云制造环境下基于本体和模糊QoS的供应商匹配方法

孙晓琳,金 淳,马 琳,王文波

(1.大连理工大学管理与经济学部，辽宁 大连 116024；2.大连大学经济管理学院，辽宁 大连 116633)

1 引言

以云计算等网络信息技术为依托的云制造是实现“中国制造2025”路线图中加快推进制造业转型升级发展的重要模式[1]。对于企业重要运营环节之一的供应商选择而言，传统制造业的供应商选择模式存在着选择范围窄、信息不对称、流程繁琐、周期长等局限。而云制造使得分布的制造资源在云服务下实现高度共享，大大改变了传统的选择模式[2]。同时，在云制造环境下，庞大的供应服务资源也为供应商选择带来了新的难题，因而针对其服务匹配方法的研究成为当前的热点之一。

服务匹配所利用的信息包含功能性信息和非功能信息，后者也称QoS(qualifications of service)信息[3]。因两种信息的作用和表现形式不同，因而服务匹配分为功能性匹配和QoS匹配。功能性匹配的对象主要是服务的输入、输出参数集合，针对功能性匹配方法，Zhang Shudong和Chen Yan[4]，Blanco等[5]利用本体的结构特征，采用基于本体语义距离的概念相似度匹配方法，也是现在普遍用于解决信息不对称的方法；Bai Li等[6]利用模糊集理论描述服务资源，基于模糊规则进行服务匹配；邓水光等[7]利用二分图理论和KM算法进行服务功能性匹配；Zapater等[8]采用基于服务标准分类的匹配方法；Khater等[9]把功能匹配问题转化为图问题，用最短路径法进行功能匹配。QoS匹配对象是服务质量参数集合，具有产品及服务的个性化的特征，可用来在功能性匹配的基础上进一步选择功能相似的服务。针对QoS匹配方法，张成文等[3]研究了基于关系矩阵编码方式的遗传算法解决QoS感知匹配问题；李蜀瑜等[10]研究了结合QoS模糊性的粒子群算法，较好的解决了模糊QoS匹配问题；王尚广等[11]运用具有全局约束的QoS结合粒子群算法，通过分解的局部最优解找到全局最优的服务；Ahmed等[12]利用人工神经网络方法建立基于QoS的服务匹配模型；Zhao Xinchao等[13]研究了用粒子群算法解决动态QoS匹配问题；Ajao 等[14]研究了了基于用户个性化偏好的服务匹配问题； Huang Jinguo等[15]和杨洁[16]研究了基于服务质量评价模型的QoS匹配，Tao Qian等[17]把信任度添加到了QoS的参数中，并利用二进制搜索算法匹配最优服务，减少了计算时间复杂度；Wang Shangguang等[18]提出了一种多用户的服务选择框架，通过过去用户的经验QoS值预测失踪的QoS值以提供全局最优的服务匹配结果，王娟等[19]针对医疗服务供需提出了两阶段的匹配方法。

上述研究针对的是普通的Web服务匹配。近年来人们开始关注云计算环境下的服务匹配问题，如Dastjerdi等[20]提出了CloudPick框架，简化了云服务之间的资源调度，并利用基于语义描述的QoS模型提高服务发现的精度；罗贺等[21]考虑了云服务需求的动态性，提出了时变需求匹配方法；Rezaei等[22]构建语义互操作框架，为不同的云服务之间提供语义信息共享工具。这些研究对云环境下的服务匹配方法进行了有益的尝试，但总体而言，相关研究还处于起步阶段。云制造环境下所提供的服务具有资源数量大、语义信息不对称、QoS需求多样化和模糊化等特点，同时制造企业会根据实际情况自主选择匹配服务的需求。因此，传统方法运用到云制造环境下时会存在以下不足：首先，针对功能性匹配，难以解决语义信息不对称问题。传统的基于规则和图论[6-9]的方法难以解决语义信息不对称问题，本体可以描述语义信息使信息共享，但目前基于语义本体的匹配方法研究没有考虑因表达方式不同导致输入为非本体概念的情况，这将导致语义信息的丢失；其次，针对QoS匹配算法，启发式算法[10-13]计算速度快但难以控制早熟收敛，模糊QOS的评价[15-16]多采用大量矩阵计算，针对大量服务选择会降低服务效率。分阶段匹配的方法[18]给云制造环境下的供应商匹配提供了一些启发，但是阶段的划分标准对本问题并不适用。且大部分方法只得到唯一匹配服务，由于制造企业在供应商选择过程中会受到很多现实因素影响，往往企业需要的不单单是唯一服务，而是要在筛选出来服务集合中，再做主观判断，因而目前的匹配方法难以满足企业主动选择的需求。

