胡 雨 郭 鋼

1(重慶大學(xué)機械工程學(xué)院 重慶 400044) 2(重慶大學(xué)汽車工程學(xué)院 重慶 400044)

基于綜合模糊相似度的云制造需求—服務(wù)雙向匹配

胡 雨1郭 鋼2

1(重慶大學(xué)機械工程學(xué)院 重慶 400044)2(重慶大學(xué)汽車工程學(xué)院 重慶 400044)

為解決云制造環(huán)境下的服務(wù)選擇問題，提高服務(wù)和需求的匹配精度及供需雙方的滿意度，提出基于綜合模糊相似度的云制造服務(wù)雙向匹配模型。針對服務(wù)方和需求方各自的描述信息，結(jié)合功能和非功能要求，將供需雙方的描述信息進行基于匹配機制的雙向多屬性匹配?？紤]匹配的穩(wěn)定性，綜合運用模糊概念語義相似度算法、直覺模糊集算法及相合系數(shù)法分別進行多屬性信息的相似度求解。再利用綜合加權(quán)法進行綜合模糊相似度計算，得到最佳匹配結(jié)果。實例分析和對比研究驗證了該匹配模型可行有效，能準確地為用戶選擇雙方都滿意的服務(wù)。

云制造 綜合模糊相似度 滿意度 雙向匹配

0 引 言

云制造是面向服務(wù)的制造理念，利用網(wǎng)絡(luò)和云制造服務(wù)平臺，按用戶需求組織網(wǎng)上制造資源(制造云)，為用戶提供各類按需制造服務(wù)的一種網(wǎng)絡(luò)化制造新模式[1]。由于云制造服務(wù)資源的多樣性，制造需求的復(fù)雜性，如何實現(xiàn)服務(wù)與需求的高效匹配，提高服務(wù)資源的優(yōu)化配置，快速優(yōu)質(zhì)地完成云制造需求，對云制造的開展和實施具有重要作用。尹超等[2]提出了面向新產(chǎn)品開發(fā)的cmrsc優(yōu)選目標體系，并根據(jù)組合優(yōu)選過程中的目標變量的構(gòu)成和服務(wù)資源組合基本類型的特點，建立了一種面向新產(chǎn)品開發(fā)的cmrsc優(yōu)選模型，采用灰色關(guān)聯(lián)度分配方法對模型求解過程進行了分析；盛步云等[3]提出采用關(guān)鍵字語義智能搜索，使用制造服務(wù)資源本體庫，根據(jù)需求本體構(gòu)建形式化的需求匹配模式；董元發(fā)等[4]提出云制造模式下基于互評機制的云制造服務(wù)質(zhì)量獲取方法，建立了云制造服務(wù)信任度評價模型，建立了基于服務(wù)匹配度與全局信任度的綜合優(yōu)化模型，并運用遺傳算法進行求解；文獻[5]中為解決云平臺中CAE仿真服務(wù)匹配，提出基于服務(wù)需求本體的相似度算法，與大多數(shù)云制造服務(wù)匹配問題大同小異。馬文龍等[6]提出一種基于QoS感知的云服務(wù)選擇模型，研究建立了適合云制造業(yè)務(wù)的QoS評價指標，信息感知模型和量化方法，利用變精度粗糙集理論計算權(quán)重，并對不誠實評價問題給出了誠實度信息校正方法。李新等[7]通過建立云制造資源及加工任務(wù)的統(tǒng)一本體模型后，再構(gòu)建資源匹配模型，并將資源發(fā)現(xiàn)轉(zhuǎn)化為制造資源本體和加工任務(wù)本體之間的映射匹配來求解。趙雷[8]針對服務(wù)的匹配和組合問題，提出通過感知整個生命周期的服務(wù)關(guān)聯(lián)關(guān)系，利用關(guān)聯(lián)關(guān)系感知的服務(wù)保留算法，使得存在關(guān)聯(lián)關(guān)系的服務(wù)在服務(wù)匹配階段就被保留了下來，構(gòu)成新的候選服務(wù)集合來進行服務(wù)的匹配和組合。文獻[9]為整合各種分布式制造資源和能力，提出云制造服務(wù)供應(yīng)-需求匹配網(wǎng)的概念，將服務(wù)和需求分別看作兩個網(wǎng)，再基于兩者的輸入輸出作為匹配關(guān)系進行匹配。

