基于區(qū)間和灰色關(guān)聯(lián)度的云制造服務(wù)匹配方法

馬仁杰，陳 軍，郭 鋼+

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

0 引言

隨著21世紀(jì)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(jì)劃。云制造利用云計(jì)算、大數(shù)據(jù)、物聯(lián)網(wǎng)等先進(jìn)技術(shù)將制造資源和能力虛擬化，構(gòu)建制造服務(wù)云平臺，實(shí)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(wù)，而根據(jù)客戶需求為客戶精準(zhǔn)匹配與推薦云制造服務(wù)極為重要。

目前，國內(nèi)外學(xué)者已經(jīng)對云制造服務(wù)的匹配推薦展開了大量研究。李慧芳等[2]考慮了服務(wù)的類別、狀態(tài)、功能信息和服務(wù)質(zhì)量(Quality of Service, QoS)，基于概念相似度對服務(wù)進(jìn)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(wù)進(jìn)行表述；AL-FAIFI等[4]提出一種混合多準(zhǔn)則決策方法,從智能數(shù)據(jù)中評估和排序云服務(wù)提供商；XUE等[5]提出一種基于計(jì)算實(shí)驗(yàn)的評價(jià)框架來驗(yàn)證服務(wù)匹配策略性能；SIMEONE等[6]同時(shí)針對多個(gè)服務(wù)方和需求方，用深度神經(jīng)網(wǎng)絡(luò)為客戶提供決策推薦；文獻(xiàn)[7-9]則均運(yùn)用了遺傳算法進(jìn)行服務(wù)優(yōu)選。

上述研究均為云制造服務(wù)匹配推薦方法提供了參考，由于云制造服務(wù)的多樣性、屬性值的波動(dòng)性以及需求方的個(gè)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(xiàn)[10]采用基于直覺模糊集的綜合加權(quán)方法；文獻(xiàn)[11]采用雙重猶豫模糊集進(jìn)行制造商和供應(yīng)商雙邊匹配；文獻(xiàn)[12]構(gòu)建了模糊層次分析法和加權(quán)總和乘積評估的綜合決策模型來評價(jià)云服務(wù)；文獻(xiàn)[13]在粗糙集理論中引入了用戶后悔理論；文獻(xiàn)[14-16]均采用區(qū)間數(shù)模型和遺傳算法進(jìn)行服務(wù)匹配選擇；文獻(xiàn)[17]和文獻(xiàn)[18]都基于灰色關(guān)聯(lián)分析對服務(wù)進(jìn)行綜合評價(jià)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(xiàn)能結(jié)合客戶的實(shí)際需求與實(shí)際服務(wù)屬性值的不確定性形成綜合模型。

本文構(gòu)建了綜合的云制造服務(wù)匹配推薦模型，依次對服務(wù)資源類型、服務(wù)資源描述、服務(wù)資源QoS進(jìn)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(guān)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(wù)模式

1.1 云制造服務(wù)平臺運(yùn)行模式

云制造服務(wù)和需求的匹配依賴于云服務(wù)平臺，該平臺聚合了各類需求和服務(wù)，包含服務(wù)方、需求方、運(yùn)營方3種角色。需求方在平臺上發(fā)布需求或檢索服務(wù)，服務(wù)方在平臺上提供服務(wù)，運(yùn)營方負(fù)責(zé)平臺運(yùn)營，最終實(shí)現(xiàn)在云服務(wù)平臺上需求方和服務(wù)方完成服務(wù)資源匹配、選擇評價(jià)、談判交易、支付結(jié)算等制造資源全過程服務(wù)活動(dòng)。

1.2 云制造信息資源管理模式

在云制造服務(wù)平臺中，需要對用戶信息及各項(xiàng)資源進(jìn)行管理，以便將信息形式化描述后進(jìn)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(gòu)樹等工具進(jìn)行需求解析，利用Web服務(wù)資源框架(Web Service Resource Framework, WSRF)對資源進(jìn)行標(biāo)準(zhǔn)化、松耦合、高透明的封裝并集成，進(jìn)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(guān)度最大的制造云內(nèi)，從而匹配相應(yīng)制造資源。

