面向大数据的新能源汽车复杂联盟云评价研究∗

尹 蕾，蒋建国，路瑞刚，尹安东

(1.合肥工业大学计算机与信息学院，合肥 230009； 2.中国汽车工程学会，北京 100055；3.合肥工业大学汽车与交通工程学院，合肥 230009)

前言

新能源汽车产业具有资金与技术密集、产业链长和关联度高等特点,没有一家企业能够拥有产品研发所必须的全部资源和能力[1],联盟成为其重要组织形式。由于新能源汽车是实现汽车智能化、网络化的最佳载体,吸引了信息技术产业、传统能源产_业、新能源产业、金融产业等的加入,使新能源汽车产业联盟结构复杂且成员多元化,有些成员同时参与承担不同任务的多个联盟,而形成一个具有分布式复杂系统特征的规模庞大的多任务联盟网络,即多任务复杂联盟(简称复杂联盟)。随着新能源汽车产业的发展,新能源汽车联盟机制的理论研究越来越受到高度关注。

大数据是一种重要的战略资源,自2008年9月《Nature》杂志推出“大数据”(big data)的专栏[2]以来,大数据的研究与应用已得到世界范围内的广泛重视。近年来随着各种新兴网络技术的发展,大数据技术的崛起,各类需求数据更加容易收集获取,面向大数据的新能源汽车联盟评价成为学术界和企业界的研究热点。

目前联盟评价方法主要有：定性评价方法、定量评价方法和定性与定量相结合的评价方法等[3-4]。定性评价方法主观性强,但存在缺乏数据支撑、评价对象适应范围受到限制等缺陷；定量评价方法是通过降维方式使评价结果更加客观与合理,但需要进行大量的前期研究工作,相对较为复杂；定性与定量相结合的评价方法则是将定性评价与定量评价有机结合。由于新能源汽车联盟的数据难以获得,当今学术界的研究大部分以定性研究为主,定量研究较少,鉴于在新能源汽车联盟评价过程中存在模糊性和不确定性,采用定性与定量相结合的评价方法是必然选择,但如何处理模糊性和不确定性,实现定量评价与定性评价相互转化是联盟评价急需解决的问题关键。

云模型是研究自然语言从定性概念到定量表示之间相互转化的一种模型,为研究不确定性人工智能提供了新的方法[5-6]。云模型已应用于网上交易信任评价[7]、决策分析[8]和数据挖掘[9]等领域,但目前云模型理论运用于新能源汽车复杂联盟评价的研究还很少涉及。

鉴于多Agent系统(multi-agent system,MAS)的联盟理论在联盟形成策略[10-11]、效用分配[12]等方面取得了丰硕成果,且对新能源汽车联盟的研究具有较强的适应性,因此本文中基于MAS联盟理念,引入云模型理论,提出一种面向大数据的新能源汽车复杂联盟云评价方法。首先建立面向大数据的新能源汽车复杂联盟评价模型,并根据新能源汽车联盟大数据处理分析平台获取联盟成员基本评价指标的评价数据,应用逆向云发生器生成相应的评价云；其次利用云综合运算产生联盟评价指标的评价云；然后在确定评价指标权重云的基础上,运用云运算规则得到单任务联盟评价云；再结合任务权重云和单任务联盟评价云,运用云运算规则获得多任务复杂联盟评价云,并对所形成的新能源汽车多任务复杂联盟备选方案进行评价和选优。

1 云模型理论

1.1 云模型概念

定义1 设U是一个用精确数值表示的定量论域,T是U上的定性概念,若定量值x∈U,且x是定性概念T的一次随机实现,x对T的确定度(隶属度)μ(x)∈[0,1]是具有稳定倾向的随机数。即：μ：U→[0,1],∀x∈U,x→μ,则x在论域U上的分布称为云,记为C(X)。每一个(x,μ)称为一个云滴。

云模型是通过期望Ex、熵En和超熵He 3个特征数字有效地整合来刻画定性概念的随机性和模糊性,一般将云模型记为C(Ex,En,He)。由期望Ex和熵En可确定云的数学期望曲线(mathematical expected curve,MEC)方程,即确定度(隶属度)μ(x)为