针对上述问题，本文提出了云制造环境下基于本体和模糊QoS的三阶段匹配方法。定义了具有普适性的、基于语义的供应商服务本体模型，同时充分运用本体结构特点，引入属性影响度使语义信息更完整；采用优化的基于三角模糊数的FCM算法匹配QoS，在大量功能相似的服务中最后得到服务匹配结果的集合。

2 问题描述及语义模型

2.1 问题描述

云制造平台的业务流程如图1所示。云平台接收需求方提出的供应商需求，然后通过服务匹配从大量已注册的供应商服务资源库中挑选适合的供应商推荐给需求方。匹配结果的正确与否直接影响后续的协同制造过程和整个制造任务的效率。服务资源库中的供应商服务主要包含两方面的信息，一是供应商能够提供的基本功能，二是云制造环境下供应商的QoS信息。服务匹配的过程就是通过匹配需求和资源库中服务的这两方面信息找到适合的供应商。由于云制造环境下信息的异构性，使得需求方和供应方之间的信息无法共享和交互，另外需求方对匹配结果有自主选择的需求。因此，在云制造环境下进行服务匹配时，考虑语义共享和需求方自主选择要素至关重要。

为实现供应商需求和大规模供应商服务的语义共享，快速、准确、智能化的匹配，需要服务本体和标准化语义服务描述的支持，以下在2.2、2.3节中分别进行说明。

图1 云制造平台业务流程示意图

2.2 供应商服务本体模型

供应商服务本体提供对领域知识的共同理解和描述，能够实现领域和供应商服务的信息共享和交互，是服务匹配的语义基础[25]。然而目前本体没有统一的表示标准[4]，本文用三元组来表示本体：

O={C，Re，Con}

(1)

其中，C是本体中概念的集合；Re是C和C之间的关系集合，Re包含四个元素，即Re={is-a，kind-of，is-property，is-instance}，其中is-a表示概念之间部分与整体的关系、kind-of表示概念之间的继承关系、is-property表示一个概念是另一个概念的属性、is-instance表示概念和实例的关系，Con为公理集合，指C和C之间约束条件。

本研究在参考已有研究[3][4]、领域专家意见和WordNet标准的基础上构建了制造业供应商服务本体Oss，构成如下：

Oss=Ov∪Os∪Oq

(2)

其中，Ov为领域本体，是计算语义概念相似度的基础；Os为功能服务本体；Oq为QoS本体，既包含W3C提出的通用QoS指标[24]，也包括领域QoS指标。Os和Oq是用户在选择供应商服务的影响因素。Oss中的每个本体都用(1)式的本体结构表示。图2为汽车领域Oss片段。

图2 汽车供应商服务本体Oss示例图

2.3 供应商描述模型

(1)供应商描述。为能够对动态异构的供应商信息进行智能匹配，需要统一、完整的描述方法[5]。本文根据OWL-S的ServiceProfile类[23]的描述结构特点对服务进行语义描述，云制造环境中的供应商si描述如下：

si={B,QoS}

(3)

其中，B表示基本功能信息集合，B中的信息根据Os描述；QoS表示服务质量集合，QoS中的信息根据Oq描述。

si的各部分内容说明如下：

B={C,PQ,SA}，C为需求的资源概念名称，与Ov上的概念对应；PQ表示该资源的生产质量，PQ={pr,qc}，pr表示产品合格率、qc表示产品对应的认证体系；SA表示供应商的供货能力，SA={Ty,Num,TOD}，Ty表示产品型号、Num表示产品数量、TOD表示供应商的交货期。

QoS={Qg,Qs}，其中，Qg和Qs表示通用的QoS指标和制造业供应商专用QoS指标。Qg={qC,qT,qR,qRe}，qC为供应商服务的价格，qT为线上服务的响应时间，qR为服务的可靠程度，qRe为服务的信誉；Qs={qS,qP,qRP,qF,qCO}，qS为供应商的送样速度，qP为运费承担，qRP为退货服务，qF为生产能力的灵活性，qCO表示是否合作过。

(2)供应商需求描述。供应商需求包含供应商描述的内容。同时由于每个QoS参数的重要性不同，用户对各个参数的偏好会根据不同的情况进行动态选择。所以引入用户偏好向量P，每个偏好采用[0,1]的隶属度描述。P∈{quiteunimportant,unimportant,medium,important,veryimportant}={0.2,0.4,0.6,0.8,1}。

