作业车间调度算法资源云服务化方法

刘胜辉 张星 张淑丽 马超

摘 要：针对制造执行系统间调度算法资源共享度不高，并且难以高效地从候选调度算法资源中选择合适的求解算法进行调度排产的问题，研究了云制造环境下的作业车间调度算法资源云服务化方法。首先基于OWL-S（ontology web language for services）建立调度算法资源的本体数据模型以及发布规范，然后为了提高算法服务请求者满意度和算法资源提供者经济收益，提出了基于加权多维特征融合的量化匹配与推荐方法。最后，通过搭建原型系统，并利用哈电机的历史数据进行仿真实验。结果表明，所提出的数据模型和推荐算法能够有效的提升调度算法资源的共享程度和选择速度。

关键词：

云制造；算法；作业计划与调度；本体；语义

DOI：10.159

38/j.jhust.2018.03.001

中图分类号： TP301

文献标志码： A

文章编号： 1007-2683（2018）03-0001-08

Servitization of Job Shop Scheduling Algorithms

LIU Sheng-hui， ZHANG Xing， ZHANG Shu-li， MA Chao

（School of Software， Harbin University of Science and Technology， Harbin 150080， China）

Abstract：The scheduling algorithm resources are not yet fully shared betwwen manufacturing execution system， and it is difficult to efficiently select the appropriate scheduling algorithm for scheduling problem from the candidate scheduling resources. To resolve this issue， the servitization of job shop scheduling algorithm resource in cloud manufacturing was studied. Firstly， an OWL-S-based ontology data model and publication specification of scheduling algorithm resource was given， and then a quantitative matching and recommending method based on weighted multidimensional feature fusion was presented， in order to improve the satisfaction of algorithm service requesters and the economic benefits of algorithm resource providers. Finally， through building a prototype system and using the historical data of Harbin Electrical Machinery Plant as a verification case， the results proved that the data model and recommend algorithm can effectively promote the sharing degree and selection speed of scheduling resources.

Keywords：cloud manufacturing； algorithm； Job Shop Scheduling； ontology； semantics

0 引 言

作業车间调度是制造执行系统（manufacturing execution system， MES）的核心功能之一，其是车间能否在期望的时间内合理利用有限的制造资源完成相应的加工任务的关键，因此，及时准确地作业车间调度对车间生产系统的高效运行有着重要地影响。

当前的制造执行系统多处于独立、封闭的环境，不同制造执行系统之间的调度算法资源尚不能进行充分共享，制约了车间生产效率的提升。并且，现实生产中，作业车间调度是一个复杂的问题，在不同环境下调度问题的模型（目标函数与约束）和求解方法[1-2]也不尽相同。针对不同的问题模型，如何高效地从众多的调度算法中选择合适的求解算法，也是一直困扰着制造企业的决策者。

云制造[3-4]的核心思想就是充分利用现在的制造资源，进行优化配置，实现资源的共享与协作。因此，针对上述问题，本文研究如何将作业车间调度算法这一特殊的软制造资源进行服务化封装[5-9]，构建作业车间调度算法资源云服务池，提高其资源利用率，实现算法资源的增值增效；同时，给出在算法资源云服务平台中作业车间调度算法的语义匹配方法[10-14]和算法资源使用的评价模型，以便支持算法资源服务请求者获得适宜的作业车间调度算法。

1 作业车间调度算法资源共享过程

1.1 计划与调度算法资源的标准化接入

计划与调度算法资源属于制造软资源中的软件类资源，同时计划与调度算法具有与云服务使用者交互性不高的特点，因此适用于采取基于远程调用的方式来实现算法资源的接入。具体的说，可采用Web Service技术实现算法资源的标准化的互联网接入：利用SOAP（simple object access protocol）描述算法资源输入和输出消息的格式，利用WSDL（web services description language）描述如何访问云服务提供者的算法资源接口，利用UDDI（universal description discovery and integration）来管理、分发及查询封装成Web Service的计划与调度算法资源。

1.2 计划与调度算法资源的优化管理

计划与调度算法资源的优化管理，主要任务是针对不同的算法资源请求，找到最适合的算法资源进行处理。它分为两个阶段：根据用户请求信息，通过检索匹配，找到资源服务池中满足需求的候选算法服务集；根据历史评价信息，对候选服务集中的算法资源进行优化选择。