1.2 逆向云发生器

给定云滴(xi,μi)作为样本,产生描述云模型所对应的定性概念的3个数字特征(Ex,En,He)称为逆向云发生器。不含确定度信息的逆向云发生器算法如下[13]。

(1)通过云滴xi(i＝1,2,…,N)计算样本均值

(2)计算样本方差

(3)计算云滴的熵和超熵

1.3 综合云

综合云是将两个或两个以上的同类型语言值综合为一个层次更高的概念语言值。若两个基云模型为C1(Ex1,En1,He1)和C2(Ex2,En2,He2),则由两个基云构成的综合云数字特征定义为

该定义既适用于论域空间为一维的情况,也适用于论域空间为二维或多维的情况。

1.4 云的运算规则

定义2 设给定论域U中任意两朵正态云C1(Ex1,En1,He1)和C2(Ex2,En2,He2),C1和C2的加、乘、除运算法则分别如下：

2 面向大数据的新能源汽车联盟评价模型

2.1 基于MAS的新能源汽车联盟描述

将新能源汽车联盟中各企业视为独立的Agent成员,则基于MAS的新能源汽车联盟可描述如下：

(3)实际资源贡献量 对应∀ai∈A,∀tk∈T都具有实际资源贡献向量表示ai在任务tk中的实际贡献量；

(4)单任务联盟 任务tk对应的联盟Ctk,且具有一个能力资源向量为 BCtk＝,其中表示 Ctk对第j种资源的拥有量,单任务联盟Ctk承担任务tk的资源约束条件为

(6)联盟收益值 联盟Ck的收益值用一个特征函数V(Ck)≥0给出[14]：

式中：P(tk)为承担任务tk所获得的效用；F(Ck)＝为联盟成员总资源贡献折合的成本,包括开发成本、生产成本、使用成本及其它开支等。

多任务联盟C的总收益定义为

因此,新能源汽车复杂联盟形成实质就是针对多任务T＝{t1,t2,…,tk,…,tm}在满足给定的资源约束条件下(见式(10)和式(11))求解相应的联盟C＝{Ct1,Ct2,…,Ctk,…,Ctm},使其总收益 VMAS(如式(14))最大化。

2.2 面向大数据的新能源汽车复杂联盟评价模型

2.2.1 面向大数据的新能源汽车复杂联盟架构

将新能源汽车联盟中各个企业(Agent成员)作为不同的网络节点,以大数据处理分析平台为中心,形成功能一体化的复杂联盟网络体系,其中大数据处理分析平台是联系各个企业的中介,提供包括数据采集、数据处理、数据分析、数据更新、软件计算等各种服务,实现新能源汽车联盟中各个企业之间的数据交流、资源整合和信息共享(包括评价信息)。建立面向大数据的新能源汽车复杂联盟架构如图1所示。

图1 面向大数据的新能源汽车复杂联盟架构

2.2.2 面向大数据的复杂联盟评价模型

设有n个企业A＝{a1,a2,…,ai,…,an},为了承担m项任务T＝{t1,t2,…,tk,…,tm},在满足资源约束条件下形成新能源汽车多任务复杂联盟为C＝{Ct1,Ct2,…,Ctk,…,Ctm}；并设V(Ctk)表示承担单个任务tk所形成联盟Ctk的收益,V(C)表示承担多任务而形成的复杂联盟C的综合收益。

针对新能源汽车产业联盟的特点,将多任务复杂联盟评价分解为基本指标评价、单任务联盟评价和多任务复杂联盟评价3个层次,并以V(C)作为多任务复杂联盟评价的总体目标,以V(Ctk)作为单任务联盟评价的子目标,以影响联盟收益评价的主要因素作为基本指标。在构建面向大数据的新能源汽车复杂联盟架构的基础上,建立面向大数据的新能源汽车复杂联盟评价模型,如图2所示。图中：U1,U2,…,Uq分别表示影响单任务联盟收益评价的各种因素；q为评价指标个数。

