基于制造业多粒度模型下的流程优化组合

李路达，刘　鸣，满君丰，彭　成

（湖南工业大学 计算机与通信学院， 湖南 株洲 412007）

基于制造业多粒度模型下的流程优化组合

李路达，刘鸣，满君丰，彭成

（湖南工业大学 计算机与通信学院， 湖南 株洲 412007）

在多粒度模型下对4个服务质量因子进行了性能的评估，并且根据实际云制造的生产情况引入了距离因子，并跟原有的性能描述进行对比。结果表明：引入了距离因子以后，表现出的服务组合性能和原始服务组合性能有所不同，这种表现更接近实际情况。

云制造；多粒度制造资源；服务质量因子；服务组合

1　研究背景

不同的制造企业在生产中会呈现不同的业务，同时也经营不同的产品，而且在不同的行业之间他们的业务也有所不同，衍生了种类繁多的业务，从而引发制造资源难以计数，形成类似于数据库一样巨大的资源池。因为资源的种类形态繁多，功能也各有所异，所以可以对这些不同种类的制造资源进行分类处理［1］。不同的业务粒度一般体现在制造生产中产生的制造资源，根据企业的等级制度来区分级别，不同的级别所具有的业务粒度也有所不同，资源业务功能的不同也能够进行分类［2］。无论资源如何分类，这些资源都在相对固定的业务流程场景中各司所职，并随着业务流程完成整个项目。所以，对于制造资源可以基于流程来进行分类［3］。云制造企业不仅很重视自身的业务流程，而且同样也重视与其合作的外部企业的业务流程与其本身的协同组合，这种组合需要适应市场的变化以提高企业的制造能力，这样就会引起协同企业的业务流程种类增加，形成极大的流程库。然而在实际生产制造产品过程中，一般企业往往都有自身固定的业务流程、业务知识和业务过程，它们就是使这些企业成为核心竞争力的基石，如果把它们其中某个成员替换掉，有可能会使其生产能力削弱。所以，要让这些资源在业务流程中发挥到应有的作用，就需要对它们进行建模，然后进行应用［4］。

焦燕廷［5］研究了在本体语义中基于Web服务匹配方法，从一般的输入和输出方面去实现匹配，并且提出了在服务质量的基础上进行QoS（quality ofservice，QoS）匹配。郭媛香［6］提出了以动态的方式来描述语义的逻辑，它是基于Web服务描述和服务匹配方法。王有刚［7］研究了基于语义的 Web 服务发现和组合技术，并创建了一种在计算机之间能够互相充分表示 Web 服务语言；基于这种Web服务语言，他在Web 服务的模型或者体系结构中提出了能够使服务之间自发进行发现、选取、执行和组合的方法。以上研究都是针对Web服务的研究，本文围绕多粒度资源模型来研究基于云制造服务的流程组合，相对于Web服务的资源模型有所不同，而且对资源的组合也存在一些不同的要求，并针对流程多粒度的情况，探讨基于多粒度资源统一模型下的流程优化组合。

2　流程优化组合问题描述

多粒度资源统一模型（multi-granularity resource，MPR）指的是粗粒度资源或者单粒度资源的一致描述。粗粒度资源指的是由多个流程活动所组成的资源，而且这多个流程活动是整个业务流程中的一部分或者全部，可以将其看作一个整体，某个资源的输入是该段流程的第一个流程资源的输入，同样输出也是该段流程最后一个的输出，该段流程也可以是全部的流程［8］。

在多粒度资源统一模型的基础上，研究多粒度模型下的流程优化组合技术，能够从业务流程的角度实现资源的优化配置。为了突出从业务流程的角度去影响流程复合制造资源的优势特征，引入了服务质量因子的描述来完成服务的组合，并在流程组合过程中考虑外界因素的影响（本文仅考虑距离因素）而引起的服务组合的性能变化，从而优化流程的组合。