1.3 计划与调度算法资源的运行与监控

计划与调度算法资源的运行与监控的主要任务是，把算法资源请求者的数据发送给计划与调度算法资源的优化管理阶段最终选择的调度算法，进行处理；处理完毕后，把调度结果返回给算法资源请求者，并且对算法资源请求者和算法资源提供者的评价信息进行收集，从而对算法资源的优化选择进行支撑。

2 基于本体的算法资源服务语义描述

2.1 算法资源的服务本体

以往的资源虚拟化和服务化方法，是针对所有的制造资源和制造能力的共性进行研究，而调度算法资源是制造资源中的软资源，具有自己特性。本文针对软资源的特点，结合OWL-S研究调度算法资源的服务化，算法资源标准化的接入采用Web Service技术。在Web Service技术中的WSDL对服务的属性描述缺乏进一步的支持，但为了满足对生产计划与调度算法资源的智能管理及用户的个性化需求，必须对算法资源服务的语义进行充分描述。因此，首先需要基于OWL-S给出算法资源的服务本体。

定义1 任一算法资源服务定义为一个AR_Service本体，其本体模型为：

AR_Service=

其中，AR_ServiceProfile描述算法资源服务的领域知识。服务提供者和使用者可以通过AR_ServiceProfile来描述算法资源服务的基本、功能、性能与状态等方面的信息。服务发现模型通过服务供需双方在AR_ServiceProfile上的双向声明信息来实现服务智能匹配，帮助服务使用者获得满足需求的AR_Service。

AR_ServiceModel描述算法资源服务实现的内部流程，即具体实现细节。由于一个生产计划与调度算法的执行过程具有原子性，因此每个AR_ServiceModel都是一个可以被直接调用的不可再分的原子过程，其需要绑定AR_ServiceGrounding信息。

AR_ServiceGrounding描述如何获得算法资源服务，具体包括服务提供者的访问地址、通信协议、输入与输出的定义等信息。

2.2 算法资源的领域本体

算法资源的领域本体可以描述成为：

AR_ServiceProfile =

其中，基本属性BP（BasicProperty）包括算法编码、算法名称、算法简介、算法类型、算法提供者等信息。

功能属性FP（FunctionProperty）包括算法功能简述、算法约束条件、算法功能的输入、算法功能的输出等信息。

性能属性PP（PerformanceProperty）包括算法的求解能力、收敛性和求解精度等信息。

状态属性SP（StatusProperty）包括算法的当前状态、当前状态开始时间、负荷状态等信息。其中，算法当前状态的取值范围为{可用，更新中、已下线}。

评价属性EP（EvaluationPorperty）包括算法的功能评价、性能评价、服务QoS（Quality of Service）评价、信誉评价等信息。

应用属性AP（ApplicationProperty）包括算法的应用方式和付费方式。

3 算法资源云服务的优化管理

算法资源云服务的优化管理功能主要是指对算法云平台中的算法资源服务池中的算法服务进行优化管理，其目标是为消费者发布的调度任務找到最优化的算法服务来完成它。要实现这一目标，就需要经历两个阶段的处理工作：基于语义的算法服务检索与匹配，从语义层面找到一组与调度任务相匹配的算法服务，即可选算法服务集；基于评价指数的算法优化选择，以评价指数作为衡量标准，从可选服务集中选择最优化的算法服务。

3.1 基于语义的算法服务检索与匹配

以往的匹配方法都是面向所有的Web服务的检索与匹配，没有考虑到车间调度算法云服务的特殊性。由于调度算法云服务是一个很明确的领域，并且不涉及到服务的组合，因而检索的计算量会降低很多。并且请求者和提供者使用的是统一的本体，可以很大程度上提高匹配的精度。

基于语义的算法服务检索与匹配旨在根据用户对算法服务的需求描述，利用各类服务匹配算法，从算法云服务平台中筛选出最符合用户需求的算法云服务。算法云服务请求中，有的需求是必须严格满足的，称为硬性需求；有些需求是可以尽量满足的，称为软性需求。算法云服务与算法云服务需求的匹配度可用如下公式表示：

MD（R，P）=（

SymboleC@w*MDS（R，P））*

SymbolPA@（MDH（R，P））（1）

式中：R代表算法云服务请求；P代表算法云服务；MD（R，P）代表算法云服务的匹配度；MDS（R，P）代表算法云服务对算法云服务请求的软性需求的匹配度，它的值域为[0，1]；w为该项需求的权重；MDH（R，P）表示算法云服务对算法云服务请求硬性需求的匹配度，它的值域为0，1。