图2 面向大数据的复杂联盟评价模型

面向大数据的新能源汽车复杂联盟评价模型包括以下方面：(1)依托大数据处理分析平台,基于随机采样法采集相关企业(Agent成员)的基本指标数据,并应用逆向云发生器生成相应的评价云；(2)利用云综合运算产生新能源汽车联盟评价指标评价云；(3)基于云运算规则分别生成单任务联盟评价云和多任务复杂联盟评价云,进而对新能源汽车复杂联盟备选方案进行评价和选优。

在对影响新能源汽车多任务复杂联盟评价的诸多因素进行分析和筛选基础上,将联盟能力匹配度、信任度、交易开支、可持续性等作为联盟基本评价指标：(1)能力匹配度是联盟成员提供一定比例能力与任务的能力需求之间相匹配的程度,可用欧氏距离公式来度量[15]；(2)信任度是直接信任度和间接信任值的综合,由直接信任度和间接信任值共同决定[16]；(3)交易开支为联盟中各成员之间交易的代价之和；(4)可持续性是指联盟在满足当前任务需求的前提下还能承担后续任务的能力。

3 基于云理论的新能源汽车复杂联盟评价

基于云模型理论面向大数据的新能源汽车复杂联盟评价主要包括：建立指标评价集,确定评价等级标准云和评价指标评价云,确定评价指标权重云和任务权重云,确定单任务联盟评价云、多任务联盟评价云以及对所形成的新能源汽车联盟备选方案的评价与选优等流程,如图3所示。

图3 基于云模型理论的新能源汽车复杂联盟评价流程

3.1 建立评价指标的评价集

以影响新能源汽车联盟评价的主要因素作为评价指标。构建评价指标集U＝{U1,U2,…,Uq},并将评价指标的评价划分为5个等级,评价等级由“好”、“较好”、“中等”、“较差”和“差”等语言值来描述。

3.2 建立评价等级标准云模型

选用“好”、“较好”、“中等”、“较差”和“差”等5个定性语言值作为评价等级进行新能源汽车复杂联盟评价。首先基于新能源汽车联盟大数据处理分析平台获取相关评价数据,然后运用逆向云发生器算法分别确定各个评价等级标准的论域区间和云特征参数,如表1所示。

表1 评价等级标准的论域区间和云特征参数

3.3 确定联盟评价指标的评价云

依托新能源汽车联盟大数据处理分析平台,基于随机采样法获取相关联盟成员的基本指标的评价数据,运用逆向云发生器算法生成相应的评价指标评价云；并运用云综合运算产生联盟评价指标评价的云特征参数,进而确定联盟评价指标评价云矩阵为

3.4 确定联盟评价指标权重云

根据联盟评价指标U1,U2,…,Uq影响联盟收益评价的重要程度,设定评价指标权重云集为λ＝{λ1,λ2,…,λi,…,λq},其中 λi表示联盟评价指标Ui的权重云(Exλi,Enλi,Heλi)。 将联盟评价指标的重要程度划分为极不重要、较不重要、一般重要、较重要和极重要5个等级,并依托新能源汽车联盟大数据处理分析平台,获取各联盟评价指标的重要程度相关数据,运用逆向云发生器算法确定联盟各评价指标 Ui相应的权重云

3.5 确定任务权重云

针对多任务复杂联盟C＝{Ct1,Ct2,…,Ctm},根据单任务tk对多任务T的影响程度,设定任务云权重集为 ω＝{ω1,ω2,…,ωk,…,ωm},其中 ωk表示单任务联盟Ctk对多任务复杂联盟C影响的权重云ωk(Exωk,Enωk,Heωk)。 将任务重要程度划分为不重要、较不重要、一般、较重要和重要5个等级。依托新能源汽车联盟大数据处理分析平台,获取各个任务的重要程度相关数据,并运用逆向云发生器算法生成各个任务 tk相应的权重云 ωk(Exωk,Enωk,Heωk)。

3.6 确定单任务联盟评价云

依托新能源汽车联盟大数据处理分析平台,确定联盟评价指标评价云矩阵(式(15)),并得到单任务联盟Ctk各评价指标评价云ECtki；再结合各评价指标权重云λi,采用云运算规则进行合成,计算得到单任务联盟Ctk的评价云VCtk(ExCtk,EnCtk,HeCtk)：