2.1流程资源形成的条件

流程复合制造资源形成的条件是，制造企业自身活动的某一段流程或者与其协同企业的一段流程，其流程资源的联系要紧密、业务要比较固定、要具备流程优势。

基本流程资源图如图1所示，复合流程资源图如图2所示。c1，c2，c3分别为并行、选择和循环结构，其余部分为顺序结构。其中图2的A1是由图1的a2， a3，a4和a5几个流程活动组成，是对它们组成这段流程的简化，其中a2和a5为首尾活动。结合图1和图2，a2的输入表示A1的输入，a5的输出表示A1的输出；A2由a6和a7组成，其中a7表示循环结构，该流程片段的a6和a7表示首尾活动，a7的输出就是最后一次的循环结果，其中a6的输入表示A2的输入，a7的输出表示A2的输出。通过对片段流程的简化，能够更方便地进行服务组合性能评价。

图1　基本流程资源构建Fig. 1　Basic process resource construction

图2　复合流程资源构建Fig. 2　Composite process resource construction

2.2多粒度组合优化

本文讨论的问题是基于可行的流程服务组合，在多粒度模型下，利用服务质量因子（QoS）来评价流程组合服务的性能。多粒度制造服务的QoS模型在流程片段上对资源整体的表现形式。一般用户往往有其需求偏好，即对某个侧重的服务质量因子分配较大的权值，如服务的执行时间、执行价格等（所有服务质量因子权值之和为1）。服务组合的问题是存在多个解的，针对不同的流程所得出的解也有所不同，从这些解中很难选择出用户心目中的最优解，这时就需要根据用户的个人偏好去选择。所以，为了找到最优解，首先根据用户的偏好将其引入到目标公式中（本文采用顺序结构的流程来求解），然后将多目标问题简化成了单目标问题来进行求解，从而得到一个最优解［9］。

MPR表示服务在多粒度模型下的组合，f（MPR）表示在此模型下的组合性能，其优化公式的表示如下：

式中：qi为第i个服务质量因子；

由于一些用户会对QoS因子有一定的偏好，所以可以对这些质量因子给以一定的限制条件。如果设置了限制条件，可以把这些条件带入求解模型中。常用的时间t和成本c作为约束因子，以下式子是对总时间和总成本进行阈值限定：

因此，制造服务的多粒度组合问题的求解模型由式（1）～（3）组成［10］。

3　流程组合服务QoS计算方法

3.1基本的QoS计算方法

多粒度服务的QoS 计算，采用基于个体活动的质量因子进行近似计算，这是一种虚拟的计算结果，记为。表1为QoS组合计算式。

表1　QoS组合计算式Table 1　The computing formula for QoS combination

表1中，wsi表示虚拟服务，它们可以为单粒度，也能够是多粒度服务，n表示模块中的服务数目，选择结构中的i表示wsi是否被选择，循环结构的k表示循环次数，t， c， a， s分别表示服务时间、服务成本、服务可用性和服务信誉度。

wsi这种多粒度组合，由若干个多粒度或者单粒度混合而构成一条制造业务流程图，它能够包含多个路径，如图3所示。图中的每一个长方框表示一个虚拟服务，而其内部的条形框则表示它所包含的业务活动，多粒度服务是由多个活动构成的业务流程逻辑，单粒度服务则只包含单一的过程活动（单粒度为多粒度的特殊情况）［11］。

图3　多粒度服务组合示例Fig. 3　Examples of multi-granularity service composition

根据流程控制的结构和单个QoS因子进行计算。在此多粒度组合模型下，分别对效益指标和成本指标进行求解：

式（4）～（5）中：q为当前服务所选择的值；

qmax， qmin分别为服务组合候选集合中的最大值和最小值；

Q1为效益型指标；

Q2为成本型指标。

下式表示原始QoS矩阵：

将原始QoS矩阵转化为归一化矩阵［12］，再根据表1的QoS计算因子，可求得组合粒度服务各QoS因子值qL，设，qL为归一化的原始QoS矩阵，该式中表示综合多粒度流程求值，其中。同理也是这种形式的矩阵。t， c是负相关因子，表现为Q2成本型指标，a， s是正相关因子，表现为Q1效益型指标。设用户偏好为为用户对4项指标的主观偏好，其中。然后对这些因子分配适当的权重计算综合，得出

3.2改进后的QoS计算方法

基本QoS计算方法的QoS属性是原始理想的QoS属性因子，而且这些QoS属性因子的共同点就是，在不考虑与不同资源组合所带来差异的情况下，不管与哪个资源组合都是采用原有的QoS属性因子。在实际的生产中，很多资源都处于不同的地点，特别是对设备资源，然而设备资源之间的距离往往会对产品完工时间、完工成本产生影响，所以有必要对这些原始理想的QoS相关因子进行改进。

