云制造環(huán)境下基于本體和模糊QoS的供應(yīng)商匹配方法

孫曉琳,金 淳,馬 琳,王文波

(1.大連理工大學(xué)管理與經(jīng)濟(jì)學(xué)部，遼寧 大連 116024；2.大連大學(xué)經(jīng)濟(jì)管理學(xué)院，遼寧 大連 116633)

1 引言

以云計(jì)算等網(wǎng)絡(luò)信息技術(shù)為依托的云制造是實(shí)現(xiàn)“中國制造2025”路線圖中加快推進(jìn)制造業(yè)轉(zhuǎn)型升級(jí)發(fā)展的重要模式[1]。對(duì)于企業(yè)重要運(yùn)營環(huán)節(jié)之一的供應(yīng)商選擇而言，傳統(tǒng)制造業(yè)的供應(yīng)商選擇模式存在著選擇范圍窄、信息不對(duì)稱、流程繁瑣、周期長等局限。而云制造使得分布的制造資源在云服務(wù)下實(shí)現(xiàn)高度共享，大大改變了傳統(tǒng)的選擇模式[2]。同時(shí)，在云制造環(huán)境下，龐大的供應(yīng)服務(wù)資源也為供應(yīng)商選擇帶來了新的難題，因而針對(duì)其服務(wù)匹配方法的研究成為當(dāng)前的熱點(diǎn)之一。

服務(wù)匹配所利用的信息包含功能性信息和非功能信息，后者也稱QoS(qualifications of service)信息[3]。因兩種信息的作用和表現(xiàn)形式不同，因而服務(wù)匹配分為功能性匹配和QoS匹配。功能性匹配的對(duì)象主要是服務(wù)的輸入、輸出參數(shù)集合，針對(duì)功能性匹配方法，Zhang Shudong和Chen Yan[4]，Blanco等[5]利用本體的結(jié)構(gòu)特征，采用基于本體語義距離的概念相似度匹配方法，也是現(xiàn)在普遍用于解決信息不對(duì)稱的方法；Bai Li等[6]利用模糊集理論描述服務(wù)資源，基于模糊規(guī)則進(jìn)行服務(wù)匹配；鄧水光等[7]利用二分圖理論和KM算法進(jìn)行服務(wù)功能性匹配；Zapater等[8]采用基于服務(wù)標(biāo)準(zhǔn)分類的匹配方法；Khater等[9]把功能匹配問題轉(zhuǎn)化為圖問題，用最短路徑法進(jìn)行功能匹配。QoS匹配對(duì)象是服務(wù)質(zhì)量參數(shù)集合，具有產(chǎn)品及服務(wù)的個(gè)性化的特征，可用來在功能性匹配的基礎(chǔ)上進(jìn)一步選擇功能相似的服務(wù)。針對(duì)QoS匹配方法，張成文等[3]研究了基于關(guān)系矩陣編碼方式的遺傳算法解決QoS感知匹配問題；李蜀瑜等[10]研究了結(jié)合QoS模糊性的粒子群算法，較好的解決了模糊QoS匹配問題；王尚廣等[11]運(yùn)用具有全局約束的QoS結(jié)合粒子群算法，通過分解的局部最優(yōu)解找到全局最優(yōu)的服務(wù)；Ahmed等[12]利用人工神經(jīng)網(wǎng)絡(luò)方法建立基于QoS的服務(wù)匹配模型；Zhao Xinchao等[13]研究了用粒子群算法解決動(dòng)態(tài)QoS匹配問題；Ajao 等[14]研究了了基于用戶個(gè)性化偏好的服務(wù)匹配問題； Huang Jinguo等[15]和楊潔[16]研究了基于服務(wù)質(zhì)量評(píng)價(jià)模型的QoS匹配，Tao Qian等[17]把信任度添加到了QoS的參數(shù)中，并利用二進(jìn)制搜索算法匹配最優(yōu)服務(wù)，減少了計(jì)算時(shí)間復(fù)雜度；Wang Shangguang等[18]提出了一種多用戶的服務(wù)選擇框架，通過過去用戶的經(jīng)驗(yàn)QoS值預(yù)測失蹤的QoS值以提供全局最優(yōu)的服務(wù)匹配結(jié)果，王娟等[19]針對(duì)醫(yī)療服務(wù)供需提出了兩階段的匹配方法。

