面向集群式供应链的企业服务组合方法

薛 霄，刘志中，黄必清

（1.河南理工大学 计算机科学与技术学院，河南 焦作 454000；2.清华大学 国家CIMS工程技术研究中心，北京 100084）

1 问题的提出

在严峻的竞争环境中，市场需求剧烈波动，中小企业依靠自身的力量和资源难以应对，往往处于被动适应的状态［1］。“集群式供应链”作为一种新型企业协作模式，能够将范围经济和规模经济有机融合起来，既能通过实施不同的协同模式帮助企业应对快速多变的市场需求，又不必维持过高的产能导致自身的成本增加［2-3］。如图1所示，集群式供应链的协同模式主要分为两种：

（1）纵向协同 单个供应链中上下游企业间的合作，按照产品生产的顺序阶段集成企业之间的资源和信息，形成能够完成某一市场需求的特定服务组合。

（2）横向协同 不同供应链中处于相同环节的企业进行协作，根据市场需求来集成能够提供相同资源的企业服务，既可以帮助中小企业获得规模优势，也为满足市场需求提供了更多的候选服务选择。

需要注意的是，纵向协同中的一个环节，可能并不是某个具体的企业资源，而是由多个企业横向协同所构成的协作联盟。

为了实现高效的集群式供应链运营，企业协同需要进行无缝的业务集成和便捷的业务部署。随着服务计算技术的普及和推广，企业成员以自身的业务模块为依托，对研发设计、生产加工、物流和实验仿真等业务资源进行Web封装和发布，形成供用户访问调用的Web服务，即企业服务［4］。因为企业的主要目标是向客户提供产品或者服务，所以企业服务除了具有通用服务质量（Quality of Service，QoS）属性（反应时间、可靠性、可用性、信誉度等）之外，还具有一些特定的领域属性［5］，并且根据企业所属行业的不同而有所差异，例如制造服务的领域属性侧重于产品质量、产品价格、加工速度和加工能力等［6］，而物流服务的领域属性则侧重于运输能力、运输价格和运输时间等［7］。进一步以企业间的协作模式为基础，企业服务可以通过Web服务组合的方式快速方便地构造复杂业务应用，以实现企业之间资源的共享与整合，满足用户日益增长的复杂业务需求［8-10］。企业服务组合方案的选择，不但要考虑企业服务的通用QoS属性，而且需要强调其领域QoS属性。

目前的企业服务组合研究主要侧重于两个方面：一类是侧重于从系统角度讨论企业间服务组合的优选方法体系［11-14］和技术支撑［15-17］等；另一类则将服务组合问题转化为最优化问题，侧重于服务组合方案的寻优算法研究，包括数学规划［18-21］、遗传算法［22-24］、蚁群算法［25］和粒子群算法［26］等。就集群式供应链而言，其协作模式是特定而具体的，上述研究并不能很好地解决方案，主要存在以下两个方面的问题：

（1）企业服务的组合模式 在集群式供应链中，企业协作包括纵向协同和横向协同，造成在企业服务的组合路径上，不仅存在节点之间的纵向服务组合，还可能在单个节点上存在横向服务组合。现有的企业服务组合方法一般假定每个节点的候选服务都是单个企业服务，并未考虑企业间的横向协同所形成的虚拟服务，这就造成一些实际可行的服务组合路径可能会被遗漏。

（2）企业服务的组合方法 在实际应用中，集群式供应链需要处理的是一个动态需求序列，同时企业横向协同会大大增加可选服务组合路径的数量，这就对服务组合算法的性能提出了很高的要求。然而，目前的主流服务组合算法大多针对一个需求进行求解，并且求解结果不稳定、搜索时间较长、易于陷入局部最优以及搜索停滞等。为了解决这个问题，本文将社会认知优化算法（Social Cognitive Optimization，SCO）［27］和文化算法（Culture Algo-rithm，CA）［28］相结合，对企业服务领域内的寻优问题做进一步优化。

针对上述问题，本文首先根据集群式供应链中企业横向协同的特点，将虚拟服务作为可选的候选服务，给出了其QoS 属性的计算公式以及相应的QoS评价模型；进一步针对目前服务组合方法寻优能力欠佳这一不足，提出了文化社会认知算法，用于求解包含虚拟服务的企业服务组合问题。