引入业务服务能力的概念。业务服务能力是指在某业务流程上，多粒度资源的整体单元性活动对该业务流程的完成能力进行评价。在整个业务流程中，业务服务能力不仅需要考虑它自身的各个活动的服务质量，还要考虑其余因素所产生的影响以及服务质量所完成的情况，本文主要考虑距离。

对于时间t，由于距离会导致资源执行时间增加，因此，需将这部分物流时间加到资源执行时间上。设实际执行时间为，则。其中，v为速度，i为第i个资源。

对于成本c，由于距离与成本成正相关，需要加到资源执行成本上。设实际执行成本为，则。其中，p为单位距离成本。

4　实例研究

某汽车加工零件如图1所示，是由一个标准的顺序结构的活动构成。

假设用户需求如下：服务时间在8～15 d之内，服务成本单个价格在25～35元之间，可用性和可靠性在0.5～1.0，每公里距离成本p为0.1元，物流速度v为50 km/h，总路程为50～200 km；QoS指标主观偏好为时间t和成本c。

本研究采用仿真的方法来进行实例测试，首先对原始QoS数据进行仿真，然后对改进的QoS数据再进行仿真，最后对比两者的性能。在测试中，一共生成20组数据。

基于多粒度模型下的流程优化组合包含以下几个步骤。

1）获取云服务的原始QoS指标数据。不考虑距离因素，在用户需求的范围内生成初始化的QoS数据，如表2所示。

2）获取云服务的QoS指标。由于时间和成本与距离因子成正相关，运输价格和运输速度都已知，利用3.2节中算式计算出时间指标和成本指标。与外界因素无关的指标有可用性指标和信誉度指标。考虑距离因素后，采用改进后的计算方法得出结果如表3所示。

表2　初始化原始QoS数据Table 2　Initialization of original QoS data

表3　初始化改进后的QoS数据Table 3　Initialization of improved QoS data

3）对4个候选的QoS指标和距离因子进行归一化。假设根据用户的偏好I为4×4的单位矩阵。价格、时间和距离用式（5）来表示系数，可用性和可靠性用式（4）表示系数，将原始的QoS数据和改进后的QoS数据归一化后，结果分别如表4和表5所示。

表4　归一化原始QoS数据Table 4　Normalized original QoS data

表5　归一化改进后的QoS数据Table 5　Normalized improved QoS data

图4　原始性能和实际性能对比Fig. 4　The original performance and actual performance comparison

从图4可以看出，有14组对象引入距离因素后，其QoS的整体性能下降，有6组对象引入距离因素后，QoS性能提升；在未引入距离因素的情况下，第11组数据为最优，引入距离因素后第10组数据为最优，故引入距离因素能够影响原有的实验结果，使结果更加接近真实情况。

5　结语

本文在多粒度资源统一模型的基础上，定义了基于多粒度流程的优化组合，并在此模型下给出了对服务组合相应的求解方式。多粒度资源指的是企业之间固定的流程组合，也可以是企业的核心活动流程组合，在此基础上引入业务服务能力来描述传统的QoS性能指标，并给出相对应的计算方式，对多粒度QoS性能给出评价方法。然而传统的QoS性能指标是理想的，实际中还有一系列的影响因素，本文考虑影响最大的距离因素，根据距离因素来改进对QoS性能指标的评价，使结果更加真实。

［1］姚锡凡，练肇通，李永湘，等. 面向云制造服务架构及集成开发环境［J］. 计算机集成制造系统，2012，18（10）：2312-2322. YAO Xifan ，LIAN Zhaotong ，LI Yongxiang ，et al. Service-Oriented Architecture and Integrated Development Environment for Cloud Manufacturing［J］. Computer Integrated Manufacturing Systems ，2012，18（10）：2312-2322.

［2］方丁，刘杰，赵卫东. 一种面向流程的业务服务设计方法［J］. 计算机集成制造系统，2009，15（5）：874-883. FANG Ding，LIU Jie，ZHAO Weidong. Process-Oriented Business Service Design Method［J］. Computer Integrated Manufacturing Systems，2009，15（5）：874-883.