根据式（1）可以将算法云服务的匹配分为两个阶段：硬性需求匹配阶段和软性需求匹配阶段。由于硬性需求的匹配函数的值域为0，1，所以可以通过硬性需求匹配淘汰掉不满足需求的算法云服务，并且所有满足硬性需求的算法云服务的匹配度的值等于软性需求的匹配度的值。硬性需求的匹配包括状态属性匹配、应用属性匹配、基本属性匹配和功能属性匹配；软性需求匹配包括性能属性匹配。针对算法云服务的不同属性，需采用多种匹配度的计算方法。为此，首先要构建针对算法云服务的各个属性的匹配模型：

定义2 一个算法云服务的功能属性可以表示为四元组

F=

其中：Dcrp（Description）表示算法云服务的功能描述，Cstr（Constraint）表示算法云服务的约束，Input为算法云服务执行所需要输入的信息组成的参数集合；Output表示算法云服务执行后所产生的输出信息组成的参数集合。为实现基于语义的匹配，Dcrp、Cstr、Input和Output的参数均引用领域本体中的概念。

定义3 算法云服务功能属性匹配程度指算法云服务功能属性满足算法云服务请求功能需求的程度，设算法云服务功能需求为：

RF=

算法云服务功能属性为：

PF=

w1，w2，w3和w4分别为Dcrp，Cstr，Input和Output 4个属性在匹配过程中所占的权重，并且w1+w2+w3+w4=1则算法云服务功能属性匹配程度FMD（Function Macth Degree）可表示为

FMD（R，P）=

w1*dcrp_md（RDcrp，PDcrp）

+w2*cstr_md（RCstr，PCstr）

+w3*input_md（RInput，PInpuit）

+w4*output_md（ROutput，POutput）（2）

定义4 一个算法云服务的性能属性可以表示为三元组

P=

其中：Ability表示算法云服务的求解能力，即该算法云服务处理多大规模的问题时，性能最稳定；Cvgc （Convergence） 表示算法云服务的收敛性，用算法的运行时间来衡量；Precs（Precision）表示算法云服务处理特定问题所得调度结果与该问题的最优解之间的偏差大小。

定义5 算法云服务性能匹配程度指算法云服务的性能属性满足算法云服务请求性能需求的程度，设算法云服务性能需求为：

RP=

算法云服务性能属性为：

PP=

δ1，δ2和δ3分别为Ability，Cvgc和Precs三个属性在匹配过程中所占的权重，并且δ1+δ2+δ3= 1，则综合匹配程度PMD（performance macth degree）可表示为

PMD（R，P）=

δ1*ability_md（RAbility，PAbility）

+δ2*cvgc_md（RCvgc，PCvgc）

+δ3*precs_md（RPrecs，PPrecs）（3）

在匹配开始之前，需要使用服务解析器对标准的算法云服务请求本体进行解析，从中解析出用户的需求信息。

1）硬性需求匹配阶段

（a）状态属性匹配。对那些当前状态为更新中、已下线，或者负荷状态为满负荷、超负荷的算法云服务进行过滤。

（b）应用属性匹配。在进行应用属性匹配之前，首先检查解析出的用户需求是否对这个属性有要求，如果没有，则跳过这个阶段；如果有，则对应用方式和付款方式与算法云服务请求不符的算法云服务进行过滤。

（c）基本属性匹配。在进行基本属性匹配之前，首先检查解析出的用户需求是否对这个属性有要求，如果没有，则跳过这个阶段；如果有，则对算法类型和算法编码等与算法云服务请求不符的算法云服务进行过滤。

（d）功能屬性匹配。功能属性匹配又分为功能描述匹配、约束条件匹配、输入与输出参数匹配和功能属性综合匹配4部分的匹配：

①功能描述匹配。

对解析出的功能需求，通过中文分词，提取关键字，然后依据算法资源的领域本体，与本体中定义的概念进行映射，组成功能描述向量。同样的，把算法云服务资源池中的算法云服务的功能描述信息进行映射，组成功能向量。然后，将功能需求中的每一个项与算法云服务的项逐一进行匹配，并取匹配程度最高的项，作为功能项匹配对。最后，功能描述的匹配度，取需求功能描述向量各个项的平均值。

②约束条件匹配。

在进行求约束条件匹配前，首先检查解析出的用户需求中是否对这部分有要求，如果没有，则所有算法云服务的这部分的匹配度都为1，否则对解析出的约束条件需求中的每一条约束信息，利用语义推理工具进行语义推理，计算它和算法云服务的所有约束信息进行匹配，并把匹配程度最大的作为该条的匹配程度，记录对应的约束条件对。最后，选取约束条件匹配对中，匹配度最小的作为该项的最终匹配度。