上述文獻對云制造服務(wù)匹配和服務(wù)組合問題，從關(guān)鍵字、本體論、互評機制等多個方面作詳細研究，并設(shè)計匹配算法，但服務(wù)的選擇方式都是從服務(wù)需求方到服務(wù)提供方的單向選擇。趙金輝等[10]雖提出基于QoS的云制造服務(wù)雙向匹配模型，利用雙方的定性和定量評價，綜合考慮雙方滿意程度匹配服務(wù)，但其匹配的前提是在功能相同或相近的基礎(chǔ)上再來進行匹配，而服務(wù)功能相似度也有高有低，對最終的匹配結(jié)果也有一定影響。故本文根據(jù)服務(wù)方和需求方雙向描述，綜合考慮供需雙方各方面要求，提出基于模糊相似度的云服務(wù)雙向匹配模型。首先通過傳統(tǒng)的服務(wù)類別對云平臺中的服務(wù)進行初選，然后從功能性角度出發(fā)，對服務(wù)名稱、服務(wù)描述進行雙向匹配，再考慮非功能因素，對供需雙方對服務(wù)質(zhì)量的要求，進行雙向匹配。綜合運用模糊概念語義相似度算法、直覺模糊集算法和相合系數(shù)法分別進行多屬性信息的相似度求解，再利用綜合加權(quán)法進行綜合模糊相似度計算，根據(jù)相似度的大小對候選服務(wù)進行排序。

1 基于綜合模糊相似度的云制造服務(wù)雙向匹配模型

云制造服務(wù)平臺中包含服務(wù)類別、名稱、詳情描述、QoS等基本信息，反映了制造云服務(wù)的基本特征。在云制造服務(wù)雙向匹配過程中，針對服務(wù)方和需求方各自的描述信息和要求，提取有效信息，進行服務(wù)類型、服務(wù)名稱和詳情描述、QoS屬性雙向匹配，綜合考慮各部分的相似度值，選擇最合適的服務(wù)?；诰C合模糊相似度的云服務(wù)雙向匹配模型如圖1所示。

圖1 基于模糊相似度的云服務(wù)雙向匹配模型

匹配過程中存在兩方主體，服務(wù)需求方和服務(wù)提供方。設(shè)服務(wù)需求方的需求集合為R={R1,R2,…，Ri}，Ri表示第i(i=1,2,…，k)個需求；服務(wù)提供方服務(wù)集合為S={S1,S2,…，Sj}，Sj表示第j(j=1,2,…，p)個服務(wù)。匹配的屬性為[category, name, describle, QoS], category 表示服務(wù)類別，name表示服務(wù)名稱，describle表示服務(wù)描述，QoS表示服務(wù)質(zhì)量。Rcategory表示需求方所需的服務(wù)類別，Rcategory表示服務(wù)方所提供的服務(wù)類別。設(shè)需求方所需服務(wù)名稱集合為Rname={Rname1,Rname2,…，Rnamei}，Rnamei表示Ri的服務(wù)名稱；服務(wù)方提供的服務(wù)名稱集合為Sname={Sname1,Sname2,…，Snamej}，Snamej表示Sj的服務(wù)名稱。需求方所需服務(wù)詳情描述的集合為Rdescrible={Rdescrible1,Rdescrible2,…，Rdescriblei}，Rdescriblei表示Ri的服務(wù)描述；服務(wù)方提供的服務(wù)詳情描述的集合為Sdescrible={Sdescrible1,Sdescrible2,…，Sdescriblej},Sdescriblej表示Sj的服務(wù)描述。RQoS={RQoS1,RQoS2,…，RQoSn}是需求方對服務(wù)QoS的屬性指標集合，RQoSn是第n(n=1，2，…，q)個指標；SQoS={SQoS1,SQoS2,…，SQoSm}是服務(wù)方對需求方合作要求的屬性指標集合，SQoSm是第m(m=1，2，…，t)個指標。

