基于本体映射的云制造资源与加工任务智能匹配*

李　新,董朝阳

(西安建筑科技大学 机电工程学院，西安　710055)



基于本体映射的云制造资源与加工任务智能匹配*

李新,董朝阳

(西安建筑科技大学 机电工程学院，西安710055)

为了解决云制造环境下的制造资源发现的语义异构、本体异构和搜索效率不高的问题，在建立了云制造资源及加工任务的统一本体模型之后，构建了资源匹配模型，将资源发现转化为制造资源本体和加工任务本体之间的映射匹配来求解，设计了资源发现智能匹配算法，将匹配流程分为状态匹配、领域匹配、功能匹配、服务匹配和综合匹配五个阶段，最后在云服务仿真环境下对文中所提智能算法进行了实际应用说明，并与基于关键词匹配算法进行了比较，比较结果证明该提智能匹配算法具有有效性和可行性。

本体映射;云制造;智能匹配

0　引言

云制造是一种利用网络和云制造服务平台，按用户需求组织网上制造资源(制造云)，为用户提供可随时获取的、按需使用的、安全可靠的、优质廉价的各类制造活动服务的一种网络化制造新模式[1]。由于云制造系统中的制造资源具有分布性和异构性，所以使得资源发现成为云制造系统中实现资源协同和共享的关键[2]。

资源发现是指在云制造环境下，将用户个性化的制造需求与功能多样、种类繁多的云制造资源进行匹配，以寻求最能满足需求的制造资源[3]。在资源发现领域国内外学者进行了研究。文献[4]提出了基于结构度量和文本度量的混合匹配方法，并通过局部和全局的元启发式算法来发现最优的制造资源。文献[5]提出了通过本体树的编辑距离来度量文本结构和语义相似度的方法。文献[3]提出了结合语义相似度和基于蕴涵关系推理的量化方法及匹配算法，解决了参数匹配过程中本体概念参数和约束条件参数的匹配度量化问题。文献[6]通过基于映射树的相似度算法来求解制造资源和加工任务的本体概念树匹配问题，并在本体树的类、属性和实例层次进行了相应的匹配运算。然而，现有的研究在处理资源服务的语义异构和本体异构方面做得还不够充分，使得资源发现算法精确度不高，影响了云制造服务的质量。

因此，建立了基于本体论的云制造资源以及加工任务的统一本体模型来解决语义异构问题，将资源发现转化为云制造资源本体与加工任务本体的映射匹配来求解，解决了本体异构问题，构建了资源匹配模型，设计了基于本体映射的智能匹配算法，在云制造服务仿真环境中具体的说明了智能算法的工作流程，并通过与传统的基于关键词匹配算法的比较，证明了本文所提智能算法在查全率和查准率上都有明显提升，具有有效性和可行性，将有助于云制造服务质量的提高。

1　资源匹配模型

云制造服务资源匹配问题是根据平台用户的云制造资源需求，对用户的云制造资源需求本体和发布的云制造服务资源描述本体进行比较，从而找到和用户需求相匹配的服务资源[7]。在建立了制造资源本体及加工任务本体之后，智能搜索满足加工要求的制造资源就可以转化为基于本体的映射方法来进行。定义云制造资源以及云加工任务本体模型如下。

其中，SI、RD、FP、SP分别指制造资源本体的状态信息、领域信息、功能供给信息和服务供给信息。

其中，SI、TD、FR、SR分别指加工任务本体的状态信息、领域信息、功能需求信息和服务需求信息。

为了求解制造资源本体与加工任务本体映射问题，构建了云制造资源与加工任务匹配模型，如图1所示。

图1　资源匹配模型

资源匹配模型包括映射匹配和优化配置两个模块。映射匹配主要是对云制造资源本体与加工任务本体的状态信息、领域信息、功能信息和服务信息进行匹配，并在每一阶段匹配中设定一个阈值，将匹配度大于阈值的资源抛入下一阶段的匹配中进行匹配度计算，对于每一阶段匹配度均大于以上四个阶段匹配度阈值的资源，我们计算其综合相似度。优化配置就是按照综合相似度大小对候选资源进行优劣排序，排名最前的便是最优的资源。由于资源需求者可以任意调整每一方面匹配的匹配度阈值，并以此来决定候选资源能否进入下一方面的匹配，使匹配过程具有柔性。本文将资源发现转化为资源本体与加工任务本体的映射匹配来求解，降低了匹配的复杂度。