上述研究針對(duì)的是普通的Web服務(wù)匹配。近年來人們開始關(guān)注云計(jì)算環(huán)境下的服務(wù)匹配問題，如Dastjerdi等[20]提出了CloudPick框架，簡化了云服務(wù)之間的資源調(diào)度，并利用基于語義描述的QoS模型提高服務(wù)發(fā)現(xiàn)的精度；羅賀等[21]考慮了云服務(wù)需求的動(dòng)態(tài)性，提出了時(shí)變需求匹配方法；Rezaei等[22]構(gòu)建語義互操作框架，為不同的云服務(wù)之間提供語義信息共享工具。這些研究對(duì)云環(huán)境下的服務(wù)匹配方法進(jìn)行了有益的嘗試，但總體而言，相關(guān)研究還處于起步階段。云制造環(huán)境下所提供的服務(wù)具有資源數(shù)量大、語義信息不對(duì)稱、QoS需求多樣化和模糊化等特點(diǎn)，同時(shí)制造企業(yè)會(huì)根據(jù)實(shí)際情況自主選擇匹配服務(wù)的需求。因此，傳統(tǒng)方法運(yùn)用到云制造環(huán)境下時(shí)會(huì)存在以下不足：首先，針對(duì)功能性匹配，難以解決語義信息不對(duì)稱問題。傳統(tǒng)的基于規(guī)則和圖論[6-9]的方法難以解決語義信息不對(duì)稱問題，本體可以描述語義信息使信息共享，但目前基于語義本體的匹配方法研究沒有考慮因表達(dá)方式不同導(dǎo)致輸入為非本體概念的情況，這將導(dǎo)致語義信息的丟失；其次，針對(duì)QoS匹配算法，啟發(fā)式算法[10-13]計(jì)算速度快但難以控制早熟收斂，模糊QOS的評(píng)價(jià)[15-16]多采用大量矩陣計(jì)算，針對(duì)大量服務(wù)選擇會(huì)降低服務(wù)效率。分階段匹配的方法[18]給云制造環(huán)境下的供應(yīng)商匹配提供了一些啟發(fā)，但是階段的劃分標(biāo)準(zhǔn)對(duì)本問題并不適用。且大部分方法只得到唯一匹配服務(wù)，由于制造企業(yè)在供應(yīng)商選擇過程中會(huì)受到很多現(xiàn)實(shí)因素影響，往往企業(yè)需要的不單單是唯一服務(wù)，而是要在篩選出來服務(wù)集合中，再做主觀判斷，因而目前的匹配方法難以滿足企業(yè)主動(dòng)選擇的需求。

針對(duì)上述問題，本文提出了云制造環(huán)境下基于本體和模糊QoS的三階段匹配方法。定義了具有普適性的、基于語義的供應(yīng)商服務(wù)本體模型，同時(shí)充分運(yùn)用本體結(jié)構(gòu)特點(diǎn)，引入屬性影響度使語義信息更完整；采用優(yōu)化的基于三角模糊數(shù)的FCM算法匹配QoS，在大量功能相似的服務(wù)中最后得到服務(wù)匹配結(jié)果的集合。