于是，供应商需求R可表示如下：

R={B,QoS,P}

(4)

3 三阶段匹配方法

3.1 方法思想

本文根据云制造环境下语义信息不对称，需求个性化及多样化的特点提出了三阶段匹配方法。在任一阶段，如果R和si的相似度Sim(R,si)≥ω(设定的阈值)，则si为满足需求的服务。用ωb、ωq、ωz分别表示第一阶段、第二阶段和第三阶段的阈值。图3是本文三阶段匹配方法的流程图。

第一阶段进行功能性匹配。匹配的对象为B，本文根据本体结构特点设计了语义相似度计算方法，在此基础上，计算了各个类型参数的相似度，得到功能性匹配集合S1，并作为第二阶段的供应商资源库。

第二阶段进行QoS匹配。结合模糊用户偏好把模糊多类型的QoS信息转化成三角模糊数，采用优化聚类中心的三角模糊数FCM算法快速聚类，得到QoS匹配度集合S2，并作为第三阶段的供应商资源库。

第三阶段进行综合匹配。利用前两个阶段的匹配度计算综合匹配度，得到基于匹配度排序的结果集合S3。

图3 三阶段匹配方法流程图

3.2 第一阶段功能性匹配

(1)匹配B

根据B中参数的不同类型采用不同的匹配方法。其中C是概念类型，概念的相似性可以利用本体结构中概念的量化关系进行判断[26]。本文在考虑概念的距离时仅考虑概念之间为is-a、kind-of和is-instance三种关系，且默认每种关系对应的连接距离为1，Dis(C1,C2)为两个概念节点C1和C2的最短距离，数值为各个节点到最近公共节点的距离之和[4]。在基于本体结构的语义相似度研究中，学者们研究讨论了上位概念集、概念深度、概念的语义密度对概念语义相似度的影响，但对这三个影响因子并没有统一的计算方式[5,27]。在已有研究基础上，本文给出了三种相似影响度的计算方法。

此外，考虑由于表达方式不同造成概念不能匹配到本体模型，从而造成错误或片面匹配结果的问题，本文追加了属性影响因素，即Ov中概念的is-property关系连接的属性，通过概念共同拥有的属性判断其相似性。综上，Ov中的概念C1和C2应满足以下4个规则：

规则1：重合度相似影响度。设从C1追溯到根节点的上位概念集合为U(C1)，从C2追溯到根节点的上位概念集合为U(C2)，若C1和C2的公共上位集的个数Count(U(C1)∩U(C2))≠0，两个概念公共上位集越多影响度则越大。则C1和C2的重合度相似影响度α1为：

(5)

规则2：深度相似影响度。设C1到定点的深度为Depth(C1)，C2到定点的深度为Depth(C2)，若C1和C2的语义深度差Depth(C1)- Depth(C2)≠0，两个概念的深度差越小影响度越大，且深度和越大代表细分度高影响度也就越大。C1和C2的深度相似影响度α2为：

(6)

规则3：密度相似影响度。若C1的兄弟节点的个数brother(C1)，C2的兄弟节点的个数brother(C2)，两个概念的兄弟越多说明该节点描述的越具体，相似度也就越大，C1和C2的密度相似影响度α3为：

(7)

规则4：属性相似影响度。设C1的属性值个数为attribute(C1)，C2的属性值个数为attribute(C2)，两个概念拥有的相同属性越高属性影响越大，则C1和C2的属性相似影响度α4为：

上述4个规则中r1，r2，r3，r4为可调节因子。

然后，在语义距离，概念重合度、密度、深度和属性的相似影响度分析基础上，用式(9)计算两个概念节点C1和C2的语义相似度。

Sim(C1,C2)=

(9)

其中，λ为可调节因子，η1，η2，η3分别为概念重合影响度、密度和深度影响度的权重，η1+η2+η3=1。

Sim(brt,bst)=

(10)

若B中第t个参数为区间型则其语义相似度计算如下，其中|r∩s|表示公共数值的长度。

(11)

(3)功能性匹配相似度及S1

依据B中各个元素的属性类型特征，利用式(9)～(11)计算得到的各个类型参数的相似度，R与si的功能性匹配的相似度为各个参数相似度的乘积，计算公式为(12)。

(12)