2 基于协同的虚拟服务

2.1 企业服务的QoS聚合计算公式

企业横向协同所形成的虚拟服务，为服务组合路径上的每个节点都增加了可供选择的服务。虚拟服务的选择与普通服务一样，首先需要满足QoS属性的硬约束条件，然后需要与其他服务进行QoS值的比较。只有计算出每个虚拟服务的QoS评价值，才可以将其看作一个实际的候选企业服务来参与服务选择。这里设定虚拟服务是由k个企业服务协同而成，其QoS属性计算方法一般采取如下步骤：首先根据所计算QoS属性值的类型，将k个企业服务的属性值归一化到相同的取值区间内［29］；然后基于标准化之后的QoS属性值，依据公式计算该出虚拟服务的QoS评价值。限于篇幅，这里仅以制造服务为例，给出一些典型的制造服务QoS 属性聚合公式，其他属性可以根据类似的推导得出。

（1）通用QoS属性的计算

1）反应时间属性的计算公式

式中：QoVSWtime表示虚拟服务的反应时间，QoESi，Wtime表示参与横向协作的第i个企业服务的反应时间属性值（1≤i≤k），QoVScolla-time表示个企业之间的协作时间。

2）可用性属性的计算公式

式中：QoVSavailability表示虚拟服务的可用性；QoVS1a，QoVS2a，…，QoVSka分别表示每个企业服务的可用性；X为k个企业协作的可用性系数。

3）可靠性属性的计算公式

式中：QoPreliability表示虚拟服务的可靠性属性，QoPir表示参与横向协作的第i个企业服务的可靠性属性值（1≤i≤k）。

4）信誉度属性的计算公式

式中：QoVSreputation表示虚拟服务的信誉度，QoESi，reputation表示参与横向协作的第i个企业服务的信誉度属性值（1≤i≤k）。

5）满意度属性的计算公式

式中：QoVSSatisfactory表示虚拟企业服务的满意度，QoESi，satisfactory表示参与协作的第i个企业服务的满意度属性值（1≤i≤k）。

（2）领域QoS属性的计算

1）产品价格属性的计算公式

式中：QoPprice表示虚拟服务的产品价格属性；QoPip表示参与横向协作的第i个企业服务的产品价格属性值为第i个企业服务的产品价格质量属性在虚拟服务中所占的权重（1≤i≤k），与该企业的承担的生产任务有关。

2）产品性价比、产品寿命、产品质量等属性的计算公式

式中：QoPl表示虚拟服务的第l个产品维质量属性，QoPil表示参与横向协作的第i个企业服务的第l个产品维质量属性值（1≤i≤k）。

3）最大产能属性的计算公式

式中：QoVSM-capacity表示虚拟服务的产能，QoESi，M-capacity表示参与协作的第i个企业服务的最大产能属性值（1≤i≤k）。

4）完成时间属性的计算公式

式中：QoVSFtime表示虚拟服务的完成时间，QoESi，Ftime表示参与协作的第i个企业服务的完成时间属性值（1≤i≤k），QoVScolla-time表示k个企业之间的协作时间。

2.2 虚拟服务的QoS评价与筛选

在计算出虚拟服务的每个QoS属性值后，可以将其看作一个实际的候选企业服务来参与企业服务组合方案的构建。纵向协同模式下组合服务的QoS计算方式可以概括为求和Σ、求积Π 和最大最小值max／min三类。一般而言，成本型、效益型的QoS属性采用求和方法计算聚合值，如生产成本、产品价格和最大产能等；概率型的QoS属性采用求积方法计算聚合值，如可靠性和可用性等；边界型的QoS属性采用最大值或最小值方法计算聚合值，如产品质量、信誉度、反应时间和完成时间等。表1给出了一些纵向协同模式下企业服务的QoS属性聚合公式，其他QoS属性的聚合公式可以依据指标的类型给出类似的定义。

表1 企业服务纵向协同的QoS属性聚合公式

因为存在大量可用的候选企业服务，以这些候选企业服务为组件可以构建出很多企业服务组合方案，所以需要结合用户的QoS需求对可能的服务组合方案进行评价，并选出满足QoS评价值最优的企业服务组合方案。这里假设企业服务组合的QoS属性已经由2.1节的聚合公式计算得到，然后分别给出企业服务组合的通用QoS评价模型、领域QoS评价模型和综合QoS评价模型。