3.7 确定多任务复杂联盟的评价云

针对复杂联盟C＝{Ct1,Ct2,…,Ctk,…,Ctm}的评价是在获得各个单任务联盟Ctk评价云VCtk的基础上,结合与各单任务相应的权重云ωk,采用云运算规则计算获得多任务复杂联盟C评价云VC(ExC,EnC,HeC)：

3.8 多任务复杂联盟备选方案的云评价与选优

在满足给定的资源约束条件下,选取r个新能源汽车多任务复杂联盟备选方案：

式中：CAl为第l个复杂联盟的备选方案；CCtk,Al为第l个复杂联盟备选方案中为承担单任务tk∈T对应形成的单任务联盟。针对r个新能源汽车联盟备选方案进行评价与选优的步骤如下。

(1)各个单任务联盟Ctk,Al的评价

首先确定备选方案CAl中各个单任务联盟Ctk,Al相对应的联盟评价指标评价云及其指标权重云λi,然后按式(16)计算得到单任务联盟Ctk,A评价

l

(2)多任务复杂联盟方案CAl的评价

根据式(18)确定方案CAl中各个单任务联盟Ctk,Al对应的评价云VCtk,Alk,并结合与其对应的任务权重云ωk,按式(17)计算得到各个多任务复杂联盟方案CAl综合评价云VCAl(ExCAl,EnCAl,HeCAl),即

(3)新能源汽车多任务复杂联盟备选方案选优

在获得各个新能源汽车多任务复杂联盟备选方案CAl综合评价云VCAl(l＝1,2,…,r)的基础上,基于MATLAB仿真平台,采用正向云发生器算法生成云图[17],并对新能源汽车多任务复杂联盟备选方案进行排序和选优,最后确定最优新能源汽车多任务复杂联盟方案。

4 实例分析

依托某新能源汽车产业联盟,以需要承担5项新能源汽车产品开发任务为例,对其所形成的新能源汽车多任务复杂联盟方案进行综合评价与选优,以验证面向大数据的新能源汽车复杂联盟云评价方法的有效性,具体要求如下。

(1)产品开发任务T＝{t1,t2,t3,t4,t5}中各任务的底盘车身及控制系统、驱动电机及控制系统和动力电池及管理系统等关键总成部件的需求量如表2所示,其对应的资源需求向量分别为：(50,41,38),(35,36,34),(22,24,27),(25,25,23),(31,30,36)。

表2 各任务的资源需求量

(2)拟参加新能源汽车产品开发任务企业集合为A＝{a1,a2,a3,a4,a5,a6,a7,a8,a9,a10},各个企业的底盘车身及控制系统、驱动电机及控制系统和动力电池及管理系统等总成部件所能提供的资源量如表3所示,其对应的能力资源向量分别为：(18,12,11),(13,16,12),(20,14,21),(16,12,15),(21,16,15),(15,20,8),(17,15,15),(18,17,25),(15,18,17),(22,25,26)。

表3 各个企业所能提供的资源量

(3)在满足给定的资源约束条件所形成的新能源汽车多任务复杂联盟方案中,选取4个能够承担5项产品开发任务的复杂联盟备选方案A1(CA1),A2(CA2),A3(CA3)和A4(CA4),各多任务复杂联盟备选方案对应的联盟成员及其实际贡献量如表4所示。

采用本文中提出的面向大数据的新能源汽车复杂联盟云评价方法对各个备选复杂联盟方案进行评价与选优,具体流程如下。

(1)确定评价指标权重云

将影响新能源汽车联盟评价的联盟能力匹配度、信任度、交易开支、可持续发展性等因素作为联盟基本评价指标,依托新能源汽车联盟大数据处理分析平台获取各联盟评价指标重要程度的相关数据,运用逆向云发生器算法分别生成能力匹配度U1、信任度U2、交易开支U3、可持续性U4等指标对应的权重云 λ1,λ2,λ3,λ4分别为：λ1(0.913,0.034,0.002),λ2(0.763,0.028,0.002),λ3(0.599,0.034,0.003),λ4(0.698,0.034,0.002)。