2 云制造服務(wù)資源匹配模型

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

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

3 云制造服務(wù)資源匹配算法

3.1 服務(wù)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(shè)備資源、技術(shù)資源、人力資源、軟件資源、物流資源、用戶信息資源進(jìn)行分類，具體細(xì)分參考文獻(xiàn)[19]。服務(wù)本體中概念有5種關(guān)系，如圖3所示。

可以利用這5種關(guān)系對服務(wù)資源類型進(jìn)行匹配，由此可計(jì)算服務(wù)資源類型匹配相似度Simt：

Simt=

(1)

當(dāng)Dtype和Stype為Mismatch關(guān)系時(shí)，該服務(wù)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(wù)濾除，并將剩余服務(wù)交由下一步的服務(wù)資源描述匹配。

3.2 服務(wù)資源描述匹配

服務(wù)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(wù)這類自然語言信息進(jìn)行解析，通常是對信息進(jìn)行分詞處理得到關(guān)鍵詞后，再進(jìn)行語義或關(guān)鍵詞的匹配，如文獻(xiàn)[20]通過構(gòu)建檢索關(guān)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(guān)鍵詞對自然語言信息進(jìn)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(jì)的分詞方法、基于理解的分詞方法、詞典與統(tǒng)計(jì)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(shí)現(xiàn)的優(yōu)點(diǎn)；基于統(tǒng)計(jì)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(zhǔn)確的優(yōu)點(diǎn)，因此可根據(jù)實(shí)際需求選取方法或?qū)⒍哌M(jìn)行結(jié)合[21]。解析完成后，本文參考文獻(xiàn)[2]的語義概念相似度匹配方法對解析后的形式化表達(dá)關(guān)鍵詞進(jìn)行匹配，其思想是利用本體結(jié)構(gòu)樹將語義距離轉(zhuǎn)化為概念相似度，進(jìn)而計(jì)算出描述匹配相似度Simd。限于篇幅，本文不再贅述相關(guān)計(jì)算過程。

對集合Ddescribe內(nèi)的每一個(gè)元素，依次計(jì)算其與Sdescribe內(nèi)的每一個(gè)對應(yīng)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(gòu)樹中存在對應(yīng)概念元素且Simmax=0，則濾除該服務(wù)，如此遍歷Ddescribe內(nèi)的每一個(gè)元素，則服務(wù)資源描述匹配相似度

(2)

再濾除Simd小于設(shè)定值的服務(wù)，將過濾后剩余的服務(wù)交由下一步的QoS匹配。

3.3 服務(wù)資源QoS匹配

服務(wù)資源QoS匹配實(shí)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(dòng)，區(qū)間數(shù)通過用區(qū)間表示數(shù)，展現(xiàn)一個(gè)閉區(qū)間上所有實(shí)數(shù)集合，因此可以用區(qū)間數(shù)來體現(xiàn)屬性值的波動(dòng)不確定性，從而使屬性信息更真實(shí)。此外，傳統(tǒng)的逼近理想解排序法(TOPSIS)和歐氏距離的應(yīng)用僅能反映數(shù)據(jù)曲線的位置關(guān)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(guān)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(guān)聯(lián)度，如果方案與理想方案的灰色關(guān)聯(lián)度越大，就可認(rèn)為方案越接近理想方案[22]。此時(shí)，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(shí)需求偏好。因此本文采用基于區(qū)間數(shù)和灰色關(guān)聯(lián)度的決策方法，考慮了屬性值波動(dòng)情況和需求方偏好，使匹配結(jié)果最大程度地反映真實(shí)情況。

步驟1構(gòu)建QoS客觀偏好矩陣。

(3)

