馬仁杰，陳 軍，郭 鋼+

(1.重慶大學 汽車工程學院，重慶 400044；2.后勤工程學院 軍事供油工程系，重慶 400000)

0 引言

隨著21世紀第四次工業(yè)革命的到來，制造業(yè)得到了高度重視，我國也提出了“中國制造2025”發(fā)展計劃。云制造利用云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)等先進技術將制造資源和能力虛擬化，構建制造服務云平臺，實現(xiàn)統(tǒng)一智能化管理[1]。在制造資源集聚后，云制造環(huán)境中存在多樣化服務，而根據(jù)客戶需求為客戶精準匹配與推薦云制造服務極為重要。

目前，國內(nèi)外學者已經(jīng)對云制造服務的匹配推薦展開了大量研究。李慧芳等[2]考慮了服務的類別、狀態(tài)、功能信息和服務質(zhì)量(Quality of Service, QoS)，基于概念相似度對服務進行了綜合匹配；杜易洲等[3]著眼于需求描述方面，采用資源描述框架對制造需求和服務進行表述；AL-FAIFI等[4]提出一種混合多準則決策方法,從智能數(shù)據(jù)中評估和排序云服務提供商；XUE等[5]提出一種基于計算實驗的評價框架來驗證服務匹配策略性能；SIMEONE等[6]同時針對多個服務方和需求方，用深度神經(jīng)網(wǎng)絡為客戶提供決策推薦；文獻[7-9]則均運用了遺傳算法進行服務優(yōu)選。

上述研究均為云制造服務匹配推薦方法提供了參考，由于云制造服務的多樣性、屬性值的波動性以及需求方的個性化需求，總體的匹配呈現(xiàn)出不確定性，目前常用模糊模型處理該類不確定性問題。文獻[10]采用基于直覺模糊集的綜合加權方法；文獻[11]采用雙重猶豫模糊集進行制造商和供應商雙邊匹配；文獻[12]構建了模糊層次分析法和加權總和乘積評估的綜合決策模型來評價云服務；文獻[13]在粗糙集理論中引入了用戶后悔理論；文獻[14-16]均采用區(qū)間數(shù)模型和遺傳算法進行服務匹配選擇；文獻[17]和文獻[18]都基于灰色關聯(lián)分析對服務進行綜合評價并選擇。

在匹配推薦階段，上述方法都可以在QoS方面提供決策支持，但少有文獻能結(jié)合客戶的實際需求與實際服務屬性值的不確定性形成綜合模型。

本文構建了綜合的云制造服務匹配推薦模型，依次對服務資源類型、服務資源描述、服務資源QoS進行匹配，其中，QoS匹配考慮了屬性的不確定性和需求方偏好，采用了區(qū)間數(shù)和灰色關聯(lián)度的方法，最后，本文考慮了用戶反饋，形成了匹配閉環(huán)。

1 云制造服務模式

1.1 云制造服務平臺運行模式

云制造服務和需求的匹配依賴于云服務平臺，該平臺聚合了各類需求和服務，包含服務方、需求方、運營方3種角色。需求方在平臺上發(fā)布需求或檢索服務，服務方在平臺上提供服務，運營方負責平臺運營，最終實現(xiàn)在云服務平臺上需求方和服務方完成服務資源匹配、選擇評價、談判交易、支付結(jié)算等制造資源全過程服務活動。

1.2 云制造信息資源管理模式

在云制造服務平臺中，需要對用戶信息及各項資源進行管理，以便將信息形式化描述后進行匹配推薦。如圖1所示為云制造信息資源管理模式，首先利用分詞處理器、同義詞字典、語義本體結(jié)構樹等工具進行需求解析，利用Web服務資源框架(Web Service Resource Framework, WSRF)對資源進行標準化、松耦合、高透明的封裝并集成，進而形成需求云和制造云[19]。然后通過映射管理工具將需求云映射到相關度最大的制造云內(nèi)，從而匹配相應制造資源。

2 云制造服務資源匹配模型

封裝后的云制造服務資源有各種屬性信息，反映了不同云制造服務的不同特征，為了滿足需求方的個性化需求，需要對各類信息進行匹配推薦，基于區(qū)間和灰色關聯(lián)度的云制造服務資源綜合匹配推薦模型如圖2所示。

定義服務方提供的服務資源是一個四元組S=(Sbasic,Stype,Sdescribe,SQoS)，分別代表提供服務資源的基本信息(如名稱、地址等)、類型(如設備、物料、人力等)、描述信息、服務質(zhì)量(如時間、價格、信譽度等)。類似地，定義需求方的需求是一個四元組D=(Dbasic,Dtype,Ddescribe,DQoS)。具體匹配過程為分別對服務資源類型、描述信息、QoS信息計算相似度Simt、Simd、Simq，每一步需要濾除相似度低的服務，并采用上一步過濾后的剩余服務集合作為輸入進行計算，最終用加權方法計算綜合相似度Sim(D,S)，并做出排序推薦。