［3］赵秋云，魏乐，舒红平. 基于业务流程的制造云服务组合模型［J］. 计算机应用，2014，34（11）：3100-3103. ZHAO Qiuyun，WEI Le，SHU Hongping. Composite Model of Manufacturing Cloud Service Based on Business Process［J］. Journal of Computer Applications，2014，34（11）：3100-3103.

［4］罗永亮，张霖，陶飞，等.云制造环境下制造能力建模关键技术［J］.计算机集成制造系统，2012，18（7）：1357-1367. LUO Yongliang，ZHANG Seng，TAO Fei，et al. Key Technologies of Manufacturing Capabilities Modeling in Cloud Manufacturing Mode［J］. Computer Integrated Manufacturing Systems，2012，18（7）：1357-1367.

［5］焦燕廷. 一种基于领域本体的语义Web服务匹配和组合方法［D］. 济南：山东科技大学，2011. JIAO Yanting. An Approach for Semantic Web Service Matching and Composition Based on Domain Ontology［D］. Jinan：Shandong University of Science and Technology，2011.

［6］郭媛香. 基于动态描述逻辑的语义Web服务PE匹配算法［J］. 晋中学院学报，2014，31（3）：64-68. GUO Yuanxiang. Semantic Web Service PE Matching Algorithm Based on Dynamic Description Logic［J］. Journal of Jinzhong University，2014，31（3）：64-68.

［7］王有刚. 基于语义Web服务发现和组合的研究［J］. 宁夏工程技术，2013 ，12（4）：56-60. WANG Yougang. Survey on Semantic Web Services Discovery Study on Discovery and Composition of Web Service［J］. Ningxia Engineering Technology，2013 ，12（4）：56-60.

［8］谭伟，姚锡凡，刘璇，等.多粒度制造资源统一模型及其语义服务发现［J］. 中国科技论文，2013，8（10）：1044-1049. TAN Wei ，YAO Xifan ，LIU Xuan，et al. Unified Model of Multi-Granularity Manufacturing Resource and Its Semantic Service Discovery［J］. China Sciencepaper， 2013，8（10）：1044-1049.

［9］MUTHUVELU N，CHAI I，CHIKKANNAN E，et al. QoS-Based Task Group Deployment on Grid by Learning the Performance Data［J］. Journal of Grid Computing，2014，12（3）：465-483.

［10］ZHENG Z，ZHANG Y，LU M R. Investigating QoS of Real-World Web Services［J］. IEEE Transactions on Services Computing，2014，7（1）：32-39.

［11］杨放春，苏森，李祯. 混合QoS模型感知的语义Web服务组合策略［J］. 中国科学（E辑：信息科学），2008，38（10）：1697-1716. YANG Fangchun，SU Seng，LI Zhen. Semantic Web Service Composition Strategies of Hybrid QoS Model Aware［J］. Science in China（Series E：Information Sciences），2008，38（10）：1697-1716.

［12］ANASTASI G F，CARLINI E，COPPOLA M，et al. QBROKAGE：A Genetic Approach for QoS Cloud Brokering［C］// 2014 IEEE 7th International Conference on Cloud Computing （CLOUD）. New York：IEEE，2014：304-311.

［13］LOODARICHEH R，MALLICK S，BHARGAVA V K. Resource Allocation with QoS Provisioning for Energy Harvesting Systems：A Goal Programming Approach［C］// 2015 IEEE International Conference on Communications（ICC）. New Jersey：IEEE，2015：2791-2796.

（责任编辑：申剑）

The Process Optimization Composition Based on Manufacture Multi-Granularity Model

LI Luda，LIU Ming，MAN Junfeng，PENG Cheng
（School of Computer and Communication，Hunan University of Technology，Zhuzhou Hunan 412007， China）

Evaluated four QoS factors on the multi-granularity model， introduced the distance factor based on actual cloud manufacturing production and compared with the original performance description. The results showed that： after the introduction of the distance factor， the expressed service composition performance was different from the original， which is more close to the actual situation.

cloud manufacturing；multi-granularity manufacturing resource；QoS；service composition

TP391

A

1673-9833（2016）01-0041-06

10.3969/j.issn.1673-9833.2016.01.008

2015-11-08

李路达（1989-），男，湖南湘乡人，湖南工业大学硕士生，主要研究方向为网络化软件，E-mail：279034215@qq.com