該矩陣可以看作是基于服務(wù)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(gòu)建QoS主觀偏好矩陣。

(6)

步驟4建立灰色關(guān)聯(lián)系數(shù)矩陣。

灰色關(guān)聯(lián)系數(shù)計(jì)算如下：

(7)

步驟5建立優(yōu)化模型并求解權(quán)重。

第i個(gè)服務(wù)的QoS匹配相似度計(jì)算模型如下：

(8)

考慮到應(yīng)使Simq盡可能大，即灰色關(guān)聯(lián)度盡可能大，由此可建立多目標(biāo)規(guī)劃模型：

(9)

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

(10)

解上述單目標(biāo)優(yōu)化模型，可以得到不同QoS的權(quán)重ωj。

步驟6計(jì)算QoS匹配相似度。

將步驟5得到的所有權(quán)重ωj代入式(8)，求得每個(gè)服務(wù)加權(quán)后的灰色關(guān)聯(lián)度，即QoS匹配相似度Simq。濾除小于設(shè)定值的服務(wù)，再將過濾后剩余的服務(wù)交由下一步的服務(wù)資源匹配綜合相似度計(jì)算。

3.4 服務(wù)資源匹配綜合相似度計(jì)算

計(jì)算得到服務(wù)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(jì)算服務(wù)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(quán)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(wù)的綜合匹配相似度Sim(D,S)大小，對服務(wù)進(jìn)行降序排序，并將排序后的服務(wù)輸出給需求方，作為服務(wù)推薦。

3.5 用戶反饋調(diào)整

用戶反饋是需求與服務(wù)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(wù)時(shí)，對排序結(jié)果的進(jìn)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)?yīng)權(quán)重重新優(yōu)化排序。此外，需求方也可以對推薦后得到的服務(wù)某一QoS值降序排序，從而進(jìn)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(biāo)云制造服務(wù)且服務(wù)使用完成后需求方提供的反饋，體現(xiàn)了用戶對服務(wù)的滿意度，主要是對服務(wù)客觀QoS值的反饋調(diào)整。設(shè)對于某一服務(wù)的某個(gè)可評價(jià)客觀QoS共有t個(gè)需求方做出評價(jià)反饋，分別對應(yīng)客觀QoS反饋值FBQoS1,FBQoS2,…,FBQoSt，則此時(shí)該服務(wù)的該項(xiàng)Qos值應(yīng)更新為：

(12)

由此通過主觀和客觀QoS反饋機(jī)制對服務(wù)QoS實(shí)行閉環(huán)實(shí)時(shí)調(diào)整，同時(shí)考慮需求方的滿意度，使其具有時(shí)效性。

4 算例驗(yàn)證

為了說明該云制造服務(wù)匹配推薦算法模型的合理性和有效性，以發(fā)動(dòng)機(jī)相關(guān)的2 000個(gè)云制造服務(wù)為例進(jìn)行驗(yàn)證。

假設(shè)需求方的需求是一個(gè)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(shí)間，價(jià)格，魯棒性，信譽(yù)度})，設(shè)需求方對不同QoS的權(quán)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(quán)重分別為α=0.3,β=0.4,γ=0.3，為便于比較，此處假設(shè)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(shè)服務(wù)方提供的服務(wù)有2 000個(gè)，部分信息如表1所示。

表1 服務(wù)方所提供服務(wù)的屬性信息

步驟1服務(wù)資源類型匹配。

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

步驟2服務(wù)資源描述匹配。

本文參考文獻(xiàn)[1]給出的發(fā)動(dòng)機(jī)本體結(jié)構(gòu)樹，根據(jù)文獻(xiàn)[2]的方法計(jì)算得到發(fā)動(dòng)機(jī)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(jìn)行計(jì)算。

表2 發(fā)動(dòng)機(jī)語義概念相似度相關(guān)數(shù)據(jù)