匹配過程是需求方根據(jù)其需求對服務(wù)方提供服務(wù)的選擇過程。首先根據(jù)需求方所需服務(wù)類別進行服務(wù)初次篩選，過濾掉不相關(guān)的服務(wù)，減少計算量。再根據(jù)供需雙方的服務(wù)描述，進行Rname與Sname相似度匹配，得出模糊相似度值Simn，以及Rdescrible與Sdescrible相似度匹配，得出模糊相似度值Simd。根據(jù)名稱和描述的綜合模糊相似度Sim(n,d)的大小，篩選出滿足設(shè)定的Sim(n,d)值的服務(wù)，即功能相近的服務(wù)。再進行QoS指標雙向匹配，計算由需到供和由供到需的模糊相似度值SimRQ和由供到需的模糊相似度值SimSQ。最后計算四個屬性的綜合模糊相似度值Sim(n，d，RQ,SQ)，保留并輸出滿足設(shè)定Sim(n,d,RQ,SQ)值的服務(wù)，即雙方都滿意的服務(wù)。

2 匹配算法

為減少匹配運算量，在云制造服務(wù)平臺中發(fā)布服務(wù)時對服務(wù)進行分類處理，用戶根據(jù)所需服務(wù)選取相關(guān)服務(wù)類別，過濾不相關(guān)的服務(wù)，再進行功能和非功能雙向匹配。

2.1 服務(wù)名稱和服務(wù)描述雙向匹配

服務(wù)名稱和服務(wù)描述通常是以詞組、句子或者一組概念的形式出現(xiàn)，所以采用多模糊概念語義相似度算法，其實質(zhì)是采用了向量空間這個數(shù)學(xué)模型。服務(wù)名稱和服務(wù)描述的相似度計算采用文獻[11]中所用的方法，具體描述如下：

對于兩個句子，分別設(shè)為向量A和B：

A=(X1，X2，…，XN)

B=(Y1，Y2，…，YM)

(1) 構(gòu)造A與B的模糊相似矩陣SAB，其中XiYj表示關(guān)鍵詞Xi和Yj的語義相似度；

(2) 將矩陣SAB壓縮至一維；

(1)

即對矩陣中的每行取最大值，然后對這些最大值取平均值。由于矩陣中的每一行列舉了句子A中的某一個關(guān)鍵詞語和句子B中所有詞語的語義相似度。求最大值，其實就是求句子A中的這個關(guān)鍵詞語與句子B的最大相似度。再計算平均值，其實就是計算句子A中所有詞語與句子B的語義相似度的平均值。最后用這個平均值來表示句子A與句子B的語義相似度。同理可得SemSimilarity(B,A)。

(3) 計算A和B的模糊語義相似度；

(2)

該種方法計算的句子之間的語義相似度的準確性主要依賴詞語之間的語義相似度的計算，即XiYj，而對于詞語之間的語義相似度計算已有很多種方法，本文參考文獻[12]中的方法，由于篇幅問題，這里就不作詳細說明。

使用上述方法進行Rname與Sname，Rdescrible與Sdescrible模糊相似度計算，得出模糊相似度值Simn、Simd，再計算名稱和描述的綜合模糊相似度Sim(n,d)的大小。

Sim(n,d)=α×Simn+β×Simd
(α,β為權(quán)重系數(shù)，滿足α+β=1)

(3)

2.2 服務(wù)質(zhì)量QoS雙向匹配

在進行服務(wù)名稱和服務(wù)描述的匹配，即是對服務(wù)的功能匹配過后，篩選出滿足設(shè)定值的服務(wù)集合，再集合里的服務(wù)進行QoS的雙向匹配計算。

國際標準ISO8402對QoS的定義為[13]: QoS是由一些非功能屬性組成，包括服務(wù)價格(price)、服務(wù)執(zhí)行時間(time)、服務(wù)可用性(availability)、服務(wù)可靠性(reliability)等，在一定程度上體現(xiàn)了服務(wù)提供者提供的服務(wù)質(zhì)量本身的物理意義。本文進行是QoS的雙向匹配，除了服務(wù)需求者對服務(wù)提供者提供的服務(wù)本身有服務(wù)價格(price)、服務(wù)執(zhí)行時間(time)、服務(wù)可用性(availability)等方面的屬性要求外，服務(wù)提供者對服務(wù)需求者也有如技術(shù)難度、信譽度、付款速度等方面的屬性要求。QoS的雙向匹配考慮供需雙方對服務(wù)質(zhì)量的要求，不但能提高云服務(wù)的匹配準確率和召回率，更能合理選擇服務(wù)，避免服務(wù)資源的浪費。因此，本文給出如下QoS的雙向匹配指標模型：