具体的匹配流程如下：

(1)状态匹配：对云制造资源本体的SI和云加工任务本体的SI进行匹配，过滤掉处于“维修中”、“满负荷”、“无效”状态的候选资源。

(2)领域匹配：对RD和TD进行匹配，过滤掉与加工任务领域不匹配的候选资源。

(3)功能匹配：对FP和FR进行匹配，根据相似度算法计算相似度大小。

(4)服务匹配：在⑴、⑵、⑶匹配成功的基础上，对SP和SR进行匹配。

(5)综合匹配：综合步骤⑴、⑵、⑶、⑷的匹配结果，计算全局相似度，并根据相似度的大小对候选的云制造资源进行优劣排序，以选取最优的云制造资源信息反馈给资源需求者。

2　智能匹配算法详细

2.1领域匹配

本文将领域匹配相似度定义为：

(1)

式中:RD—云制造资源本体领域信息(ResourceDomain)；TD—云加工任务本体领域信息(TaskDomain)；SCR—云制造资源领域本体的子类；SCT—云加工任务领域本体的子类；OD—领域本体，包含加工制造、分析设计、物流配送和资源应用四个子类。在此规定云制造资源领域本体的子类与云加工任务领域本体的子类完全匹配时DomainMatch(RD,TD)=1，在其他情况下DomainMatch(RD,TD)=0。

2.2功能匹配

功能匹配主要包括概念相似度匹配和数值参量相似度匹配。

2.2.1概念相似度算法

概念是本体结构中的主要实体，概念相似度计算是制造资源智能搜索即本体之间映射的基础[8]。概念相似度的计算主要有基于点的方法、基于边的方法和基于概念树的方法[9]。本文通过基于本体概念树映射的方法来计算功能供给信息和功能需求信息之间的概念相似度。概念本体树映射模型如图2所示。

图2　概念本体树映射模型

语义距离反映了两个概念的相似程度，两个词语的语义距离越大，其相似程度越低；反之，两个词语的语义距离越小，其相似程度越大[10]。参考文献[11]可将语义距离定义为：

distance(c1,c2)i=

(2)

于是可以定义第i对概念的相似度函数[11]：

Sim(c1,c2)i=

(3)

i对概念的综合相似度定义为：

(4)

2.2.2数值参量相似度算法

对于功能信息的数值参量匹配计算，我们借鉴文献[7]中的区间数匹配算法，也即将数值参量转化为区间数的形式来匹配运算，进而求得两数值之间的相似度大小。定义为：

ValueMatch(FPi,FRi)=

(5)

式中: FPi—云制造资源本体功能信息的第i个数值参量；FRi—云加工任务本体功能需求信息的第i个数值参量。

数值参量相似度定义为：

(6)

综合概念相似度和数值参量相似度可得功能匹配相似度为：

FounctionMatch(FP,FR)=

(7)

2.3服务信息匹配

服务信息匹配是云制造服务资源中的重要评价指标。服务信息匹配主要是对云制造资源本体和云加工任务本体中的时间(time)、成本(cost)和信誉度(reputation)等服务信息进行匹配，并找出与加工任务需求服务相似度最大的制造资源供给信息，参照文献[12]所提的QoS匹配算法，将服务相似度定义为：

(8)

2.4综合匹配

分别以α、β、γ代表领域匹配、功能匹配、服务匹配在综合匹配中所占有的权重大小，综合匹配相似度可以定义为：

Sim(RP,RR)=αDomainMatch(RD,TD)+

βFounctionMatch(FP,FR)+γServiceMatch(SP,SR)

(9)

式中: RP—云平台中的候选服务资源；RR—云平

3　试验评价

我们以查全率和查准率来考察本文所设计方法的有效性，并通过与基于关键词匹配算法的比较来判定算法的优劣。在仿真环境中，有四条被资源提供者发布到云端的制造资源本体信息R(表1)和一条被资源需求者发布到云端的加工任务本体信息T(表2)，为了找到最符合T的要求的R，我们采用本文所提的方法来分别计算R与T的相似度值，并根据值的大小进行排序，排名越前则越优。设定领域匹配、功能匹配、服务匹配在分阶段匹配时的匹配度阈值分别为0.9、0.85、0.8，且在综合匹配时所占有的权重分别为0.3、0.4、0.3。