2 問題描述及語義模型

2.1 問題描述

云制造平臺(tái)的業(yè)務(wù)流程如圖1所示。云平臺(tái)接收需求方提出的供應(yīng)商需求，然后通過服務(wù)匹配從大量已注冊(cè)的供應(yīng)商服務(wù)資源庫中挑選適合的供應(yīng)商推薦給需求方。匹配結(jié)果的正確與否直接影響后續(xù)的協(xié)同制造過程和整個(gè)制造任務(wù)的效率。服務(wù)資源庫中的供應(yīng)商服務(wù)主要包含兩方面的信息，一是供應(yīng)商能夠提供的基本功能，二是云制造環(huán)境下供應(yīng)商的QoS信息。服務(wù)匹配的過程就是通過匹配需求和資源庫中服務(wù)的這兩方面信息找到適合的供應(yīng)商。由于云制造環(huán)境下信息的異構(gòu)性，使得需求方和供應(yīng)方之間的信息無法共享和交互，另外需求方對(duì)匹配結(jié)果有自主選擇的需求。因此，在云制造環(huán)境下進(jìn)行服務(wù)匹配時(shí)，考慮語義共享和需求方自主選擇要素至關(guān)重要。

為實(shí)現(xiàn)供應(yīng)商需求和大規(guī)模供應(yīng)商服務(wù)的語義共享，快速、準(zhǔn)確、智能化的匹配，需要服務(wù)本體和標(biāo)準(zhǔn)化語義服務(wù)描述的支持，以下在2.2、2.3節(jié)中分別進(jìn)行說明。

圖1 云制造平臺(tái)業(yè)務(wù)流程示意圖

2.2 供應(yīng)商服務(wù)本體模型

供應(yīng)商服務(wù)本體提供對(duì)領(lǐng)域知識(shí)的共同理解和描述，能夠?qū)崿F(xiàn)領(lǐng)域和供應(yīng)商服務(wù)的信息共享和交互，是服務(wù)匹配的語義基礎(chǔ)[25]。然而目前本體沒有統(tǒng)一的表示標(biāo)準(zhǔn)[4]，本文用三元組來表示本體：

O={C，Re，Con}

(1)

其中，C是本體中概念的集合；Re是C和C之間的關(guān)系集合，Re包含四個(gè)元素，即Re={is-a，kind-of，is-property，is-instance}，其中is-a表示概念之間部分與整體的關(guān)系、kind-of表示概念之間的繼承關(guān)系、is-property表示一個(gè)概念是另一個(gè)概念的屬性、is-instance表示概念和實(shí)例的關(guān)系，Con為公理集合，指C和C之間約束條件。

本研究在參考已有研究[3][4]、領(lǐng)域?qū)＜乙庖姾蚖ordNet標(biāo)準(zhǔn)的基礎(chǔ)上構(gòu)建了制造業(yè)供應(yīng)商服務(wù)本體Oss，構(gòu)成如下：

Oss=Ov∪Os∪Oq

(2)

其中，Ov為領(lǐng)域本體，是計(jì)算語義概念相似度的基礎(chǔ)；Os為功能服務(wù)本體；Oq為QoS本體，既包含W3C提出的通用QoS指標(biāo)[24]，也包括領(lǐng)域QoS指標(biāo)。Os和Oq是用戶在選擇供應(yīng)商服務(wù)的影響因素。Oss中的每個(gè)本體都用(1)式的本體結(jié)構(gòu)表示。圖2為汽車領(lǐng)域Oss片段。

圖2 汽車供應(yīng)商服務(wù)本體Oss示例圖

2.3 供應(yīng)商描述模型

(1)供應(yīng)商描述。為能夠?qū)?dòng)態(tài)異構(gòu)的供應(yīng)商信息進(jìn)行智能匹配，需要統(tǒng)一、完整的描述方法[5]。本文根據(jù)OWL-S的ServiceProfile類[23]的描述結(jié)構(gòu)特點(diǎn)對(duì)服務(wù)進(jìn)行語義描述，云制造環(huán)境中的供應(yīng)商si描述如下：

si={B,QoS}

(3)