（1）企业服务组合的通用QoS评价模型

在对企业服务组合的通用QoS进行评价时，设用户对企业服务组合提出的通用QoS属性约束为则企业服务组合的通用QoS评价模型为

式中：sqj表示企业服务组合第j个通用QoS属性的聚合值；表示用户对第j个通用QoS 属性的偏好，并且表示用户对第j个通用QoS属性提出的约束条件，通过一定转换方式可以将约束形式“≥”转换成约束形式“≤”。

（2）企业服务组合的领域QoS评价模型

在对企业服务组合的领域QoS进行评价时，设用户对企业服务组合提出的领域QoS属性约束为。企业服务组合的领域QoS评价模型为

式中：pqj表示企业服务组合第j个领域QoS属性的聚合值；表示用户对第j个领域QoS 属性的偏好，并且表示用户对第j个领域QoS属性提出的约束条件，通过一定转换方式可以将约束形式“≥”转换成约束形式“≤”。

（3）企业服务组合的综合QoS评价模型

在计算出整个企业服务组合的通用QoS 评价值和领域QoS评价值后，要对整个企业服务组合进行综合评价，下面给出企业服务组合的服务质量综合评价模型。

式中：F（ESC）表示企业服务组合的综合QoS评价值，f（ESC-General）表示企业服务组合的通用QoS评价值，f（ESC-Doamin）表示企业服务组合的领域QoS评价值；W1和W2表示用户对两类服务质量属性的偏好，用户可以根据需要进行调整。

产业集群中愿意进行横向协作的企业可以通过“询问-回答”机制来确定。如果愿意参与横向协作的企业服务为k个，则理论上能够生成的虚拟服务数量为随着参与协作企业数目的增加，虚拟服务的构建和协调成本会急剧上升，实际可行的虚拟服务数目会小于理论值。根据客户对服务QoS属性的硬约束条件（如产能、价格的限制），可以对每个可能的虚拟服务进行筛选，如果满足限制条件，则该虚拟服务将被放到候选服务集合中，否则过滤掉该虚拟服务。根据上述公式计算出每个候选虚拟服务的QoS综合评价值，与满足条件的单个服务一起参与后续的企业服务组合选择。

3 企业服务组合的寻优方法

3.1 文化社会认知算法的优化

首先对社会认知算法中的观察学习和模仿学习进行改进，使其可以用来求解连续型的组合优化问题；然后将改进的SCO 算法纳入CA 框架内，进一步优化个体学习的效果，从而构造文化社会认知算法（C-SCO）的优化算法。下面首先给出SCO 算法的基本知识及其改进工作，然后给出C-SCO 算法的计算框架与计算流程。

（1）SCO 算法的基本概念

1）知识点 由解空间中位置值、水平值的描述构成的点，通过对知识点的多次更新和选取，最终获得最优解。

2）解空间 用来存储知识点的表。

3）学习代理 学习代理是一个行为个体，用来选取解空间中的知识点参与优化过程。

4）领域搜索 假设有两 个知识 点x1，d和x2，d，对x2，d的领域搜索就是以x1，d作为参考，选出一个新的知识点其中：d表示知识点的维数，Rand（）为一个在（0，1）区间的随机值，x1，d和x2，d分别为搜索行为的参考点和中心点。整个优化过程由学习代理完成。假设解空间中知识点的个数为Npop，学习代理的个数为Nc，学习的次数为T。

5）模仿学习 从解空间中随机选出两个或多个知识点，所选出的知识点都不能与学习代理自身的知识点相同，并根据竞争选择原则，在这几个知识点之间选出一个较好的知识点。

6）观察学习 将选择出的知识点与代理自身的知识点水平进行对比，将水平较好的点定为中心点，将较差的点定为参考点，然后学习代理基于领域搜索的原则，移动到一个新的知识点，并将新的知识点存储在解空间中。

（2）SCO 算法的改进

1）对模仿学习的改进 在社会认知算法中，模仿学习实质上是解之间的比较，并没有体现人类社会相互学习的本质。本文借鉴协作学习的思想，对模仿学习进行改进，提出一种针对离散型优化问题的学习方法：首先从知识库中随机抽取出一定数量的、有别于代理自身的解；然后将代理自身的解和抽取到的解分成若干段，代理对其他解的每一段进行学习，将其学习到的、优于自身相应段的局部解吸纳为自身的一部分；经过这样的一个学习过程，代理通过将其他解最优的部分变成自身的一部分来改善自身的构造，通过这样的学习使代理身上的解成为一个优于其他解的新解。改进的模仿学习过程如图2所示。其中：S1为代理自身的解，S2，…，Sn为随机抽取的解，带灰度的点为局部解之间的最优者，CLS为通过学习得到的新解。