3 云制造服務資源匹配算法

3.1 服務資源類型匹配

首先根據(jù)需求解析情況，按照資本資源、物料資源、設備資源、技術資源、人力資源、軟件資源、物流資源、用戶信息資源進行分類，具體細分參考文獻[19]。服務本體中概念有5種關系，如圖3所示。

可以利用這5種關系對服務資源類型進行匹配，由此可計算服務資源類型匹配相似度Simt：

Simt=

(1)

當Dtype和Stype為Mismatch關系時，該服務不能滿足需求方的需求，因此，在該步驟將該類匹配即Simt=0的服務濾除，并將剩余服務交由下一步的服務資源描述匹配。

3.2 服務資源描述匹配

服務資源描述匹配是對需求名稱、具體描述等的匹配，在此之前，需要對需求和服務這類自然語言信息進行解析，通常是對信息進行分詞處理得到關鍵詞后，再進行語義或關鍵詞的匹配，如文獻[20]通過構建檢索關鍵詞規(guī)范化模塊、分詞處理器提取分詞、同義詞字典規(guī)范化關鍵詞對自然語言信息進行解析。常用的分詞方法有基于詞典的分詞方法、基于統(tǒng)計的分詞方法、基于理解的分詞方法、詞典與統(tǒng)計相結(jié)合的分詞方法[21]?；谠~典的分詞方法如正向最大匹配算法、逆向最大匹配算法、N-最短路徑分詞法等具有分詞速度快、效率高、容易實現(xiàn)的優(yōu)點；基于統(tǒng)計的分詞方法如N元語言模型、互現(xiàn)信息模型等具有分詞更準確的優(yōu)點，因此可根據(jù)實際需求選取方法或?qū)⒍哌M行結(jié)合[21]。解析完成后，本文參考文獻[2]的語義概念相似度匹配方法對解析后的形式化表達關鍵詞進行匹配，其思想是利用本體結(jié)構樹將語義距離轉(zhuǎn)化為概念相似度，進而計算出描述匹配相似度Simd。限于篇幅，本文不再贅述相關計算過程。

對集合Ddescribe內(nèi)的每一個元素，依次計算其與Sdescribe內(nèi)的每一個對應概念元素的語義概念相似度，并取最大相似度Simmax，若本體結(jié)構樹中存在對應概念元素且Simmax=0，則濾除該服務，如此遍歷Ddescribe內(nèi)的每一個元素，則服務資源描述匹配相似度

(2)

再濾除Simd小于設定值的服務，將過濾后剩余的服務交由下一步的QoS匹配。

3.3 服務資源QoS匹配

服務資源QoS匹配實質(zhì)上是多屬性決策過程，QoS屬性有多種，屬性值量綱不一且存在波動，區(qū)間數(shù)通過用區(qū)間表示數(shù)，展現(xiàn)一個閉區(qū)間上所有實數(shù)集合，因此可以用區(qū)間數(shù)來體現(xiàn)屬性值的波動不確定性，從而使屬性信息更真實。此外，傳統(tǒng)的逼近理想解排序法(TOPSIS)和歐氏距離的應用僅能反映數(shù)據(jù)曲線的位置關系，但不能反映數(shù)據(jù)序列的態(tài)勢變化，因此可以引入灰色關聯(lián)分析方法，以數(shù)據(jù)序列的幾何相似度即數(shù)據(jù)曲線相似度來衡量序列之間的關聯(lián)度，如果方案與理想方案的灰色關聯(lián)度越大，就可認為方案越接近理想方案[22]。此時，若引入需求方主觀偏好代替理想方案，匹配結(jié)果將更貼近用戶的真實需求偏好。因此本文采用基于區(qū)間數(shù)和灰色關聯(lián)度的決策方法，考慮了屬性值波動情況和需求方偏好，使匹配結(jié)果最大程度地反映真實情況。

步驟1構建QoS客觀偏好矩陣。

(3)

該矩陣可以看作是基于服務方QoS屬性值的客觀偏好矩陣，反映了客觀情況下的QoS情況。

步驟2對客觀偏好矩陣規(guī)范化。

對于效益型屬性：

i=1,2,…,p;j=1,2,…,q。

(4)

對于成本型屬性：

i=1,2,…,p;j=1,2,…,q。

(5)

步驟3構建QoS主觀偏好矩陣。

(6)