然后利用公式(13)得到功能性匹配结果结合S1，并把S1作为第二阶段匹配的供应商资源库。

S1={si|si∈S;Sim(R.B,si.B)≤ωb}

(13)

3.3 第二阶段QoS匹配

因QoS中指标的不确定性和复杂性，不能对其定量描述而需采用模糊语言表示[29]。另外，用户对于QoS中的每个属性往往拥有不同的偏好[13]，并且对匹配的结果有自主选择的需求。因此，本文采用基于三角模糊数的FCM聚类算法[28]，把QoS模糊语言转化成三角模糊数，尽量完整表达模糊信息，同时引入了用户偏好，并通过优化初始聚类中心，循环聚类，使得结果集中符合需求的资源快速收敛到同一个类别，得到供应商集合，以弥补传统匹配方法忽略QoS模糊性和只得到一个匹配结果的不足。

(1)结合用户偏好对QoS模糊数据标准化

本文将QoS的描述信息用{无，很低，低，微低，中，微高，高，很高，完全}九个模糊描述语言表示，除此之外本文还追加了QoS的表现形式可以为自然语言、区间和精确值，并把每个描述语言转化成三角模糊数，详见表1。

(14)

表1 QoS模糊语言的模糊数对照表

(15)

(16)

(2)用优化的FCM算法缩小供应商范围

本文利用聚类算法的目的是让供应商资源库中与需求相似的服务快速收敛到一个小范围。有学者采用FCM算法对资源进行聚类[30]，但没有考虑其模糊性。本文采用基于三角模糊数的FCM算法，并优化初始聚类中心。聚类的数目可根据实际资源的数目确定，本文借鉴二分查找的思想设置聚类数目为2，循环聚类逐渐缩小供应商范围。

根据聚类数目，需要初始化两个聚类中心。为保证尽可能的选择接近R的QoS服务类别，保证按需服务发现，本文将Xn作为第一个初始的聚类中心，即：

(17)

(18)

算得V0后，用基于三角模糊数的FCM算法缩小供应商范围，算法流程如下：

(3)QoS相似度及S2

利用模糊贴近度计算CRQOS中RQ和其他资源的相似度。贴近度的概念与相似度类似，越接近1表示两个模糊集越接近。本文采用欧几里得多属性的三角模糊数贴近度计算方法由公式(19)得到RQ与CRQOS中其他资源的QoS相似度。

(19)

然后根据公式(20)得到QoS匹配结果结合S2，并把S2作为第三阶段匹配的供应商资源库。

S2={si|si∈S1;Sim(R.QoS,si.QoS)≤ωq}

(20)

3.4 第三阶段综合匹配

第三阶段在第二阶段的资源集合S2的基础上，根据前两个阶段得到前两个阶段的功能性相似度和QoS相似度，加权求和得到R与si综合匹配度为：

Sim(R,si)=α·Sim(R.B,si.B)+β·Sim(R.QoS,si.QoS)

(21)

图4 优化聚类中心的模糊QoS聚类算法流程

其中，α和β分别为两阶段相似度的权值，表示各阶段相似度对综合相似度的影响程度，α+β=1。

然后，根据公式(22)得到综合匹配结果结合S3，需求方在S3中自主选择最满意供应商，完成供应商的匹配。

S3={si|si∈S2;Sim(R.QoS,si.QoS)≤ωz}

(22)

4 实验分析

4.1 实验设计及本体建立

为验证本文方法的效果，采用某汽车企业真实供应商服务数据为样本，通过采用不同样本量和改变需求还有方法对比进行实验分析。样本中供应商的QoS数据从相关企业平台数据库中抽取，用户偏好数据根据专家意见得到。

实验中匹配的服务是汽车发动机零部件供应商，图5为本文建立的相应部分领域本体结构。分别选取了50，150，250个汽车发动机零部件供应商服务用于方法有效性实验，实验基本参数设置为：ωb=0.6，ωq=0.8，ωz=0.8，η1=η2=η3=1/3，聚类参数mf=2，停止阙值ε=1.0e-6，P={1,0.6,0.8,0.8,0.4,0.8,0.8,0.8,0.8}，α=0.7，β=0.3。用户需求R的信息为：C为活塞销，pr为100%，Num为200件，TOD小于15天，QoS={qC，qT，qR，qRe，qS，qP，qRP，qF，qCO}={[11,13]，完全，很高，完全，很高，很高，是，完全，是}。

实验通过本文方法得出服务匹配结果集合，并通过比较传统基于本体的语义相似度的服务发现算法[24]，证明本文的服务匹配方法的优化效果。以下对方法各阶段的效果逐个进行分析。

