基于云模型的云制造资源优选研究

王 平,肖 涵,潘燕华

(1.江苏科技大学 经济管理学院, 镇江 212003)(2.江苏科技大学 服务制造模式与信息化研究中心, 镇江 212003)

制造的服务化、基于知识的创新能力,以及对各类制造资源的聚合与协同能力、对环境的友好性,已成为构成企业竞争力的关键要素和制造业信息化发展的趋势[1]．为向企业提供一种面向服务和基于知识的网络化、敏捷化制造新模式[2],文献[3]中在ASP、制造网格、敏捷制造和众包制造的基础上,提出了云制造概念[4]．云制造融合了云计算、物联网、高性能计算和智能科学等新兴信息技术,将虚拟化、服务化的制造资源和制造能力池进行统一、集中地智能化管理和运营,用户通过网络和云制造服务平台能够实时获取需要的、安全可靠的、优质廉价的制造全生命周期服务．在云制造环境下服务提供者将各类制造资源及制造能力通过云化技术转化为制造云服务,大量云服务按照一定的规则聚合起来形成制造云,服务使用者根据应用需求建立相应需求模型,在云制造平台支持下随时随地、动态、敏捷地选择各类制造服务,实现多方高效共享与协同[5]．

云制造环境中存在大量功能相同或相似，但质量参差不齐的云制造资源(cloud manufacturing resource,CMR),选择最优且满足所需的云制造资源成为云制造服务迫切需要解决的问题[6]．云制造的发展促使制造行业更加重视企业的资源优化配置[7],因此,国内外相关学者对云制造资源选择相关理论及技术进行了相应研究,推动了云制造领域研究不断深入发展．文献[8]中建立了一种基于Web服务本体描述语言的云制造服务输入、输出、前提、效果匹配模型,将模型匹配过程分为参数匹配、属性匹配和综合匹配,并给出能够区分不同匹配程度的度量算法．文献[9]中为高效地从已发布的制造云服务中搜索到满足要求的服务,实现与请求服务的准确匹配,在对制造云服务进行形式化描述的基础上,设计了一种智能化的制造云服务搜索与匹配方法．文献[10]中以服务质量为约束条件,基于粒子群优化，建立Web服务选择模型．文献[11]中针对不诚实评价问题,建立了一种基于QoS信息感知和量化机制的云服务选择模型,将变精度粗糙集理论与用户设定的权重相结合,计算服务质量评价指标的权重,进行服务质量综合性能排序．文献[12]中构建以时间、成本、可靠性和可用性为评价指标的评价模型,通过混合人工蜂群算法求解出最佳服务组合．

综上,现有研究主要从本体化建模及智能化算法的角度解决云制造服务资源的优选问题,评价指标以定量信息为主,但是,由于云制造服务的多源性和异质性等特点,以及匹配过程中存在动态性和多约束性的问题,优选过程必然存在一些随机性、模糊性指标,文中在现有研究的基础上,从云制造资源需求方的视角,运用模糊层次分析与云模型相结合的方法,建立云制造资源配置优选模型,并通过实例阐述资源优选过程,以寻求更准确、直观的云制造服务资源优选途径和方法．

1 云模型基本理论

文献[13]中提出的云模型理论是在模糊数学和概率统计的基础上,将自然语言中定性概念的模糊性、随机性和不确定性有机地综合在一起,实现定性与定量之间的自然转换[14],该理论的提出推动了不确定性人工智能的研究[15],已经在数据挖掘和知识发现[16]、风险等级评估[17-18]和服务质量[19]及综合评价[20]、项目推荐[21]、精度估算[22]等方面得到广泛应用,并取得了良好效果．

1.1 云模型定义

设X是一个普通集合,X={x}称为论域,论域X中的模糊集合A是指对于任意元素x都存在一个稳定倾向的随机数μA(x),称作x对A的隶属度．若论域中的元素是简单有序的,则X可以看作是基础变量,隶属度在X上的分布称作隶属云,若论域中的元素不是简单有序的,而是根据某个法则f将X映射到另一个有序的论域X′上,X′中有且只有一个x′与x对应,则X′为基础变量,隶属度在X′上的分布称作为隶属云[23]．