③输入、输出参数匹配。

首先，对输入、输出参数的参数个数进行匹配。假设算法云服务请求R有IR个输入参数，OR个输出参数；算法云服务P有IP个输入参数，OP个输出参数。当IR < IP或者 OR > OP时，则算法云服务P不能满足R的需求。

然后，对算法云服务请求R的第一个输出参数，计算它和算法云服务P的所有输出的匹配程度，并把匹配程度最大的作为该项的匹配度，记录对应的输出参数对。如果该匹配度大于预设的参数匹配度阈值，则按照相同的方法，计算其余OR-1个参数的匹配程度；否则，算法云服务P不能满足R的需求。同理，对R的输入参数进行匹配。最后，选取输入、输出参数各项中匹配程度最低的作为该项的最终匹配程度。

④功能属性综合匹配。根据各属性的匹配程度和其所占权重，计算算法云服务与算法云服务请求最终的匹配程度，根据预设的匹配度阈值，过滤匹配度过低的算法云服务。

2）软性需求匹配阶段

（a）性能属性匹配。性能属性匹配又分为求解能力匹配、收敛性匹配和求解精度匹配3个部分的匹配：

①求解能力匹配。

求解能力指的是该算法云服务在处理多大规模的问题时，稳定性最好，它是一个区间，为了能够进行定量的分析，我们用这个区间的中心点进行表示。在进行求解能力匹配前，首先检查解析出的用户需求中是否对这个性能有要求，如果没有，则所有算法云服务的这部分的匹配度都为1，否则按照如下公式进行计算其求解能力匹配度。

ability_md（R，P）=11+logPAbilityRAbility（4）

式（4）中：ability_md（R，P）表示算法云服务求解能力的匹配度；R表示算法云服务请求；P表示算法云服务；RAbility表示算法云服务的求解能力需求；PAbility表示算法云服务的求解能力。

②收敛性匹配。

收敛性指的是算法云服务在进行处理特定规模的问题时，进入稳定期的速度，由于大多数的算法都把处理结果进入稳定期作为算法的结束条件，所里这里用算法的运行时间表示算法的收敛性。在进行收敛性的匹配前，首先检查解析出的用户需求是否对这个性能有要求，如果没有，则所有算法云服务的这部分的匹配度为1。如果有，则看用户是否对算法的求解能力有要求，如果有，则用算法之前根据指定测试用例测得的收敛性中问题规模与求解能力的值最相近的，根据如下公式计算其收敛性匹配度；如果没有，则用预先选定的问题规模的收敛性，根据如下公式计算其收敛性匹配度。

cvgc_md（R，P）=1-|RCvgc-PCvgc|RCvgc（5）

式中：cvgc_md（R，P）表示算法云服务的收敛性匹配度；R表示算法云服务请求；P表示算法云服务；RCvgc表示算法云服务请求的收敛性需求；PCvgc表示算法云服务的收敛性。

③求解精度匹配。

求解精度指的是算法云服务求得的结果与最优解之间的差异，用该规模问题的最优解的生产周期与算法求得的解的生产周期的比进行表示。在进行求解精度的匹配之前，首先检查解析出的算法云服务需求中是否对这部分性能有要求，如果没有，则所有算法云服务的这部分匹配度都为1。如果有，则看用户是否对算法的求解能力有要求，如果有，则用算法之前根据指定测试用例测得的求解精度中问题规模与求解能力的值最相近的，根据式（6）计算其收敛性匹配度；如果没有，则用预先选定的问题规模的求解精度，根据式（6）计算其求解精度匹配度。

precs_md（R，P）=1，RPrecs>PPrecs

PPrecsRPrecs，others（6）

式中：precs_md（R，P）表示算法云服务求解精度匹配度；R表示算法云服务请求；P表示算法云服务；RPrecs表示算法云服务请求的求解精度需求；PPrecs表示算法云服务的求解精度。

④性能屬性综合匹配。

根据各属性的匹配程度和其所占权重，计算算法云服务与算法云服务请求最终的性能属性匹配程度。

由于硬性需求的匹配函数的值域为0，1，所以所有满足硬性需求的算法云服务的匹配度的值等于软性需求的匹配度的值。即候选算法云服务集中的算法云服务的性能属性的综合匹配度等于最终的算法云服务匹配度。根据这个值对算法云服务进行排序，然后，选取预设数量的算法云服务进入基于评价指数的算法服务优化选择。

