除。

2）軟性需求匹配

進行性能匹配度匹配，為了方便計算取δ1=0.4，δ2=δ3=0.3。我們根據(jù)式（3）、式（4）、式（5）和式（6）提出的建立的性能屬性匹配度計算模型計算各個算法云服務的性能匹配度。計算結(jié)果如表4所示。由于所有滿足硬性需求的算法云服務的匹配度的值等于軟性需求的匹配度的值，所以表4中的性能屬性的匹配度就是最終的算法云服務的匹配度。假設預設選取2個算法云服務進行基于評價指數(shù)的算法服務優(yōu)化選擇，則對算法云服務的匹配度進行排序后，算法云服務5的匹配度最低，從候選服務集中剔除。

然后根據(jù)層次分析法AHP計算這2個算法服務的評價指數(shù)，經(jīng)計算算法云服務1的評價指數(shù)為0.674，算法云服務3的評價指數(shù)為0.753，所以選擇算法云服務3對算法云服務請求進行處理。

5 結(jié) 語

高效地使用高質(zhì)量的作業(yè)調(diào)度算法是制造企業(yè)生產(chǎn)實現(xiàn)高效率、高柔性和高可靠性的關鍵，因此，對作業(yè)調(diào)度算法的服務化封裝進行研究，從而構(gòu)建作業(yè)調(diào)度算法資源云服務平臺具有重大的現(xiàn)實和理論意義。本文結(jié)合云制造理論，基于OWL-S的本體描述語言，對調(diào)度算法資源的虛擬化和服務化封裝進行了研究，構(gòu)建了調(diào)度算法資源服務本體，該本體可以有效的對調(diào)度算法資源進行封裝。接著，設計了算法云服務與算法云服務請求的多階段匹配模型，并給出了量化方法，使得每個算法云服務請求都能匹配到適合它的候選算法云服務集。之后，又給出了基于評價的多層次的算法資源優(yōu)化選擇方案，使得用戶可以根據(jù)其他用戶對候選算法云服務集中的算法進行優(yōu)化選擇，從中找到最適合自身需求的算法云服務。最后，通過搭建算法云服務平臺的原型系統(tǒng)，并采用哈爾濱電機廠的車間實際生產(chǎn)數(shù)據(jù)，對本文提出的模型進行了實例驗證。試驗結(jié)果證明，本文提出的模型具有準確性和可行性，可以有效的解決現(xiàn)今制造執(zhí)行系統(tǒng)的調(diào)度算法資源不能充分共享的問題。

參 考 文 獻：

[1] 劉勝輝， 張淑麗， 滕春賢. 考慮不確定因素的單件小批作業(yè)計劃與調(diào)度動態(tài)算法[J].哈爾濱工程大學學報， 2011， 32（4）： 471-475.

[2] 張宏國， 王彥俊. Pareto多目標模糊調(diào)度算法研究[J]. 哈爾濱理工大學學報， 2013， 18（5）： 47-51.

[3] 李伯虎， 張霖， 任磊， 等. 云制造典型特征、關鍵技術(shù)與應用[J]. 計算機集成制造系統(tǒng)， 2012， 18（7）： 1345-1356.

[4] 李伯虎， 張霖， 任磊， 等. 云制造典型特征、關鍵技術(shù)與應用[J]. 計算機集成制造系統(tǒng)， 2012， 18（7）： 1345-1356.

[5] 張霖， 羅永亮， 陶飛，等. 制造云構(gòu)建關鍵技術(shù)研究[J]. 計算機集成制造系統(tǒng)， 2010， 16（11）：2510-2520.

[6] 曹嘯博， 許承東， 胡春生， 云制造環(huán)境中的虛擬制造單元[J]. 計算機集成制造系統(tǒng)， 2012，18（7）：1415-1425.

[7] 鄭鎂， 羅磊， 江平寧. 基于語義Web的云設計服務平臺及關鍵技術(shù)[J]. 計算機集成制造系統(tǒng)， 2012， 18（7）：1426-1434.

[8] 周競濤， 楊海成. 基于同態(tài)映射的制造資源虛擬化機制[J]. 計算機輔助設計與圖形學學報， 2014， 26（9）：1528-1535.

[9] 張映鋒， 張耿， 楊騰， 等. 云制造加工設備服務化封裝與云端化接入方法[J]. 計算機集成制造系統(tǒng)， 2014， 20（8）：2029-2037.

[10]尹超， 夏卿， 黎振武. 基于OWL-S的云制造服務語義匹配方法[J]. 計算機集成制造系統(tǒng)， 2012， 18（7）： 1494-1502.

[11]趙文棟， 陶曉臻， 彭來獻， 等. 一種基于功能語義的Web服務描述及預檢索方法[J]. 計算機科學， 2013， 40（11）： 222-227.

[12]馬森， 趙文， 袁崇義， 等. 基于規(guī)則推理的語義檢索若干關鍵技術(shù)研究[J]. 電子學報， 2013， 41（5）：977-981.

[13]吳根斌， 丁振凡. 基于語義Web的搜索引擎研究[J]. 計算機與現(xiàn)代化， 2012， （8）： 128-133.

[14]牟帥， 黃映輝， 李冠宇. 基于中文分詞的OWL-S/UDDI語義Web服務檢索模型[J]. 計算機工程與設計， 2009， 30（3）： 705-708.

[15]TAO Fei， ZHAO Dong-ming， ZHANG Lin. Resource Service Optimal-selection Based on Intuitionistic Fuzzy Set and Non-functionality QoS in Manufacturing Grid System[J]. Knowledge and Information Systems， 2010，25（1）：185-208.

[16]甘佳， 段桂江. 云制造服務信任評估技術(shù)[J]. 計算機集成制造系統(tǒng)， 2012， 18（7）：1527-1535.

[17]李永湘， 姚錫凡， 徐川， 等. 基于擴展進程代數(shù)的云制造服務組合建模與QoS評價[J]. 計算機集成制造系統(tǒng)， 2014，20（3）：689-700.

[18]李惠林， 殷國富， 謝慶生， 等. 面向網(wǎng)絡化制造的制造資源組合評價方法研究[J].計算機集成制造系統(tǒng)， 2008，14（5）：955-961.

[19]陳衛(wèi)衛(wèi)， 李濤， 李志剛， 等. 基于模糊層次分析法的云服務評估方法[J]. 解放軍理工大學學報（自然科學版）， 2016，17（1）：25-30.

[20]李慧芳， 董訓， 宋長剛. 制造云服務智能搜索與匹配方法[J]. 計算機集成制造系統(tǒng)，2012，18（7）：1485-1493.