其中，B表示基本功能信息集合，B中的信息根據(jù)Os描述；QoS表示服務(wù)質(zhì)量集合，QoS中的信息根據(jù)Oq描述。

si的各部分內(nèi)容說明如下：

B={C,PQ,SA}，C為需求的資源概念名稱，與Ov上的概念對(duì)應(yīng)；PQ表示該資源的生產(chǎn)質(zhì)量，PQ={pr,qc}，pr表示產(chǎn)品合格率、qc表示產(chǎn)品對(duì)應(yīng)的認(rèn)證體系；SA表示供應(yīng)商的供貨能力，SA={Ty,Num,TOD}，Ty表示產(chǎn)品型號(hào)、Num表示產(chǎn)品數(shù)量、TOD表示供應(yīng)商的交貨期。

QoS={Qg,Qs}，其中，Qg和Qs表示通用的QoS指標(biāo)和制造業(yè)供應(yīng)商專用QoS指標(biāo)。Qg={qC,qT,qR,qRe}，qC為供應(yīng)商服務(wù)的價(jià)格，qT為線上服務(wù)的響應(yīng)時(shí)間，qR為服務(wù)的可靠程度，qRe為服務(wù)的信譽(yù)；Qs={qS,qP,qRP,qF,qCO}，qS為供應(yīng)商的送樣速度，qP為運(yùn)費(fèi)承擔(dān)，qRP為退貨服務(wù)，qF為生產(chǎn)能力的靈活性，qCO表示是否合作過。

(2)供應(yīng)商需求描述。供應(yīng)商需求包含供應(yīng)商描述的內(nèi)容。同時(shí)由于每個(gè)QoS參數(shù)的重要性不同，用戶對(duì)各個(gè)參數(shù)的偏好會(huì)根據(jù)不同的情況進(jìn)行動(dòng)態(tài)選擇。所以引入用戶偏好向量P，每個(gè)偏好采用[0,1]的隸屬度描述。P∈{quiteunimportant,unimportant,medium,important,veryimportant}={0.2,0.4,0.6,0.8,1}。

于是，供應(yīng)商需求R可表示如下：

R={B,QoS,P}

(4)

3 三階段匹配方法

3.1 方法思想

本文根據(jù)云制造環(huán)境下語義信息不對(duì)稱，需求個(gè)性化及多樣化的特點(diǎn)提出了三階段匹配方法。在任一階段，如果R和si的相似度Sim(R,si)≥ω(設(shè)定的閾值)，則si為滿足需求的服務(wù)。用ωb、ωq、ωz分別表示第一階段、第二階段和第三階段的閾值。圖3是本文三階段匹配方法的流程圖。

第一階段進(jìn)行功能性匹配。匹配的對(duì)象為B，本文根據(jù)本體結(jié)構(gòu)特點(diǎn)設(shè)計(jì)了語義相似度計(jì)算方法，在此基礎(chǔ)上，計(jì)算了各個(gè)類型參數(shù)的相似度，得到功能性匹配集合S1，并作為第二階段的供應(yīng)商資源庫。

第二階段進(jìn)行QoS匹配。結(jié)合模糊用戶偏好把模糊多類型的QoS信息轉(zhuǎn)化成三角模糊數(shù)，采用優(yōu)化聚類中心的三角模糊數(shù)FCM算法快速聚類，得到QoS匹配度集合S2，并作為第三階段的供應(yīng)商資源庫。

第三階段進(jìn)行綜合匹配。利用前兩個(gè)階段的匹配度計(jì)算綜合匹配度，得到基于匹配度排序的結(jié)果集合S3。

圖3 三階段匹配方法流程圖

3.2 第一階段功能性匹配

(1)匹配B

根據(jù)B中參數(shù)的不同類型采用不同的匹配方法。其中C是概念類型，概念的相似性可以利用本體結(jié)構(gòu)中概念的量化關(guān)系進(jìn)行判斷[26]。本文在考慮概念的距離時(shí)僅考慮概念之間為is-a、kind-of和is-instance三種關(guān)系，且默認(rèn)每種關(guān)系對(duì)應(yīng)的連接距離為1，Dis(C1,C2)為兩個(gè)概念節(jié)點(diǎn)C1和C2的最短距離，數(shù)值為各個(gè)節(jié)點(diǎn)到最近公共節(jié)點(diǎn)的距離之和[4]。在基于本體結(jié)構(gòu)的語義相似度研究中，學(xué)者們研究討論了上位概念集、概念深度、概念的語義密度對(duì)概念語義相似度的影響，但對(duì)這三個(gè)影響因子并沒有統(tǒng)一的計(jì)算方式[5,27]。在已有研究基礎(chǔ)上，本文給出了三種相似影響度的計(jì)算方法。