图5 发动机零部件本体结构片段

4.2 三阶段服务匹配方法有效性分析

(1)匹配方法的适用性分析

下面以150个样本的实验为例说明服务发现方法的过程和结果。第一阶段对供应商进行功能性匹配，根据本体结构计算得到功能性相似度。表2为列举的部分供应商概念与服务需求的概念相似度计算结果。

通过第一阶段的匹配，有49个供应商的相似度大于ωb进入第二阶段的匹配。然后经过第二阶段和第三阶段匹配后得到了S3，计算结果见表3，其中模糊程度按照表1中模糊语言对应的数字序号表示。

由结果可知，在供应商中有大量的功能相似和相同的服务需要，只有依据非功能性的QoS匹配才能精准的确定匹配结果。其中S104是最符合用户需求的服务，是贴近实际情况的准确解，体现了本文方法的适应性；资源集合{S25，S63，S87，S99，S101，S102，S104，S105，S125}为具有相同功能的备选服务；另外，方法还推荐了资源集合{S88，S130}，虽然此集合中的服务功能与服务需求不完全一致，但与需求归属同一类别零部件，具有一定的参考价值，用户可以通过推荐的结果根据实际情况主动的选择供服务。

表2 部分概念相似度

(2) 查准率对比分析

现将汽车发动机零部件领域的三个不同的供应商需求作为实验的条件，对本文方法与Lee等[24]的服务发现算法进行了对比，评价指标为查准率Va，计算方法为式(23)：

(23)

表3 匹配结果集合

其中，Srs为匹配结果集合，Srv为Srs中与需求相关的供应商集合。

由于查准率与结果集合的大小有关，本文取相似度0.9以上的资源集比较两个方法的查准率，如表4所示。从对比的结果可以看出，本文的方法较文献方法查准率高。由于选取的0.9相似度的限制和结果集数目的不同，导致查准率有波动，但是本文方法比文献算法的查准率平均提高30%以上。经过本文方法得到的相似度越高，资源匹配的精准度越高。

表4 综合匹配度0.9以上集合查准率对比

4.3 匹配方法中改进聚类中心的有效性分析

设资源数目为50，150，250三次实验的S1中资源的数量分别为N1，N2和N3，本文对比了在这三种不同资源数量下本文算法和未优化聚类中心的三角模糊数FCM算法[25]。图6为结果对比图，采用的评价指标为算法迭代次数降低比率Viter。设本文算法的迭代次数为iter1，未优化聚类中心算法的迭代次数为iter2，Viter的计算公式如下:

(24)

图6 两种方案结果比较

从实验结果可以看出，随着供应商数目的增加，本文优化算法比未初始化聚类中心算法的Viter逐渐增加，提高了匹配的效率。

5 结语

(1)针对云制造环境下供应商服务匹配中存在的信息不对称、相似功能多和个性化需求导致的QoS的多样性和模糊性问题，本文提出了基于语义和模糊QoS的三阶段服务匹配方法。方法的设计思想具有较高的针对性，尽最大可能满足现实需求。

(2)在三阶段匹配方法中，所建立的制造业供应商服务描述模型和本体模型在第一阶段运用语义本体消除了信息不对称性、避免了语义信息误读可能性；在第二阶段采用优化三角模糊数的FCM方法可满足个性化和模糊QoS需求，迭代次数减少了10%以上。

(3)实验对比结果表明：本文匹配方法可提高查准率30%以上，且服务结果集合中服务资源相似度越高，越能显示出本方法服务匹配的精度。同时，算法还具有较高的适应性和可拓展性。

本研究为探索如何解决云制造环境下的供应商服务匹配问题提出了一种新思路。

[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.

[2] Xu Xun. From cloud computing to cloud manufacturing[J].Robotics and Computer-Integrated Manufacturing, 2012, 28(1):75-86.

[3] 张成文,苏森,陈俊亮.基于遗传算法的QoS感知的Web服务选择[J].计算机学报，2006,29(7):1029-1037.

[4] Zhang Shudong, Chen Yan. Research on domain ontology-based intelligent information retrieval system[J]. Key Engineering Materials, 2011,460-461: 300-304.

[5] Blanco R, Lioma C. Graph-based term weighting for information retrieval[J].Information Retrieval, 2012, 15(1):54-92.

[6] Bai Li, Liu Min. Fuzzy sets and similarity relations for semantic web service matching[J]. Computers & Mathematics with Applications, 2011, 61(8):2281-2286.