云模型用数字特征(Ex,En,He)表示,其中:Ex为期望值,是最能描述这一模糊信息的数值;En为熵值,是指该模糊信息的宽度,反映这一模糊信息的不确定性,熵越大,不确定性的程度越高,在云图上表现为云的跨度越大;He为超熵值,反映熵值的不确定性,即这一模糊信息的离散程度,超熵越大,离散程度越大,随机性也越大,在云图上表现为云层的厚度越厚[24]．

1.2 正向云发生器

正向云发生器是一种将定性概念转化为定量值及其确定度的模型．具体步骤:

输入:定性概念的数字特征(Ex,En,He),云滴数n;

输出:n个云滴数的定量值和确定度y．

步骤:

(1) 根据期望值Ex、超熵He生成正态随机数En′=NORM(Ex,He);

(2) 根据期望值Ex、熵En生成正态随机数x=NORM(Ex,En);

(4) (x,y)论域中生成1个云滴,实现定性语言的定量表达;

(5) 重复(1～4),直至产生n个云滴．

1.3 逆向云发生器

逆向云发生器可以实现定量数据到定性概念的转换,其输入为一定数量的精确数值,输出结果为(Ex,En,He)表示的定性概念．具体步骤:

输入:n个评价指标的信息量xi(i=1,…,n);

输出:云数字特征(Ex,En,He)表示的定性概念;

步骤:

云模型是以概率论和模糊数学为基础的定性定量转换模型,主要反映人类知识和事物概念的随机性和模糊性．云模型以各指标的信息量作为云滴定量值,还原所得的3个数值(Ex,En,He)是由各方案定量结果转化的定性概念,可以将方案的模糊性和随机性表达出来,在定量评价的基础上,充分体现结果的不确定性和随机性,增加定性评价的准确性,使最后的评价结果更加客观和严谨[24]．

2 云制造资源配置优选模型构建

2.1 问题描述

一个云制造任务ST可以在云制造平台中搜索到符合其要求的待选资源服务集(cloud manufacturing resource sequence,CMRS),CMRS={CMR1,CMR2,…,CMRj}．云制造平台必须针对每个任务从相应的j个待选资源集中各选一个资源服务,按照一定规则组合来执行该任务．因此,需要云制造平台能够快速、准确地在海量制造资源中为云制造需求方寻找优质的、符合需求的制造资源CMRj．

2.2 模型构建

文中将模糊层次分析法和云模型结合,设计了云制造资源配置优选新方法,具体步骤：

(1) 建立云制造资源选择的指标体系论域U={μ1,μ2,…,μn};

(3) 运用黄金分割驱动法确定待选云制造资源的评价集V={V1,V2,…,Vn},并用Matlab生成评价集云图;

(4) 生成指标μi对应的等级Vj的正态云．其中,将定量指标数据进行规范化处理,得到无量纲的数据,表述成定量数值的正态云;定性指标运用5级评价标尺转换为云滴xij,再将xij运用逆向云发生器生成正态云;

3 云制造资源配置优选过程

3.1 制造资源评价指标体系构建

如表1,由于云环境下的制造资源种类繁多,且具有多主体、不确定性、模糊性、随机性等特点,针对制造资源优选问题,影响优选结果的因素很多,制造资源的时间T、质量Q、成本C是制造资源需求者最为关心的根本指标．基于云制造环境下制造资源供应者与需求者的分散性、异构性等特点,在文献[6,25-26]基础上，将服务性S、信誉度E、可靠性R作为辅助指标．云制造资源优选指标体系即因素论域U．

表1 云制造资源优选指标体系Table 1 Optimization index system of cloud manufacturing resources

3.2 指标体系权重确定

表2 制造资源优选指标权重集Table 2 Weight set of manufacturing resources optimization index

3.3 建立指标评价集

评价集就是对云制造资源评价的一个标尺,根据这个标尺,确定云制造资源处于什么等级[27]．评价集的确定有两种方法,一种是基于云变换的数据驱动法,一种是基于黄金分割的驱动法[28],对于论域(0,1)的划分采用后者．表3为采用黄金分割法的五层正态云标准评价集,生成的正态云图如图1．