步驟4建立灰色關聯(lián)系數(shù)矩陣。

灰色關聯(lián)系數(shù)計算如下：

(7)

步驟5建立優(yōu)化模型并求解權重。

第i個服務的QoS匹配相似度計算模型如下：

(8)

考慮到應使Simq盡可能大，即灰色關聯(lián)度盡可能大，由此可建立多目標規(guī)劃模型：

(9)

由于各服務方案公平競爭，不存在任何偏好關系，可將多目標優(yōu)化模型轉(zhuǎn)化成單目標優(yōu)化模型：

(10)

解上述單目標優(yōu)化模型，可以得到不同QoS的權重ωj。

步驟6計算QoS匹配相似度。

將步驟5得到的所有權重ωj代入式(8)，求得每個服務加權后的灰色關聯(lián)度，即QoS匹配相似度Simq。濾除小于設定值的服務，再將過濾后剩余的服務交由下一步的服務資源匹配綜合相似度計算。

3.4 服務資源匹配綜合相似度計算

計算得到服務資源類型匹配相似度Simt、描述匹配相似度Simd、QoS匹配相似度Simq后，需要根據(jù)式(11)計算服務資源匹配綜合相似度Sim(D,S)：

Sim(D,S)=α×Simt+β×Simd+γ×Simq。

(11)

式中α、β、γ為綜合匹配的權重系數(shù)，需滿足α+β+γ=1，且α≥0，β≥0，γ≥0。

綜上，根據(jù)求出的剩余服務的綜合匹配相似度Sim(D,S)大小，對服務進行降序排序，并將排序后的服務輸出給需求方，作為服務推薦。

3.5 用戶反饋調(diào)整

用戶反饋是需求與服務匹配推薦環(huán)節(jié)中閉環(huán)控制重要的一環(huán)，在本文匹配推薦方法的QoS方面，根據(jù)調(diào)整內(nèi)容可分為主觀QoS反饋和客觀QoS反饋。

(1)主觀QoS反饋

主觀QoS反饋是指在需求方得到推薦結(jié)果且未選擇所需服務時，對排序結(jié)果的進一步反饋調(diào)整優(yōu)化。若需求方對排序結(jié)果不滿，可通過調(diào)整3.3節(jié)中步驟3的QoS主觀偏好矩陣或?qū)獧嘀刂匦聝?yōu)化排序。此外，需求方也可以對推薦后得到的服務某一QoS值降序排序，從而進一步優(yōu)化排序結(jié)果。

(2)客觀QoS反饋

客觀QoS反饋是指需求方已經(jīng)選擇了目標云制造服務且服務使用完成后需求方提供的反饋，體現(xiàn)了用戶對服務的滿意度，主要是對服務客觀QoS值的反饋調(diào)整。設對于某一服務的某個可評價客觀QoS共有t個需求方做出評價反饋，分別對應客觀QoS反饋值FBQoS1,FBQoS2,…,FBQoSt，則此時該服務的該項Qos值應更新為：

(12)

由此通過主觀和客觀QoS反饋機制對服務QoS實行閉環(huán)實時調(diào)整，同時考慮需求方的滿意度，使其具有時效性。

4 算例驗證

為了說明該云制造服務匹配推薦算法模型的合理性和有效性，以發(fā)動機相關的2 000個云制造服務為例進行驗證。

假設需求方的需求是一個三元組，即D=({Dtype：成品}，{Ddescribe：活塞銷，低碳鋼，數(shù)量，硬度，表面粗糙度}，{DQoS：時間，價格，魯棒性，信譽度})，設需求方對不同QoS的權重集合W={[0.2,0.3] [0.2,0.3] [0.2,0.3] [0.2,0.3]}，需求方對類型、描述、QoS匹配的權重分別為α=0.3,β=0.4,γ=0.3，為便于比較，此處假設需求方的主觀偏好矩陣為Y=[[1.0,1.0] [1.0,1.0] [1.0,1.0] [1.0,1.0]]。

設服務方提供的服務有2 000個，部分信息如表1所示。

表1 服務方所提供服務的屬性信息

步驟1服務資源類型匹配。

根據(jù)圖3和式(1)計算服務類型匹配相似度Simt，由于Dtype為成品，與Stype的成品為Exact關系，與物料資源為Plugin關系，故Simt=1；而成品與原材料、輔助用品、半成品均為Mismatch關系，故Simt=0。然后濾除計算結(jié)果為0的服務，并將剩余的881個服務組成的服務集合作為步驟2描述匹配的初始服務集合。