3.2 基于评价指数的算法服务优化选择

实现基于评价指数的算法服务优化选择的关键是算法服务综合评价指数的综合计算，此处采用的是主观与客观相结合、定性与定量相结合的综合评估模式。为此，首先需要构建算法服务综合评价指数的评价指标体系。该评价指标体系是一个三层模型，顶层是目标层，即综合评估的目标是获取评价指数的取值；中间层是准则层，包括算法功能、算法性能、服务QoS[15-17]、信誉4个评价维度；底层是指标层，针对不同的维度，分别对应不同的指标。如图2所示，算法功能准则一般包含功能完备性、功能充分性等指标。算法性能准则一般包括算法的求解能力、算法的计算时间、算法的求解精度等指标。服务QoS准则一般包括算法服务的响应时间、算法服务的可见性、算法服务的友好性、算法服务的可靠性、算法服务的安全性、算法服务的可用性等指标。信誉准则一般包括算法本身的信誉度、算法提供者的信誉度等指标。

针对上述评价指标，它们的取值来自多个方面：有的评价指标取值是来自于云平台本身，例如，算法服务的计算时间（平均CPU时间）、算法服务的响应时间、算法服务的可靠性（访问成功次数与总访问次数之比）等；有的评价指标取值来自于算法服务的提供者，提供者采用领域内公认的算法测试用例给出算法性能类指标的取值，例如，算法的求解能力、求解精度；此外，其它评价指标均来自算法服务的消费者，消费者在通过云平台使用算法服务的过程中产生的对算法服务在功能、服务QoS以及信誉方面的感受。

最后，结合了消费者、提供商和算法云平台三方面的评价信息，并采用的是主观与客观相结合、定性与定量相结合的综合评估模式，使得评估的结果的可靠性更强。从可实现性角度考虑，具体的评价方法选择层次分析法AHP（analytic hierarchy process）[18-19]。基于上述内容，云平台的运营者就可以计算可选服务集中多个算法服务的评价指数，然后依据它们的取值进行排序，最终选取最优的算法服务完成调度任务。

4 实例验证

为了验证本文提出的算法云服务本体及其匹配模型的可行性和有效性，本文结合算法云服务平台的原型平台，对以上方法进行了实例验证。首先，将来自于MES系统的算法云服务发布到原型平台，然后以平台中6个功能相似的算法云服务作为考察对象，应用本文提出的基于语义的匹配方法，依次与各个算法云服务进行匹配，并对匹配的结果进行排序和筛选。最后，采用本文提出的基于评价指数的优化选择方法，选取最优的算法服务完成调度任务。

表1为来自MES的算法云服务请求的需求信息。表2为算法云服务平台中的云服务，这些云服务在云平台中用OWL—S文档进行描述，并且注册到UDDI注册中心，方便进行服务匹配。

匹配过程如下：

1）硬性需求匹配：

①进行状态属性匹配，五个候选算法云服务中，算法云服务2的当前状态为更新中，将它从候选服务集中剔除。

②进行应用属性匹配，候选服务集中的五个的应用属性都满足需求，进行下一步匹配。

③进行基本属性匹配，由于算法云服务请求并未对这部分属性进行限制，跳过本部分的匹配，进行下一步匹配。

④进行功能属性匹配，为了计算方便，取w1=w2=w3=w4=0.25。我们采用文[20]中的方法对概念间的匹配度进行定量计算，然后根据由式（2）建立的功能属性匹配度计算模型计算各个算法云服务的功能属性匹配度。计算结果如表3所示。

其中算法云服务4由于输入参数的个数比算法云服务请求的输入参数多，不满足需求，从候选云服务集中剔除。假设预设功能匹配度的阈值为0.97，则算法云服务6的匹配度低于阈值，从候选服务集中剔除。

2）软性需求匹配

进行性能匹配度匹配，为了方便计算取δ1=0.4，δ2=δ3=0.3。我们根据式（3）、式（4）、式（5）和式（6）提出的建立的性能属性匹配度计算模型计算各个算法云服务的性能匹配度。计算结果如表4所示。由于所有满足硬性需求的算法云服务的匹配度的值等于软性需求的匹配度的值，所以表4中的性能属性的匹配度就是最终的算法云服务的匹配度。假设预设选取2个算法云服务进行基于评价指数的算法服务优化选择，则对算法云服务的匹配度进行排序后，算法云服务5的匹配度最低，从候选服务集中剔除。