(1) 服務(wù)需求方對服務(wù)的QoS指標屬性RQoS={RQoSprice，RQoStime，RQoStec-level，RQoSreputation，RQoSreliability}。RQoSprice表示云服務(wù)的價格，為單件產(chǎn)品的外協(xié)報價和每公里的運輸成本之和；RQoStime為云服務(wù)的時間，即加工和運輸需要的天數(shù)；RQoSreliability為云服務(wù)的可靠性，由“正常響應(yīng)次數(shù)/被調(diào)用次數(shù)”表示；RQoStec-level，RQoSreputation分別為云服務(wù)的技術(shù)水平和信譽度，通過等級短語評價進行表示。

(2) 服務(wù)提供方對需求方的QoS指標屬性SQoS={SQoSV-pay,SQoStec-difficulty,SQoSreputation}。SQoSV-pay為付款速度，表示達成交易協(xié)議時，能夠付全款的95%需要的天數(shù)，另5%通常為質(zhì)保金；SQoStec-difficulty，SQoSreputation為技術(shù)難度和信譽度，通過等級短語評價進行表示。

2.2.1 QoS指標量化

由于信譽度、技術(shù)水平和技術(shù)難度很難用精確的某個數(shù)字進行表示，需采用一個合適的語言術(shù)語集來進行描述。本文使用的語言術(shù)語集為集合{非常高(Very High)，較高(High)，一般(Middle)，較低(Low)，非常低(Very Low)}。短語描述雖然能夠準確合理地表達QoS指標的程度，但卻不能直接用于計算。因此，需要對其進行量化。

常用的量化方法是使用轉(zhuǎn)換函數(shù)將模糊的語言描述映射為相應(yīng)的模糊值，本文采用直覺模糊函數(shù)，對應(yīng)直覺模糊集理論[14-15]。術(shù)語集取為奇數(shù),本文定義為5級，使中間值近似為0.5,而剩下的成對稱分布。術(shù)語集中各術(shù)語用模糊數(shù)來表示,取值在[0,1]之間。用模糊數(shù)表示的5級術(shù)語集如表1所示。

表1 語言術(shù)語集對應(yīng)的模糊數(shù)表

用戶給出QoS屬性的語言術(shù)語等級和不確定度πQoS，再查找表1得到對應(yīng)的直覺模糊數(shù)表達式[μQoS,νQoS-πQoS]，μQoS表示隸屬度，νQoS表示非隸屬度，最后根據(jù)式(4)將語言型QoS屬性轉(zhuǎn)化為數(shù)值。

qQoS=μQoS-νQoS×πQoS

(4)

2.2.2 QoS指標歸一化

由于各個QoS屬性的物理意義不同，其對應(yīng)的計量單位也不相同，所以屬性值的量綱和數(shù)量級可能不同。為了便于比較服務(wù)，需要將服務(wù)的QoS屬性值進行歸一化處理。本文采用文獻[16]中的函數(shù)進行歸一化處理，如式(5)、式(6)所示：

(5)

(6)

2.2.3 QoS模糊相似度計算

將QoS屬性經(jīng)過量化和歸一化處理后，得到一個多維向量，故本文就采用向量間的比較來計算服務(wù)需求者的提出QoS屬性與候選服務(wù)的QoS屬性的相似度SimRQ以及服務(wù)提供者提出的QoS屬性與待選需求的QoS屬性相似度SimSQ。設(shè)兩個多維向量為：

C=(C1,C2,…，Cn)

圖2給出了向量C和C′在向量空間的位置關(guān)系。由圖2可知，影響向量之間的因素有兩個：向量的模的大小關(guān)系和向量之間的夾角，當(dāng)向量C和C′模的大小越接近時越相似，同理，當(dāng)向量C和C′模的夾角越小時越相似。

圖2 向量空間模型中的向量C和C′

本文采用常用的夾角余弦法[17]來度量兩組向量的相似度，也稱為相和系數(shù)法，其表達式為：

(7)

Sim(RQ,SQ)=γ×SimRQ+δ×SimSQ
(γ,δ為權(quán)重系數(shù)，滿足γ+δ=1)

(8)

綜上，通過計算得出服務(wù)名稱和描述的綜合模糊相似度Sim(n,d)的大小以及QoS雙向匹配綜合模糊相似度Sim(RQ,SQ)，再使用綜合加權(quán)法進行綜合模糊相似度求解，如式(9)所示:

Sim(n,d,RQ,SQ)=ω1×Sim(n,d)+ω2×Sim(RQ,SQ)