2）对观察学习的改进 SCO 算法中的观察学习是基于领域搜索的学习规则，该学习方法只适用于具有连续解空间的优化问题，而不能用于离散解空间的优化问题。针对这一问题，本文提出一种基于变异的观察学习方法，在代理完成模仿学习后，对通过模仿学习得到的新解实施基于变异的解搜索，每次变异后选出通过变异得到的解与代理自身的解之间的最优者。这样使SCO 算法可以用来求解离散型优化问题，并且能够快速增加解的多样性，扩大搜索空间，避免算法陷入局部最优。这里采用多点变异方法，即对构成解的点实施变异。

（3）构造C-SCO 优化算法

在对社会认知算法中的关键操作改进后，将改进的SCO 算法纳入CA 的框架内，构造C-SCO 算法，C-SCO 算法的框架如图3所示。

具体流程如下：

1）由改进的SCO 算法生成种群空间，应用评价函数评价种群空间内的个体；Evaluate（）函数用于计算每个解的评价值，这里定义为Evaluate（ESC）=f（ESC），其中ESC表示一个可行的企业服务组合方案。

2）通过接受函数将种群空间内的优秀个体作为知识提取到信仰空间，用更新函数更新信仰空间中的知识，并对知识执行基于模仿学习的进化操作；Accept（）函数用于从种群空间提取λ个优秀解到信仰空间；Update（）函数表示用评价值较好的新解替代评价值较差的解；BEvolve（）函数表示信仰空间内的知识按照模仿学习机制进行进化。

3）在种群空间内按照SCO 算法的进化机制进行群体演化，每演化一次就执行上一步操作；PEvolve（）函数表示种群空间的群体按照SCO 的计算过程进行演化。

4）信仰空间中的知识经过k代更新后，通过影响函数来指导种群空间的演化；Influence（）函数表示用信仰空间的知识指导群体空间内个体的演化，即用信仰空间的解替换群体空间内较差的解，并将信仰空间的解随机分配给代理。

5）如此迭代，直至达到算法结束的条件。

3.2 基于C-SCO的企业服务组合方法

在集群式供应链环境下，企业服务组合路径中的每个任务节点都存在大量具备相同服务功能和不同服务质量的候选企业服务，如何从大量的候选企业服务中选出一组企业服务，使得由这组企业服务构成的企业服务组合既能满足用户的生产需求又具备最优的服务质量，是一个典型的NP-hard问题。针对这一问题，本文构造了新颖的C-SCO 算法，并用其求解QoS感知的企业服务优化组合问题。基于C-SCO 算法的企业服务优化组合中，知识点对应企业服务组合方案，位置水平对应企业服务组合方案的评价值。下面给出企业服务优化组合过程的具体描述：

输入：服务组合图、候选企业服务和候选企业服务的QoS值；算法的最大迭代次数Nmax；初始群体规模m；设代理个数为m／3，每次提取优秀解的个数λ，知识更新代数K。

输出：最优企业服务组合方案。

步骤1 可用服务的发现。依据第2章中给出的虚拟服务生成方法和筛选机制，确定可用的候选企业服务。

步骤2 初始化阶段。对于服务组合流程中的每个任务，随机从每个任务对应的候选服务集中选择一个企业服务绑定给相应的任务；重复这种方法，生成种群规模为M的初始群体；计算这些解的评价值；确定代理。

步骤3 给代理赋予解。从解空间中随机地抽取不同的解赋给每个代理，但不允许把一个知识点重复分配给多个学习代理。

步骤4 SCO 算法的进化过程。

For（i=1to k）／／k 为代理的个数，对于每个代理执行以下操作

｛随机抽取出一定数量、有别于代理的解，执行改进的模仿学习操作；执行基于变异的观察学习操作；在代理完成观察学习操作后，将得到的解保存到解空间中｝

从解空间中删除与代理等数量的较差的解。

步骤5 信仰空间的进化过程。从解空间中提取k个最优解到信仰空间；更新信仰空间内的知识；对信仰空间的知识实施基模仿学习的进化操作；从原有的解和进化后得到的解中选取k个优秀解，保留在信仰空间。