此外，考慮由于表達(dá)方式不同造成概念不能匹配到本體模型，從而造成錯(cuò)誤或片面匹配結(jié)果的問題，本文追加了屬性影響因素，即Ov中概念的is-property關(guān)系連接的屬性，通過概念共同擁有的屬性判斷其相似性。綜上，Ov中的概念C1和C2應(yīng)滿足以下4個(gè)規(guī)則：

規(guī)則1：重合度相似影響度。設(shè)從C1追溯到根節(jié)點(diǎn)的上位概念集合為U(C1)，從C2追溯到根節(jié)點(diǎn)的上位概念集合為U(C2)，若C1和C2的公共上位集的個(gè)數(shù)Count(U(C1)∩U(C2))≠0，兩個(gè)概念公共上位集越多影響度則越大。則C1和C2的重合度相似影響度α1為：

(5)

規(guī)則2：深度相似影響度。設(shè)C1到定點(diǎn)的深度為Depth(C1)，C2到定點(diǎn)的深度為Depth(C2)，若C1和C2的語義深度差Depth(C1)- Depth(C2)≠0，兩個(gè)概念的深度差越小影響度越大，且深度和越大代表細(xì)分度高影響度也就越大。C1和C2的深度相似影響度α2為：

(6)

規(guī)則3：密度相似影響度。若C1的兄弟節(jié)點(diǎn)的個(gè)數(shù)brother(C1)，C2的兄弟節(jié)點(diǎn)的個(gè)數(shù)brother(C2)，兩個(gè)概念的兄弟越多說明該節(jié)點(diǎn)描述的越具體，相似度也就越大，C1和C2的密度相似影響度α3為：

(7)

規(guī)則4：屬性相似影響度。設(shè)C1的屬性值個(gè)數(shù)為attribute(C1)，C2的屬性值個(gè)數(shù)為attribute(C2)，兩個(gè)概念擁有的相同屬性越高屬性影響越大，則C1和C2的屬性相似影響度α4為：

上述4個(gè)規(guī)則中r1，r2，r3，r4為可調(diào)節(jié)因子。

然后，在語義距離，概念重合度、密度、深度和屬性的相似影響度分析基礎(chǔ)上，用式(9)計(jì)算兩個(gè)概念節(jié)點(diǎn)C1和C2的語義相似度。

Sim(C1,C2)=

(9)

其中，λ為可調(diào)節(jié)因子，η1，η2，η3分別為概念重合影響度、密度和深度影響度的權(quán)重，η1+η2+η3=1。

Sim(brt,bst)=

(10)

若B中第t個(gè)參數(shù)為區(qū)間型則其語義相似度計(jì)算如下，其中|r∩s|表示公共數(shù)值的長度。

(11)

(3)功能性匹配相似度及S1

依據(jù)B中各個(gè)元素的屬性類型特征，利用式(9)～(11)計(jì)算得到的各個(gè)類型參數(shù)的相似度，R與si的功能性匹配的相似度為各個(gè)參數(shù)相似度的乘積，計(jì)算公式為(12)。

(12)

然后利用公式(13)得到功能性匹配結(jié)果結(jié)合S1，并把S1作為第二階段匹配的供應(yīng)商資源庫。

S1={si|si∈S;Sim(R.B,si.B)≤ωb}

(13)