(9)

其中，ω1、ω2為權(quán)重系數(shù)，滿足ω1+ω2=1。

最后，根據(jù)綜合模糊相似度值Sim(n,d,RQ,SR)的大小，綜合考慮功能和非功能因素，降序輸出滿足要求的服務(wù)序列。雙向匹配計算過程如圖3所示。

圖3 雙向匹配計算過程圖

3 實驗驗證

為了驗證模型的合理性和實用性，以JDK 7+Eclipse 4.5+MySQL 5.6 為開發(fā)環(huán)境，Tomcat 7.0為中間件搭建云制造服務(wù)試驗平臺進行仿真測試，用Java語言編寫仿真程序?qū)崿F(xiàn)云制造服務(wù)選擇與調(diào)用。

以某塑料外殼加工為例，4個并發(fā)用戶(分別用R1，R2，R3，R4表示)需要該類生產(chǎn)加工服務(wù)，云制造服務(wù)平臺中包含80個用于測試的制造云服務(wù)，用Sj表示(j=1，2，…,80)。服務(wù)方將服務(wù)發(fā)布在云服務(wù)平臺的同時提出對合作者的QoS要求；需求方通過名字和服務(wù)詳情以及對服務(wù)QoS要求，平臺系統(tǒng)根據(jù)雙方設(shè)定的條件，從數(shù)據(jù)庫中抽取數(shù)據(jù)進行服務(wù)的匹配。

根據(jù)4個并發(fā)用戶需求，以“塑料加工”為服務(wù)類別對云制造服務(wù)平臺中的80個服務(wù)進行初選，該服務(wù)類別下共15個服務(wù)，用Sj表示(j=1，2，…,15)。按照2.1節(jié)的描述對4個并發(fā)需求進行名字和詳情描述的匹配，提取需求和服務(wù)中的關(guān)鍵詞進行相似度計算，令式(3)中權(quán)重系數(shù)α、β均為0.5，相似度要求為Sim(n,d)≥0.700 0 。4個并發(fā)需求與15個服務(wù)名稱和詳情描述雙向匹配結(jié)果如表2所示。

表2 服務(wù)名稱和詳情描述雙向匹配相似度值列表

注：“-”表示對應(yīng)的服務(wù)不滿足相似度要求

針對4個需求所對應(yīng)的15個服務(wù)，再進行QoS雙向匹配。由2.2節(jié)，服務(wù)需求方考慮的服務(wù)QoS指標為：價格、時間、可靠性、技術(shù)水平和信譽度；服務(wù)提供方考慮：付款速度、技術(shù)難度和信譽度。雙方給出各自對QoS指標的要求，平臺系統(tǒng)獲取數(shù)據(jù)按照2.2節(jié)所述算法進行匹配計算。4個并發(fā)需求和15個服務(wù)的QoS與合作條件分別如表3、表4所示。

表3 Ri屬性和QoS要求

表4 Sj服務(wù)QoS與合作要求

結(jié)合表1和式(4)對表3和表4中的短語評價進行量化處理，不確定度πQoS由用戶輸入。為了便于比較服務(wù)，再將量化后的數(shù)值進行歸一化處理，其中價格、時間、付款速度、技術(shù)難度采用式(6)進行歸一化處理，而技術(shù)水平，可靠性和信譽度采用式(5)進行歸一化計算。歸一化處理后再進行相似度計算，首先將4個并發(fā)需求Ri的QoS要求當(dāng)作四組五維向量，將15個服務(wù)Sj的QoS屬性看作15組五維向量，然后運用式(7)進行由需求到服務(wù)的一一匹配計算。同理，由服務(wù)Sj的合作要求與需求Ri屬性計算出從服務(wù)到需求的匹配相似度值。將兩組相似度值按照式(8)進行綜合相似度值的計算，令式中的權(quán)重系數(shù)γ和δ均為0.5。最終QoS雙向匹配的綜合相似度值如表5所示。

表5 Ri與SjQoS雙向匹配的綜合相似度值

最后，利用式(9)對表2和表5中的數(shù)據(jù)進行綜合相似度值的計算。值得注意的是，云制造服務(wù)的匹配必須在滿足功能性要求的基礎(chǔ)上再考慮非功能因素，因此計算時令式(9)中的權(quán)重系數(shù)ω1為0.7，ω2為0.3，相似度要求為Sim(n,d,RQ,SQ)≥0.800 0。最終4個并發(fā)需求的匹配結(jié)果如表6所示。