步骤6 信仰空间的知识对群体空间进化的指导。当信仰空间的知识经过K代积累后，用信仰空间的解替换解空间内较差的解；将信仰空间内的解随机地赋给每个代理。

步骤7 判断算法是否结束。

If（达到结束条件）

｛输出信仰空间内的最优解；｝

Else

｛迭代次数增加一次并返回 步骤4；｝

4 案例研究

4.1 案例设计

在集群式供应链环境下，上下游企业之间存在纵向协作关系，位于相同环节之内的企业存在横向协作关系。良好的企业服务组合方法应该既能找到满足用户质量需求的服务组合方案，又能提高企业集群的整体收益。为了验证本文所提的企业服务组合方法的有效性，以图4所示的协同制造流程为例设计了两个模拟实验：实验一通过与其他进化算法进行比较，验证基于C-CO 算法的企业服务组合方法在寻优方面的优越性；实验二通过比较不同组合方法下企业集群的整体效益，验证本文提出的企业服务组合方法能够符合企业协作的实际需求。

所有算法均采用C＋＋语言实现，实验环境具体配置为：Pentium（R）4 2.66GHz处理器，1G 内存，操作系统为Windows 7。C-SCO 算法的初始参数设置为：初始群体规模M=100，代理的个数Nc=30，每次提出优秀解的个数λ=30，知识进化的代数K=6；在模仿学习中将每个解分为三段；在观察学习中，每次对解的5个节点进行变异。为了便于比较，对实验对象做如下设定：

（1）整个制造流程包括6个环节，Ti（1≤i≤6）表示每个环节所需要完成的制造任务。每个环节存在20个候选企业服务，包括5 个大型企业服务和15个中小型企业服务，其中大型企业的产能区间为［30，50］，中小型企业的产能区间为［5，20］。

（2）因为企业服务的执行需要一定时间，所以其可用性并不能保证为100%，这里设定每个企业服务的可用性为80%。

（3）由于企业间的协作需要一定的协商，并不能保证每次都能成功，这里将中小型企业的横向协作率设定为60%。

（4）不同维度质量属性在企业服务质量评价模型中的权重相等，并采用标准化公式转换到［0，1］区间内，其取值情况如下：

1）企业服务维 反应时间［20，100］（单位：h），可靠性（0，1］，可用性（0，1］，信誉度｛1，2，3，4，5｝。

2）产品维 产品质量｛差，合格，中等，良，优｝，产品价格［100，1 000］，性价比｛差，合格，中等，良，优｝，产品可靠性｛差，合格，中等，良，优｝。

3）企业维 生产能力｛差，合格，中等，良，优｝，协作能力｛差，合格，中等，良，优｝，财务状况｛差，合格，中等，良，优｝。

（5）因为大型企业的生产成本较高，所以相同产品的单位产品收益一般略低于中小企业。这里设置大企业生产单位产品的收益区间为［1.3，1.6］，中小型企业生产单位产品的收益区间为［1.5，1.8］。实验中每个企业的单位产品效益在给定区间内随机生成。

（6）中小企业在进行横向协作时需要支付一定的协作成本，如技术交流、产品标准制定等费用。这里设定企业之间的横向协作费用为总收益的［6%，20%］。在实验中，企业的协作成本值在该区间内随机生成，并且随着参与协同企业数目的增加而增大。

4.2 实验一：企业服务组合算法的寻优性能验证

以典型的市场订单为参考，设置某个用户需求指标为：需求量为45（属于一般性需求，单个大企业可以单独完成），产品总价格＜4 250元，服务的总反应时间＜430h，产品的总质量＞中等，产品的性价比＞中等，企业服务组合的生产能力＞中等，企业服务组合的财务状况＞合格。每个环节所有候选服务的三维质量属性在给定区间内随机生成，并对所生成的质量属性值进行归一化。为了验证本文提出的企业服务组合方法的优越性，本实验分别采用在服务组合优化问题有出色表现的最大最小蚁群算法（MAX-MIN Ant System，MMAS）、改进型的社会认知算法（Improved Social Cognitive Optimization，ISCO）以及文化社会认知算法（Culture-Social Cognitive Optimization，C-SCO）对上述客户需求进行求解，并对求解结果进行比较。三种算法运行的硬件环境相同，ISCO 与C-SCO 的参数设置相同，MMAS的参数设置为：α=1，β=5，ρ=0.6，τmax=1，τmin=1／20。