最終由式(2)計(jì)算得到Simd，假設(shè)描述匹配相似度設(shè)定值為0.6，濾除小于0.6的服務(wù)，并將剩余的201個(gè)服務(wù)組成的服務(wù)集合作為下一步QoS匹配的初始服務(wù)集合。

步驟3服務(wù)資源QoS匹配。

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

步驟4服務(wù)資源匹配綜合相似度計(jì)算。

根據(jù)式(11)計(jì)算綜合相似度，計(jì)算得到上述62個(gè)服務(wù)的綜合相似度，如表3所示。對該62個(gè)服務(wù)進(jìn)行降序排序后得到返回的服務(wù)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(jì)算結(jié)果

表4 不同算法服務(wù)匹配推薦結(jié)果比較

通常情況下，查準(zhǔn)率越高，查全率就越低，文獻(xiàn)[2]由于并未對QoS匹配結(jié)果進(jìn)行篩選，導(dǎo)致其所得服務(wù)較多，故其查全率較高，而實(shí)際情況下其查全率和查準(zhǔn)率會更低。文獻(xiàn)[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(wù)誤分類，導(dǎo)致其查全率和查準(zhǔn)率較差。因此，綜合比較來看，實(shí)際情況下本文匹配方法的查全率和查準(zhǔn)率相對較高。

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

可以看出，在不同服務(wù)數(shù)量情況下，本文匹配方法的查準(zhǔn)率普遍高于文獻(xiàn)[1]和文獻(xiàn)[2]的方法，查全率和文獻(xiàn)[2]差別不大，但優(yōu)于文獻(xiàn)[1]。此外，文獻(xiàn)[1]的波動(dòng)較大，而本文隨著服務(wù)數(shù)量的增加，查準(zhǔn)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(quán)重，并進(jìn)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(jià)格產(chǎn)品博人眼球的服務(wù)，因此，本文匹配方法允許需求方通過設(shè)定區(qū)間喜好濾除這類某一方面過于極端化的服務(wù)，使需求方更好地選擇綜合最優(yōu)的服務(wù)。

綜上所述，本文基于區(qū)間和灰色關(guān)聯(lián)度的云制造服務(wù)資源綜合匹配推薦方法有效，且相對其他文獻(xiàn)查全率和查準(zhǔn)率得到了改善。此外，區(qū)間數(shù)表示更能彰顯實(shí)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(shí)需求，以達(dá)到選擇綜合最優(yōu)的目的。

5 結(jié)束語

本文考慮了實(shí)際情況下云制造服務(wù)需求方的個(gè)性化需求和服務(wù)屬性值的不確定性，介紹了云制造服務(wù)模式和匹配推薦模型，提出了一種基于區(qū)間和灰色關(guān)聯(lián)度的云制造服務(wù)資源綜合匹配推薦方法。該方法總體上分為服務(wù)資源類型匹配、描述匹配、QoS匹配、綜合相似度計(jì)算、用戶反饋調(diào)整5個(gè)步驟。其中，服務(wù)資源類型、描述、QoS匹配步驟需要對服務(wù)進(jìn)行過濾，濾除不滿足設(shè)定值的服務(wù)，并將剩余服務(wù)交由下一步驟。最后，通過算例驗(yàn)證說明了本文算法的有效性，并通過對比實(shí)驗(yàn)顯示了本文算法準(zhǔn)確率高、穩(wěn)定性好，且能反映實(shí)際情況下需求方的個(gè)性化需求，同時(shí)考慮了服務(wù)屬性值的波動(dòng)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(jià)指標(biāo)中開展，著重研究QoS指標(biāo)的選??；然后再對QoS匹配算法進(jìn)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(jìn)現(xiàn)有算法；最后考慮將整個(gè)云制造服務(wù)資源匹配算法應(yīng)用到實(shí)際的云制造服務(wù)平臺中，探討其在實(shí)際應(yīng)用中的可行性與實(shí)用性。