然后根据层次分析法AHP计算这2个算法服务的评价指数，经计算算法云服务1的评价指数为0.674，算法云服务3的评价指数为0.753，所以选择算法云服务3对算法云服务请求进行处理。

5 结 语

高效地使用高质量的作业调度算法是制造企业生产实现高效率、高柔性和高可靠性的关键，因此，对作业调度算法的服务化封装进行研究，从而构建作业调度算法资源云服务平台具有重大的现实和理论意义。本文结合云制造理论，基于OWL-S的本体描述语言，对调度算法资源的虚拟化和服务化封装进行了研究，构建了调度算法资源服务本体，该本体可以有效的对调度算法资源进行封装。接着，设计了算法云服务与算法云服务请求的多阶段匹配模型，并给出了量化方法，使得每个算法云服务请求都能匹配到适合它的候选算法云服务集。之后，又给出了基于评价的多层次的算法资源优化选择方案，使得用户可以根据其他用户对候选算法云服务集中的算法进行优化选择，从中找到最适合自身需求的算法云服务。最后，通过搭建算法云服务平台的原型系统，并采用哈尔滨电机厂的车间实际生产数据，对本文提出的模型进行了实例验证。试验结果证明，本文提出的模型具有准确性和可行性，可以有效的解决现今制造执行系统的调度算法资源不能充分共享的问题。

参 考 文 献：

[1] 刘胜辉， 张淑丽， 滕春贤. 考虑不确定因素的单件小批作业计划与调度动态算法[J].哈尔滨工程大学学报， 2011， 32（4）： 471-475.

[2] 张宏国， 王彦俊. Pareto多目标模糊调度算法研究[J]. 哈尔滨理工大学学报， 2013， 18（5）： 47-51.

[3] 李伯虎， 张霖， 任磊， 等. 云制造典型特征、关键技术与应用[J]. 计算机集成制造系统， 2012， 18（7）： 1345-1356.

[4] 李伯虎， 张霖， 任磊， 等. 云制造典型特征、关键技术与应用[J]. 计算机集成制造系统， 2012， 18（7）： 1345-1356.

[5] 张霖， 罗永亮， 陶飞，等. 制造云构建关键技术研究[J]. 计算机集成制造系统， 2010， 16（11）：2510-2520.

[6] 曹啸博， 许承东， 胡春生， 云制造环境中的虚拟制造单元[J]. 计算机集成制造系统， 2012，18（7）：1415-1425.

[7] 郑镁， 罗磊， 江平宁. 基于语义Web的云设计服务平台及关键技术[J]. 计算机集成制造系统， 2012， 18（7）：1426-1434.

[8] 周竞涛， 杨海成. 基于同态映射的制造资源虚拟化机制[J]. 计算机辅助设计与图形学学报， 2014， 26（9）：1528-1535.

[9] 张映锋， 张耿， 杨腾， 等. 云制造加工设备服务化封装与云端化接入方法[J]. 计算机集成制造系统， 2014， 20（8）：2029-2037.

[10]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.

[11]赵文栋， 陶晓臻， 彭来献， 等. 一种基于功能语义的Web服务描述及预检索方法[J]. 计算机科学， 2013， 40（11）： 222-227.

[12]马森， 赵文， 袁崇义， 等. 基于规则推理的语义检索若干关键技术研究[J]. 电子学报， 2013， 41（5）：977-981.

[13]吴根斌， 丁振凡. 基于语义Web的搜索引擎研究[J]. 计算机与现代化， 2012， （8）： 128-133.

[14]牟帅， 黄映辉， 李冠宇. 基于中文分词的OWL-S/UDDI语义Web服务检索模型[J]. 计算机工程与设计， 2009， 30（3）： 705-708.

[15]TAO Fei， ZHAO Dong-ming， ZHANG Lin. 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.

[16]甘佳， 段桂江. 云制造服務信任评估技术[J]. 计算机集成制造系统， 2012， 18（7）：1527-1535.

[17]李永湘， 姚锡凡， 徐川， 等. 基于扩展进程代数的云制造服务组合建模与QoS评价[J]. 计算机集成制造系统， 2014，20（3）：689-700.

[18]李惠林， 殷国富， 谢庆生， 等. 面向网络化制造的制造资源组合评价方法研究[J].计算机集成制造系统， 2008，14（5）：955-961.

[19]陈卫卫， 李涛， 李志刚， 等. 基于模糊层次分析法的云服务评估方法[J]. 解放军理工大学学报（自然科学版）， 2016，17（1）：25-30.

[20]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.