由于企业服务组合对算法的运行速度要求不是很高，但对算法的寻优性能要求较高，在实验中只记录了迭代相同次数时不同算法搜索到的解，而不再记录算法在迭代相同次数时的运行时间。实验结果如图5所示，其中：横坐标表示算法的迭代次数，纵坐标表示算法找到的企业服务组合方案的评价值。从图中可以看出，C-SCO 比ISCO 和MMAS 算法的寻优性能要好。因此可以得出结论：C-SCO 算法在求解企业服务组合问题时是有效的。

4.3 实验二：虚拟服务在企业服务组合中的作用

实验二的目的是验证本文提出的企业服务组合方法能否有效提高企业集群的整体收益。所比较的两种服务组合方法的主要区别在于是否考虑横向协作，都按照迭代200次所找到的服务组合方案为准。实验中的需求序列包括10个市场需求周期，每个周期内有30个订单请求，分别对两种情况进行测试：①市场需求比较平稳，订单的需求量在［30，50］内随机生成，单个大企业的产能可以满足；②市场需求波动较大，订单的需求量在［30，50］或［70，100］内随机生成，其中［70，100］占总需求的70%左右，单个大企业的产能无法满足。实验分别在两种不同的市场条件下进行测试，在市场需求比较平稳的情况下，计算每个需求周期内企业服务组合的总收益，并将在两种情况下得到的企业群体的总收益进行比较。实验结果如图6所示，其中：横坐标表示需求周期数，纵坐标表示每个需求周期内企业群体的平均收益；系列1表示考虑企业服务横向协同的情况下企业群体的总收益，系列2表示不考虑企业服务之间的横向协作时企业群体的总收益。从图6的曲线可以看出，在市场需求比较稳定的情况下，两种方法给出的企业效益值比较接近：考虑企业服务之间的横向协作，10 个需求周期内的平均收益总和为653.5；不考虑企业服务之间的横向协作，10个需求周期内的平均收益总和为626.5，前者略高于后者。这表明在市场需求比较稳定的情况下，考虑企业服务之间的横向协作可以提高企业集群整体的收益。

在市场需求波动比较剧烈的情况下，计算每个需求周期内企业服务组合的总收益，并将在两种情况下得到的企业群体的总收益进行比较。实验结果如图7所示，其中：横坐标表示需求周期数，纵坐标表示每个需求周期内企业群体的平均收益；系列1表示考虑企业服务横向协同的情况下企业群体的总收益，系列2表示不考虑企业服务之间的横向协作时企业群体的总收益。从图7的曲线可以看出，当需求剧烈波动时，两种方法给出的企业效益值差别较大，系列1的表现远好于系列2：当单个大型企业可能无法满足订单需求时，若不考虑企业服务之间的横向协作，则无法构建出满足用户产能需求的企业服务组合，企业收益值为0；若考虑企业服务之间的横向协作，即使用户产能需求较大也能够得到满足，因此企业集群能够接受更多的订单，获得更大的整体收益。这表明当市场需求剧烈波动时，考虑企业服务之间的横向协作能够更加有效地提高企业集群的整体效益。

5 结束语

集群式供应链是一种新型企业协作模式，通过构建公共的服务支撑平台来实现企业服务资源的动态构建、调整和组织，可以应对快速多变的市场需求。然而，企业服务间的组合不同于一般的Web服务，不仅需要考虑不同环节间的服务纵向协同，还要考虑同一环节上存在不同服务间的横向组合；所需要处理的不是单个需求，而是一个需求序列。因此，如何针对集群式供应链中企业服务协作的特点，从数量众多的企业服务中选取合适的资源服务进行组合，以更为有效地支撑集群企业间的资源共享，已经成为服务应用领域亟待解决的问题。

针对上述问题，本文针对集群式供应链环境下企业服务组合的特点，从两个方面进行了深入研究：①针对集群式供应链中企业服务的横向协同特性，提出虚拟服务的生产机制和QoS的计算方法，从而增加候选的服务组合路径；②针对目前服务组合方法寻优能力欠佳这一不足，将改进的社会认知算法纳入文化算法框架内，构建了新颖的C-SCO 算法，并用其求解企业服务优化组合问题。最后的实验结果表明：该算法具有较好的搜索能力和收敛速度，并且能够有效地解决集群企业服务组合的问题。