表1　云制造资源本体属性信息

表2　云加工任务本体属性信息

匹配计算具体流程：

步骤1：状态匹配

由于资源R4的服务状态信息为“满负荷”，即已经不能再提供制造服务，故将其淘汰，保留R1、R2、R3，跳转步骤2。

步骤2：领域匹配

根据式(1)、表1和表2可计算得到R1、R2、R3与T的匹配度为：DomainMatch1=DomainMatch2=

DomainMatch3=1，均大于匹配度阈值0.9，跳转步骤3。

步骤3：功能匹配

根据式⑵～式⑺、表1和表2可计算得到R1、R2、R3与T的匹配度分别为：

FounctionMatch1=

FounctionMatch2=

FounctionMatch3=

由于FounctionMatch2小于匹配度阈值0.85，故资源R2被淘汰，保留R1和R3，跳转步骤4。

步骤4:服务匹配

，

步骤5:综合匹配

根据前面计算结果和式⑼计算R1、R3与T的综合相似度,Sim1=0.3×1+0.4×0.9706+0.3×0.8891=0.9550,

表3　不同算法比较详细

4　结束语

为了解决云制造环境下制造资源发现过程中的语义异构、本体异构和搜索效率不高的问题，本文基于本体论建立了云制造资源及加工任务的统一本体模型，构建了资源匹配模型，将资源发现转化为资源本体和加工任务本体之间的映射匹配来求解，设计了资源发现智能匹配算法，最后在云服务仿真环境下对本文所提智能算法进行了实际应用说明，并与基于关键词匹配算法进行了比较。通过本文的资源匹配方法，可以找到满足加工任务要求的制造资源集合，为后续的可执行加工路线优化奠定了基础。

[1] 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): 1-7,16.

[2] 康玲,陈桂松,王时龙,等.云制造环境下基于本体的加工资源发现[J].计算机集成制造系统,2013,19(9): 2325-2331.

[3] 尹超,夏卿,黎振武.基于OWL—S的云制造服务语义匹配方法[J].计算机集成制造系统,2012,18(7):1494-1502.

[4]MarouaneKessentini,AliOuni,PhilipLanger.Search-basedmetamodelmatchingwithstructuralandsyntacticmeasures[J].TheJournalofSystemsandSoftware,2014,97:1-14.

[5]JoeTekli,RichardChbeir.MinimizingusereffortinXMLgrammarmatching[J].InformationSciences,2012,210:1-40.

[6]JiHuaWang,HongLiu,HuaYuWang.Amapping-basedtreesimilarityalgorithmanditsapplicationtoontologyalignment[J].Knowledge-BasedSystems,2014,56:97-107.

[7] 王成建,刘建胜,夏芳臣.云制造服务资源多层次匹配算法研究[J].机械设计与制造,2014(5):250-252.

[8] 张亮,屈振新,丁菘,等.一种基于加权领域本体的语义检索方法[J].计算机科学,2010,37(7):165-168.

[9] 李文清,孙新,张常有,等.一种本体概念的语义相似度计算方法[J].自动化学报,2012,38(2):229-235.

[10] 胡祥萍.云制造环境下基于语义的制造资源建模与管理研究[D].北京:北京交通大学,2013.

[11] 徐红艳,方欣,冯勇.Web服务匹配中基于语义距离的概念相似度计算方法的改进[J].计算机应用,2011,31(10):2808-2810.

[12] 李慧芳,董训,宋长刚.制造云服务智能搜索与匹配方法[J].计算机集成制造系统,2012,18(7):1485-1493.

(编辑李秀敏)

A Method of Intelligent Matching Technique of Cloud Manufacturing Resources and Processing Tasks Based on Ontology Mapping

LI Xin,DONG Zhao-yang

(College of Mechanical and Electronic Engineering,Xi′an University of Architecture and Technology, Xi′an Shanxi 710055, China)

There hava many problems such as semantic heterogeneity,ontonogy heterogeneity and low search efficiency exist in resource discovery in cloud manufacturing environment. To solve these problems, the ontology-based cloud manufacturing resources and processing tasks information model were build. The model of resource matching was build. Resource discovery was be converted to mapping between manufacturing resources ontology and processing task ontology to solve. The intelligent matching algorithm of resource discovery was designed. Matching process was divided into five stages which were state matching, domain matching, founction matching, service matching and integrated matching. Finally, the proposed intelligent algorithm was carried on the actual application in the cloud simulation environment. The proposed intelligent algorithm and the algorithm based on keyword were been compared. The effectiveness and feasibility of the proposed intelligent algorithm was verified by the results of the comparison.

ontology mapping; cloud manufacturing; intelligent matching

1001-2265(2015)11-0157-04DOI:10.13462/j.cnki.mmtamt.2015.11.043

2014-12-19；

2015-01-15

陕西省自然科学基金资助项目(2012JM7017)

李新(1990—),男,湖北天门人,西安建筑科技大学硕士研究生,研究方向为云制造,(E-mail) lixin90715 @163.com；通讯作者：董朝阳(1974—)，男，陕西礼泉人，西安建筑科技大学副教授，博士，研究方向为网络化制造车间调度，(E-mail)zhyangdong@yahoo.com.cn。

TH166；TG506

A