(2)确定任务权重云

依托新能源汽车联盟大数据处理分析平台获取任务重要程度的相关数据,运用逆向云发生器算法分别生成任务t1,t2,t3,t4,t5相应的权重云ω1,ω2,ω3,ω4,ω5分别为：ω1(0.243,0.023,0.008),ω2(0.231,0.043,0.018),ω3(0.185,0.023,0.008),ω4(0.179,0.039,0.017),ω5(0.162,0.035,0.011)。

表4 新能源汽车多任务复杂联盟的成员及其实际贡献量

(3)计算各评价指标评价云

由于篇幅受限,仅以方案A1(CA1)中单任务联盟Ct1,A1为例,依托新能源汽车联盟大数据处理分析平台获取相关联盟成员(企业)的基本指标的评价数据,运用逆向云发生器算法分别生成相应的评价云,并应用云综合运算分别产生联盟能力匹配度U1、信任度U2、交易开支U3、可持续性U4等指标所对应的评价云如表5所示。同理,分别得到方案A1(CA1)中其它任务t2,t3,t4,t5对应的单任务联盟Ct2,A1,Ct3,A1和Ct4,A1的各评价指标的评价云。

表5 方案A1中各单任务联盟的评价指标评价云

(4)备选方案中单任务联盟评价(以A1为例)

依据单任务联盟Ct1,A1,Ct2,A1,Ct3,A1,Ct4,A1和Ct5,A1的评价指标评价云及其对应的指标权重云λ1,λ2,λ3,λ4,并按式(18)计算得到方案A1中任务t1,t2,t3,t4,t5对应的单任务联盟Ct1,A1,Ct2,A1,Ct3,A1,Ct4,A1和Ct5,A1的评价云分别为：VCt1,A1(0.861,0.027,0.003),VCt2,A1(0.750,0.025,0.003),VCt3,A1(0.653,0.022,0.002),VCt4,A1(0.718,0.025,0.002)和 VCt5,A1(0.827,0.035,0.003)。

(5)多任务复杂联盟备选方案的云评价

依据方案A1中任务t1,t2,t3,t4,t5对应的单任务联盟的评价云VCt1,A1,VCt2,A1,VCt3,A1,VCt4,A1,VCt5,A1和任务权重云 ω1,ω2,ω3,ω4,ω5,根据式(19)计算方案A1的评价云VCA1(0.766,0.082,0.031)。

同理,分别计算多任务联盟备选方案A2,A3和A4对应的评价云分别为：VCA2(0.861,0.090,0.036),VCA3(0.796,0.084,0.028)和VCA4(0.637,0.068,0.026)。

(6)多任务复杂联盟备选方案的选优

基于MATLAB仿真平台,采用正向云发生器分别生成4个新能源汽车复杂联盟备选方案的评价云VCA1,VCA2,VCA3和VCA4对应的评价云图,如图4所示。图 4中“好”、“较好”、“中等”、“较差”和“差”分别表示新能源汽车联盟各个评价等级对应的标准云图。

图4 复杂联盟备选方案的评价云图

由图4可知,联盟备选方案A1,A2,A3和A4的排列顺序为：VCA2＞VCA3＞VCA1＞VCA4,联盟备选方案 A2为最佳联盟方案。与评价等级标准云图相比：备选方案A1,A2和A3的评价云图在评价等级标准云图的较好和好之间,且A1偏向较好、A2偏向好；备选方案A4的评价云图在评价等级标准云图的中和较好之间,且偏向较好。因此联盟备选方案A2可拟定为承担新能源汽车产品开发任务的联盟实施方案。

5 结论

新能源汽车产业联盟得到迅速发展,但相关的理论研究仍比较匾乏。基于大数据是一种重要的战略资源,针对新能源汽车复杂联盟评价过程中存在模糊性和不确定性,本文中引入云模型理论,提出了一种面向大数据的新能源汽车复杂联盟的云评价方法。

构建了面向大数据的新能源汽车联盟架构,建立了面向大数据的新能源汽车复杂联盟评价模型,并依托新能源汽车联盟大数据处理分析平台获取联盟相关评价数据；运用云模型理论确定联盟指标评价云、指标权重云和任务权重云,并让权重云参与多任务复杂联盟评价和优选；通过对新能源汽车产品开发所形成的联盟实例评价与选优,验证了所提出的面向大数据的新能源汽车复杂联盟云评价方法的有效性和合理性。