未来将对现有的研究内容进行进一步深化，重点关注企业实体网络和企业服务网络之间的相互作用，主要从以下几个方面展开：①企业实体资源的变化如何影响企业服务组合的推荐结果；②不同的服务组合推荐策略如何通过反馈来改变企业实体间的协作关系；③如何构建相应的计算实验环境，对于这两种异质网络之间的交互反馈进行定量化研究。

［1］LI Youhuan.Research report on the impact of financial crisis on the pearl river delta export-oriented enterprises［R］.Guangzhou：2009 Guangdong Province Current Situation Research Report，2009（in Chinese）.［黎友焕.金融危机对珠三角外向型企业生存影响的调研报告［R］.广州：2009广东省情调研报告，2009.］

［2］LI Jizi.Study on cluster supply chain and its management［D］.Wuhan：Huazhong Agricultural University，2006（in Chinese）.［黎继子.集群式供应链及管理研究［D］.武汉：华中农业大学，2006.］

［3］XUE Xiao，ZHU Peng，HUANG Biqing.Research on agent oriented design approach for service system of cluster supply chain［J］.Journal of Chinese Computer Systems，2011，32（9）：1170-1777（in Chinese）.［薛 霄，朱 鹏，黄必清.面向Agent的集群式供应链服务系统设计方法研究［J］.小型微型计算机系统，2011，32（9）：1170-1777.］

［4］CAMARINHA-MATOS L M，AFSARMANESH H.Collaborative networks：value creation in knowledge society［C］／／Proceedings of Knowledge Enterprise：Intelligent Strategies in Product Design，Manufacturing，and Management.Berlin，Germany：Springer-Verlag，2006：26-40.

［5］LIU Guoqi，ZHU Zhiliang，WANG Qin，et al.A domain-oriented evaluation model for QoS in Web service［C］／／Proceedings of the 9th International Confrence on Hybrid Intelligent Systems.Washington，D.C.，USA：IEEE，2009：319-321.

［6］LI Bohu，ZHANG Lin，WANG Shilong，et al.Cloud manufacturing：a new service oriented networked manufacturing model［J］.Computer Integrated Manufacturing Systems，2010，16（1）：1-16（in Chinese）.［李伯虎，张 霖，王时龙，等.云制造-面向服务的网络化制造新模式［J］.计算机集成制造系统，2010，16（1）：1-16.］

［7］HUANG Biqing，WANG Ting，XUE Xiao.Service-selecting approach based on domain-specified QoS model and its application in logistics［J］.The Service Industries Journal，2012，32（9）：1571-1588.

［8］ZENG L，BENATALLAH B，NGU A，et al.QoS-aware middleware for Web services composition［J］.IEEE Transactions on Software Engineering，2004，30（5）：311-327.

［9］QI L，TANG Y，DOU W，et al.Combining local optimization and enumeration for QoS-aware web service composition［C］／／Proceeings of IEEE International Conference on Web Services.Washington，D.C.，US：IEEE，2010：34-41.

［10］MOHAMMAD A，THOMASS R.Combining global optimization with local selection for efficient QoS-aware service composition［C］／／Proceedings of the 18th International Conference on World Wide Web.New York，N.Y.，USA：ACM，2009：881-890.

［11］QI Lianyong，DOU Wanchun.Web service composition method based on local QoS optimization in cross-organizational cooperation［J］.Computer Integrated Manufacturing Systems，2011，17（8）：1647-1653（in Chinese）.［齐连永，窦万春.跨组织协同中基于局部服务质量优化的Web服务组合方法［J］.计算机集成制造系统，2011，17（8）：1647-1653.］

［12］TAO Fei，ZHAO Dongming，HU Yefa，et al.Correlation-aware resource service composition and optimal-selection in manufacturing grid［J］.European Journal of Operational Research，2010，201（1）：109-143.

［13］TAO Fei，ZHAO Dongming，ZHANG Lin，et al.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.