[7] 邓水光,尹建伟,李莹,等.基于二分图匹配的语义Web服务发现方法[J].计算机学报, 2008, 31(8):1364-1375.

[8] Zapater J J S, Escrivá D M L, García F R S, et al. Semantic web service discovery system for road traffic information services[J]. Expert Systems with Applications, 2015, 42(8):3833-3842.

[9] Khater M, Malki M. Improving the performance of semantic web services discovery: shortest path based approach[J]. International Journal of Information Technology & Computer Science, 2014, 6(6):32-39.

[10] 李蜀瑜.基于QoS和模糊粒子群优化的语义Web服务发现[J]. 计算机应用, 2012, 32(5):1347-1350.

[11] 王尚广,孙其博,杨放春. 基于全局QoS约束分解的Web服务动态选择[J]. 软件学报, 2011, 22(7):1426-1439.

[12] Ahmed H, Begum M, Siddiqui F H, et al. Dynamic web service discovery model based on artificial neural network with QoS support[J]. International Journal of Scientific & Engineering Research, 2012,3(3):1-7.

[13] Zhao Xinchao, Wen Zichao, Li Xingmei. QoS-aware web service selection with negative selection algorithm[J]. Knowledge & Information Systems, 2013, 40(2):349-373.

[14] Ajao T A, Deris S. Optimal web service selection with consideration for user′s preferences[J]. International Journal of Computer Science Issues, 2013,10(2):355-359.

[15] Huang Jinguo. Study on the quality evaluation model construction and QoS optimization of web service composition[J]. Journal of Convergence Information Technology, 2012,7(6):340-347.

[16] 杨洁, 李登峰, 赖礼邦. Web 服务环境下基于信息协商的组合服务多属性选择方法[J]. 运筹与管理, 2015, 24(3): 134-141.

[17] Tao Qian, Chang Huiyou, Gu Chunqin, et al. A novel prediction approach for trustworthy QoS of web services[J]. Expert Systems with Applications, 2012, 39(3):3676-3681.

[18] Wang Shangguang, Hsu C H, Liang Zhongjun, et al. Multi-user web service selection based on multi-QoS prediction[J]. Information Systems Frontiers, 2013, 16(1):143-152.

[19] 王娟,陈希,赵柳.考虑需求者期望的两阶段医疗服务供需匹配方法[J].中国管理科学,2015,23(S1):132-136.

[20] Dastjerdi A V, Garg S K, Rana O F, et al. CloudPick: A framework for QoS-aware and ontology-based service deployment across clouds[J]. Software Practice & Experience, 2014,45,20(2):197-231.

[21] 罗贺, 汪永康, 齐杰,等. 面向时变需求的云服务匹配方法[J]. 中国管理科学, 2012，20(S1):179-183.

[22] Rezaei R, Chiew T K, Lee S P, et al. A semantic interoperability framework for software as a service systems in cloud computing environments[J]. Expert Systems with Applications, 2014, 41(13):5751-5770.

[23] 吕苗,金淳,邓晓懿,等.基于情境的移动商务餐饮服务知识建模及推理研究[J].情报学报,2013, 32(2):138-147.

[24] Lee K, Jeon J, Lee W, et al. QoS for web services: Requirements and possible approaches[R].Note，W3C Working Group，2003.

[25] Martin D, Burstein M, Hobbs J, et al. OWL-S: Semantic markup for web.services[R].Memebr Submission， World Wide Web Consortium，2004.

[26] Li Xuanming, Li Binfei, Fu Dachao. The ontology-based methods of similarity and correlation and their application in urology intelligent retrieval[J].International Journal of Advancements in Computing Technology, 2013,5(9):26-35.

[27] Costa R, Lima C, Sarraipa J, et al. Facilitating knowledge sharing and reuse in building and construction domain: an ontology-based approach[J]. Journal of Intelligent Manufacturing, 2016, 27(1):263-286.

[28] 樊治平,于春海,尤天慧.一种基于三角模糊数多指标信息的FCM聚类算法[J].控制与决策, 2004, 19(12):1407-1411.

[29] Moghaddam K S. Fuzzy multi-objective model for supplier selection and order allocation in reverse logistics systems under supply and demand uncertainty[J]. Expert Systems with Applications, 2015,42(S15-16):6237-6254.

[30] 李文娟, 张启飞, 平玲娣,等. 基于模糊聚类的云任务调度算法[J]. 通信学报, 2012，(3):146-154.