表6 Ri與Sj雙向匹配綜合相似度值

為方便4個并發(fā)需求方選取供需雙方都適合并且滿意的服務(wù)，平臺按照表6中最后的綜合相似度值降序排列輸出服務(wù)，最后結(jié)果排序如表7所示。

表7 Ri與Sj匹配結(jié)果

為了便于分析，以需求R1為例，分別使用文獻[3]中基于關(guān)鍵字語義匹配法和文獻[6]中基于變精度粗糙集的單向選擇算法進行匹配運算，計算結(jié)果如表8所示。

表8 R1對比方法輸出結(jié)果

符合需求R1要求的服務(wù)集合C={S2，S3，S6}，通過表7和表8的對比可以看出，匹配結(jié)果有所不同?；陉P(guān)鍵字語義匹配和變精度粗糙集法能從需求方出發(fā)匹配到部分合適的服務(wù)?；陉P(guān)鍵字語義匹配能獲取滿足需求R1功能的服務(wù)S2、S3、S5，變精度粗糙集法能從QoS方面匹配R1需求方滿意的服務(wù)S3、S6、S15。但是相比較而言，本文的方法能綜合需求R1功能和非功能因素，結(jié)合需求方和服務(wù)方要求選擇雙方滿意的服務(wù)S2、S3、S6。

同時，為了驗證本文提出的雙向匹配法的召回率和準確率，使用Matlab進行多次實驗得出基于關(guān)鍵字語義匹配、基于變精度粗糙集法以及本文方法的Precision-Recall曲線圖，如圖3所示。從圖3可以看出，本文的召回率和準確率也得到明顯改善。

圖3 Precision-Recall曲線圖

從實際交易出發(fā)，在基本滿足功能的條件下，需求方肯定會選擇滿足自己要求的一方為自己服務(wù)和進行交易，而在此基礎(chǔ)之上，本文提出的基于模糊相似度的雙向匹配模型還加入服務(wù)方的要求。這樣，從匹配的準確率和召回率來看，提高了云制造服務(wù)的供需匹配精度，并且節(jié)約云制造資源，從挑選最優(yōu)的服務(wù)升華到了匹配供需雙方最合適的服務(wù)，打破傳統(tǒng)的云制造服務(wù)匹配方式。

4 結(jié) 語

本文結(jié)合云制造服務(wù)中需求方與服務(wù)方的匹配需求，提出基于綜合模糊相似度的雙向云服務(wù)匹配模型。考慮需求方對服務(wù)的功能性要求，利用服務(wù)名稱和服務(wù)詳情描述進行初次篩選，運用多概念語義相似度算法計算名稱和詳情描述雙向匹配相似度值。然后從非功能性角度出發(fā)，結(jié)合服務(wù)供需雙方的QoS屬性和要求，將QoS屬性指標量化和歸一化處理，轉(zhuǎn)化為多維向量。再通過向量相似度值的計算得出QoS雙向匹配相似度值。最后運用綜合加權(quán)法得到服務(wù)功能和非功能的綜合匹配度，為云制造服務(wù)的供需雙方匹配提供量化的數(shù)據(jù)支撐。實驗結(jié)果表明，該匹配模型能從云服務(wù)的需求方和提供方雙方綜合考慮，提供供需雙方均合適的服務(wù)，不僅能在一定程度上提高匹配準確率和召回率，更能從實際出發(fā)，合理分配云制造資源。

下一步將考慮算法中各權(quán)重系數(shù)對匹配結(jié)果的影響，利用合適的方法對各權(quán)重系數(shù)進行修正，不斷完善和細化該雙向匹配模型。

[1] 李伯虎, 張霖, 王時龍,等. 云制造——面向服務(wù)的網(wǎng)絡(luò)化制造新模式[J]. 計算機集成制造系統(tǒng), 2010,16(1):1-7,16.

[2] 尹超, 張云, 鐘婷. 面向新產(chǎn)品開發(fā)的云制造服務(wù)資源組合優(yōu)選模型[J]. 計算機集成制造系統(tǒng), 2012,18(7):1368-1378.

[3] 盛步云, 張成雷, 盧其兵,等. 云制造服務(wù)平臺供需智能匹配的研究與實現(xiàn)[J]. 計算機集成制造系統(tǒng), 2015, 21(3):822-830.