［14］YIN Chao，ZHANG Yun，ZHONG Ting.Optimization model of cloud manufacturing services resource combination for new product development［J］.Computer Integrated Manufacturing Systems，2012，18（7）：1368-1378（in Chinese）.［尹 超，张 云，钟 婷.面向新产品开发的云制造服务资源组合优选模型［J］.计算机集成制造系统，2012，18（7）：1368-1378.］

［15］ZHANG Shuai，SUN Jianling，XU Bin，et al.RBAC based access control model for services compositions cross multiple enterprises［J］.Journal of Zhejiang University：Engineering Science，2012，46（11）：2035-2043（in Chinese）.［张 帅，孙建伶，徐 斌.基于RBAC的跨多企业服务组合访问控制模型［J］.浙江大学学报：工学版，2012，46（11）：2035-2043.］

［16］TAO Fei，ZHANG Lin，GUO Hua，et al.Typical characteristics of cloud manufacturing and several key issues of cloud service composition［J］.Computer Integrated Manufacturing Systems，2011，17（3）：477-486（in Chinese）.［陶 飞，张霖，郭 华，等.云制造特征及云服务组合关键问题研究［J］.计算机集成制造系统，2011，17（3）：477-486.］

［17］WANG Shiwen，SONG Wenyan，KANG Ling，et al.Manufacturing resource allocation based on cloud manufacturing［J］.Computer Integrated Manufacturing Systems，2012，18（7）：1396-1405（in Chinese）.［王时文，宋文艳，康 玲，等.云制造环境下的制造资源优化配置研究［J］.计算机集成制造系统，2012，18（7）：1396-1405.］

［18］ZENG L，BENATALLAH B，NGU A H H，et al.QoS-aware middleware for web services composition ［J］.IEEE Transaction on Software Engineering，2004，30（5）：311-327.

［19］MENASCÉD A，CASALICCHIO E，DUBEY V.On optimal service selection in service oriented architectures［J］.Performance Evaluation Journal，2010，67（8）：659-675.

［20］GAO Aiqiang，YANG Dongqing，TANG Shiwei，et al.QoSdriven web service composition with inter service con？icts［J］.Lecture Notes in Computer Science，2006，3841：121-132.

［21］JIANG H H，YANG X H，YIN K T，et al.Multi-path QoSaware Web service composition using variable length chromosome genetic algorithm［J］.Information Technology Journal，2011，10（1）：113-119.

［22］LU Mingxiang，LI Haisheng，CAI Qiang.A method of semantic Web service automatic composition based on genetic algorithm ［J］.Software Engineering and Knowledge Engineering，2012，162：727-734.

［23］HUANG Bohu，DUAN Zhenhua.Application of the quantum genetic algorithm in Web service selection［J］.Journal of Xidian University：Natural Science，2010，37（1）：56-61（in Chinese）.［黄伯虎，段振华.量子遗传算法在Web服务选择中的应用［J］.西安电子科技大学学报：自然科学版，2010，37（1）：56-61.］

［24］WANG Yong，DAI Guiping，HOU Yarong.Dynamic methods of trust-aware composition service selection［J］.Chinese Journal of Computers，2009，32（8）：1668-1675（in Chinese）.［王 勇，代桂平，侯亚荣.信任感知的组合服务动态选择方法［J］.计算机学报，2009，32（8）：1668-1675.］

［25］FANG Qiqing，PENG Xiaoming，LIU Qinghua，et al.A global QoS optimizing Web services selection algorithm based on MOACO for dynamic web service composition［C］／／Proceedings of International Forum on Information Technology and Application.Washington，D.C.，USA：IEEE，2009：37-42.

［26］LI Jinzhong，XIA Jiewu，TANG Weidong，et al.Survey on web services selection algorithms based on QoS［J］.Application Research of Computers，2010，27（10）：3622-3638（in Chinese）.［李金忠，夏洁武，唐卫东，等.基于QoS 的Web服务选择算法综述［J］.计算机应用研究，2010，27（10）：3622-3638.］

［27］PENG B.Knowledge and population swarms in cultural algorithms for dynamic environments［D］.Detroit，Mich.，USA：Wayne State University，2005.

［28］DILLENBOURG P.Collaborative learning：cognitive and computational approaches［M］.New York，N.Y.，USA：Elsevier Science，Inc.，1999.

［29］MOU Yuje，CAO Jian，ZHANG Shensheng，et al.Research on extended Web service QoS model［J］.Computer Science，2006，33（1）：4-9（in Chinese）.［牟玉洁，曹 健，张申生，等.扩展的Web Service服务质量模型研究［J］.计算机科学，2006，33（1）：4-9.］