表3 五层正态云标准评价集Table 3 Standard evaluation set of five layer normal cloud

图1 五层正态云标准云图Fig.1 Standard cloud chart of five layer normal cloud

3.4 制造资源指标云化

假设,云制造资源使用者向云平台提出任务需求M,云制造平台经过逐层任务分解得到简单任务,针对任务ST1,有5个候选制造资源,首先按照指标体系,对制造资源评价指标进行定量与定性区分,其中定性指标有10项,定量指标有6项．然后,根据云制造平台历史交易数据及用户评价得到CMR1、CMR2、CMR3、CMR4、CMR5这5个制造资源的基本情况,由于数据量较大,以CMR1为例作数据处理,将定性和定量指标云化生成具有随机性和模糊性的正向云．

3.4.1 定量指标云化

运用min-max标准化法,将云制造资源定量指标数值全部转换至(0,1)区间内,实现原始数据的标准化．表4为标准化的数据．

表4 定量指标数据标准化Table 4 Standardization of quantitative index data

由于任何一个精确数值均可表述为熵与超熵均为零的云模型，因此将定量指标进行归一化处理后，转化为一维正态云[29-30]．定量指标的云模型如表5,为CMR1的定量指标云特征值．

表5 CMR1定量指标云特征值Table 5 Cloud characteristic value of CMR1 quantitative index

3.4.2 定性指标云化

定性指标一般用自然语言表示,如表6为4位用户历史交易评价结果,结合正向云发生器并运用5级评语标尺云系统进行定性到定量的模糊转换,CMR1转化结果如表7．

表6 CMR1明细层的定性评价结果Table 6 Qualitative evaluation results of CMR1detail layer

表7 CMR1定性指标定量表示Table 7 Quantitative expression of qualitative indicators of CMR1

然后,利用逆向云发生器,将4位用户的评价的模糊数据转换为制造资源定性指标的正态云特征值，如表8．

表8 CMR1定性指标正态云特征值Table 8 Characteristic value of normal cloud of CMR1qualitative index

3.5 单指标模糊评价

在得到各单指标正态云特征值后,再结合该层指标项的各项权重值,就可以得到明细层指标项的云模型,公式[31]:

(1)

(2)

(3)

结合权重,利用式(1～3)分别计算CMR1明细层各指标的云模型,结果如表9．

表9 CMR1明细层指标云模型Table 9 CMR1 detailed layer index cloud model

3.6 模糊综合评价

同理,根据式(1～3),结合CMR1明细层云模型,通过由上而下的计算,得到综合层云模型,并结合综合层云模型,计算出CMR1的云模型,如表10．

表10 CMR1综合层指标云模型Table 10 Cloud model of CMR1 composite layer index

最终得到CMR1制造资源的云模型为CMR1(0.479 5,0.064 0,0.027 5)．

运用Matlab软件生成CMR1制造资源在评语集上的正态云图(图2)．

图2 CMR1正态云图Fig.2 CMR1 normal cloud

由图2可知,从左到右分别为标准评价集{很差,差,一般,好,很好},CMR1在“一般”与“好”之间,期望值偏向“好”．

同理,可根据以上步骤,计算出其他4个云制造资源的云模型分别为CMR2(0.559 0,0.073 5,0.030 4),CMR3(0.616 3,0.081 4,0.030 7),CMR4(0.522 3,0.076 9,0.027 6),CMR5(0.697 7,0.065 7,0.015 5).图3为5个待选制造资源对比云图,进一步比较,得到最优云制造资源为CMR5．

图3 待选制造资源对比云图Fig.3 Comparison cloud chart of manufacturing resources to be selected

4 结语

(1) 云模型的期望、熵和超熵3个数字特征及特定算法可以将定性概念转换为定量化数据,实现模糊信息的定量化刻画,能够有效解决评价过程中的模糊性和随机性问题．

(2) 针对云制造环境下资源匹配指标存在多元性、模糊性的问题,构建了基于云模型和模糊层次分析法的制造资源优选配置模型．基于云制造资源优选评价指标体系,运用模糊层次分析法进行权重计算,利用云模型的黄金分割驱动法绘制出评价标准云图,对制造资源进行指标云化,生成逆向、正向云值,然后,结合模糊综合评价生成云图,实现云制造资源的优化选择,最后,通过实例详细阐述了资源优选过程．

(3) 研究成果为云制造环境下制造资源优化选择、供应链供需匹配及服务制造模式下的价值链合作伙伴选择等决策问题提供了新的思路和方法,对云制造模式的落地及推广应用具有实践指导价值．