[4] 董元發(fā), 郭鋼. 基于模板與全局信任度的云制造服務(wù)評價與選擇方法[J]. 計算機集成制造系統(tǒng), 2014,20(1):207-214.

[5] Deng Ziyun, Zhang Jing, Cai Lijun, et al.Matching Algorithm Based on Semantic Similarity of Service Requirement Ontology for CAE Simulation in Cloud Platform[J]. International Journal of u-and e-Service, Science and Technology, 2016, 9(9):221-242.

[6] 馬文龍, 朱李楠, 王萬良. 云制造環(huán)境下基于QoS感知的云服務(wù)選擇模型[J]. 計算機集成制造系統(tǒng), 2014, 20(5):1246-1254.

[7] 李新, 董朝陽. 基于本體映射的云制造資源與加工任務(wù)智能匹配[J]. 組合機床與自動化加工技術(shù),2015(11):157-160.

[8] 趙雷. 關(guān)聯(lián)關(guān)系感知的制造云服務(wù)匹配與組合方法研究[D].北京理工大學(xué),2016.

[9] Cheng Y, Tao F, Zhao D, et al. Modeling of manufacturing service supply-demand matching hypernetwork in service-oriented manufacturing systems[J]. Robotics and Computer-Integrated Manufacturing, 2016，45.

[10] 趙金輝, 王學(xué)慧. 基于服務(wù)質(zhì)量的云制造服務(wù)雙向匹配模型[J]. 計算機集成制造系統(tǒng), 2016,22(1):104-112.

[11] 徐易. 智能答疑系統(tǒng)關(guān)鍵技術(shù)的研究與實現(xiàn)[D]. 東南大學(xué), 2003.

[12] 劉群, 李素建.基于知網(wǎng)的詞匯語義相似度計算[C]//第三屆漢語詞匯語義學(xué)研討會,臺北,2002:59-76.

[13] 崔彥. 基于語義Web的服務(wù)匹配模型研究[D]. 大連理工大學(xué), 2006.

[14] 秦佳. 服務(wù)組合中基于混合QoS模型的服務(wù)選擇研究[D]. 重慶大學(xué), 2010.

[15] 周曉光, 張強, 胡望斌. 基于Vague集的TOPSIS方法及其應(yīng)用[J]. 系統(tǒng)管理學(xué)報, 2005,14(6):537-541.

[16] 王尚廣, 孫其博, 張光衛(wèi),等. 基于云模型的不確定性QoS感知的Skyline服務(wù)選擇[J].軟件學(xué)報, 2012, 23(6):1397-1412.

[17] 張宇, 劉雨東, 計釗.向量相似度測度方法[J].聲學(xué)技術(shù),2009,28(4):532-536.

TWO-SIDEDMATCHINGMODELOFREQUIREMENTS-SERVICEBASEDONCOMPREHENSIVEFUZZYSIMILARITYINCLOUDMANUFACTURING

Hu Yu1Guo Gang2

1(SchoolofMechanicalEngineering,ChongqingUniversity,Chongqing400044,China)2(SchoolofAutomotiveEngineering,ChongqingUniversity,Chongqing400044,China)

In order to solve the problem of service selection in cloud manufacturing environment and improve the matching accuracy of service and demand and the satisfaction of both supply and demand, this paper proposes a two-sided matching model of cloud manufacturing services based on the comprehensive fuzzy similarity. According to the description information of the service side and the demand side, combining with the functional and non-functional requirements, the description information of the supply and demand sides are two-sided multi attribute matched based on the matching mechanism. Considering the stability of matching, the similarity of multiple attribute information is solved by using fuzzy concept semantic similarity algorithm, intuitionistic fuzzy set algorithm and consistency coefficient method respectively. Then the comprehensive fuzzy similarity is calculated by the comprehensive weight method, and the best matching results are obtained. The example analysis and comparative study show that the matching model is feasible and effective, and it can accurately select both services for the users.

Cloud manufacturing Comprehensive fuzzy similarity Satisfaction Two-sided matching

2016-12-14。國家自然科學(xué)基金項目(51375510)；科技部國家科技支撐計劃項目(2012BAH32F04)。胡雨，碩士生，主研領(lǐng)域：信息化制造，云制造。郭鋼，教授。

TP393

A

10.3969/j.issn.1000-386x.2017.11.005