步驟2服務資源描述匹配。

本文參考文獻[1]給出的發(fā)動機本體結(jié)構樹，根據(jù)文獻[2]的方法計算得到發(fā)動機語義概念相似度，如表2所示。同理可得材料信息語義概念相似度，數(shù)量、硬度和表面粗糙度則采用布爾值進行計算。

表2 發(fā)動機語義概念相似度相關數(shù)據(jù)

最終由式(2)計算得到Simd，假設描述匹配相似度設定值為0.6，濾除小于0.6的服務，并將剩余的201個服務組成的服務集合作為下一步QoS匹配的初始服務集合。

步驟3服務資源QoS匹配。

對201個服務的QoS屬性按照3.3節(jié)的步驟計算QoS匹配相似度，最終求得單目標優(yōu)化模型的權重為ω1=0.2,ω2=0.2,ω3=0.3,ω4=0.3，并得到服務的Simq值。設QoS匹配相似度設定值為0.6，濾除小于0.6的服務，并將剩余的62個服務組成的服務集合作為下一步綜合相似度計算的初始服務集合。

步驟4服務資源匹配綜合相似度計算。

根據(jù)式(11)計算綜合相似度，計算得到上述62個服務的綜合相似度，如表3所示。對該62個服務進行降序排序后得到返回的服務資源集合為{S1 030,S388,S120,S1 899,S1 761,S1 930,S1 591,S992,…,S752,S1 325,S1 418}，并將該集合作為輸出推薦給需求方。

表3 綜合相似度計算結(jié)果

表4 不同算法服務匹配推薦結(jié)果比較

通常情況下，查準率越高，查全率就越低，文獻[2]由于并未對QoS匹配結(jié)果進行篩選，導致其所得服務較多，故其查全率較高，而實際情況下其查全率和查準率會更低。文獻[1]由于采用了聚類的方法，容易將一些顧客能接受的處于聚類邊緣的服務誤分類，導致其查全率和查準率較差。因此，綜合比較來看，實際情況下本文匹配方法的查全率和查準率相對較高。

云制造環(huán)境下的服務數(shù)量存在變化，因此，本文還分析了不同服務數(shù)量情況下的查準率和查全率，并與文獻[1]和文獻[2]進行了對比，結(jié)果如圖4和圖5所示。

可以看出，在不同服務數(shù)量情況下，本文匹配方法的查準率普遍高于文獻[1]和文獻[2]的方法，查全率和文獻[2]差別不大，但優(yōu)于文獻[1]。此外，文獻[1]的波動較大，而本文隨著服務數(shù)量的增加，查準率和查全率趨于平穩(wěn)，更符合云制造情況下的海量數(shù)據(jù)情形。

此外，用戶可以根據(jù)自身需求選擇主觀偏好矩陣Y和權重，并進行QoS反饋調(diào)整，從而避免篩選得到某些用虛假信息或非正常價格產(chǎn)品博人眼球的服務，因此，本文匹配方法允許需求方通過設定區(qū)間喜好濾除這類某一方面過于極端化的服務，使需求方更好地選擇綜合最優(yōu)的服務。

綜上所述，本文基于區(qū)間和灰色關聯(lián)度的云制造服務資源綜合匹配推薦方法有效，且相對其他文獻查全率和查準率得到了改善。此外，區(qū)間數(shù)表示更能彰顯實際情況的不確定性，引入的需求方主觀偏好能使推薦結(jié)果符合需求方真實需求，以達到選擇綜合最優(yōu)的目的。

5 結(jié)束語

本文考慮了實際情況下云制造服務需求方的個性化需求和服務屬性值的不確定性，介紹了云制造服務模式和匹配推薦模型，提出了一種基于區(qū)間和灰色關聯(lián)度的云制造服務資源綜合匹配推薦方法。該方法總體上分為服務資源類型匹配、描述匹配、QoS匹配、綜合相似度計算、用戶反饋調(diào)整5個步驟。其中，服務資源類型、描述、QoS匹配步驟需要對服務進行過濾，濾除不滿足設定值的服務，并將剩余服務交由下一步驟。最后，通過算例驗證說明了本文算法的有效性，并通過對比實驗顯示了本文算法準確率高、穩(wěn)定性好，且能反映實際情況下需求方的個性化需求，同時考慮了服務屬性值的波動不確定性和匹配的閉環(huán)控制。本文之后的工作首先將在QoS評價指標中開展，著重研究QoS指標的選??；然后再對QoS匹配算法進行深入研究，考慮在QoS匹配中引入三角模糊數(shù)或隸屬度函數(shù)，以求改進現(xiàn)有算法；最后考慮將整個云制造服務資源匹配算法應用到實際的云制造服務平臺中，探討其在實際應用中的可行性與實用性。