3.3 第二階段QoS匹配

因QoS中指標(biāo)的不確定性和復(fù)雜性，不能對(duì)其定量描述而需采用模糊語言表示[29]。另外，用戶對(duì)于QoS中的每個(gè)屬性往往擁有不同的偏好[13]，并且對(duì)匹配的結(jié)果有自主選擇的需求。因此，本文采用基于三角模糊數(shù)的FCM聚類算法[28]，把QoS模糊語言轉(zhuǎn)化成三角模糊數(shù)，盡量完整表達(dá)模糊信息，同時(shí)引入了用戶偏好，并通過優(yōu)化初始聚類中心，循環(huán)聚類，使得結(jié)果集中符合需求的資源快速收斂到同一個(gè)類別，得到供應(yīng)商集合，以彌補(bǔ)傳統(tǒng)匹配方法忽略QoS模糊性和只得到一個(gè)匹配結(jié)果的不足。

(1)結(jié)合用戶偏好對(duì)QoS模糊數(shù)據(jù)標(biāo)準(zhǔn)化

本文將QoS的描述信息用{無，很低，低，微低，中，微高，高，很高，完全}九個(gè)模糊描述語言表示，除此之外本文還追加了QoS的表現(xiàn)形式可以為自然語言、區(qū)間和精確值，并把每個(gè)描述語言轉(zhuǎn)化成三角模糊數(shù)，詳見表1。

(14)

表1 QoS模糊語言的模糊數(shù)對(duì)照表

(15)

(16)

(2)用優(yōu)化的FCM算法縮小供應(yīng)商范圍

本文利用聚類算法的目的是讓供應(yīng)商資源庫中與需求相似的服務(wù)快速收斂到一個(gè)小范圍。有學(xué)者采用FCM算法對(duì)資源進(jìn)行聚類[30]，但沒有考慮其模糊性。本文采用基于三角模糊數(shù)的FCM算法，并優(yōu)化初始聚類中心。聚類的數(shù)目可根據(jù)實(shí)際資源的數(shù)目確定，本文借鑒二分查找的思想設(shè)置聚類數(shù)目為2，循環(huán)聚類逐漸縮小供應(yīng)商范圍。

根據(jù)聚類數(shù)目，需要初始化兩個(gè)聚類中心。為保證盡可能的選擇接近R的QoS服務(wù)類別，保證按需服務(wù)發(fā)現(xiàn)，本文將Xn作為第一個(gè)初始的聚類中心，即：

(17)

(18)

算得V0后，用基于三角模糊數(shù)的FCM算法縮小供應(yīng)商范圍，算法流程如下：

(3)QoS相似度及S2

利用模糊貼近度計(jì)算CRQOS中RQ和其他資源的相似度。貼近度的概念與相似度類似，越接近1表示兩個(gè)模糊集越接近。本文采用歐幾里得多屬性的三角模糊數(shù)貼近度計(jì)算方法由公式(19)得到RQ與CRQOS中其他資源的QoS相似度。

(19)

然后根據(jù)公式(20)得到QoS匹配結(jié)果結(jié)合S2，并把S2作為第三階段匹配的供應(yīng)商資源庫。

S2={si|si∈S1;Sim(R.QoS,si.QoS)≤ωq}

(20)

3.4 第三階段綜合匹配

第三階段在第二階段的資源集合S2的基礎(chǔ)上，根據(jù)前兩個(gè)階段得到前兩個(gè)階段的功能性相似度和QoS相似度，加權(quán)求和得到R與si綜合匹配度為：

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

(21)

圖4 優(yōu)化聚類中心的模糊QoS聚類算法流程

其中，α和β分別為兩階段相似度的權(quán)值，表示各階段相似度對(duì)綜合相似度的影響程度，α+β=1。

然后，根據(jù)公式(22)得到綜合匹配結(jié)果結(jié)合S3，需求方在S3中自主選擇最滿意供應(yīng)商，完成供應(yīng)商的匹配。

S3={si|si∈S2;Sim(R.QoS,si.QoS)≤ωz}

(22)

4 實(shí)驗(yàn)分析

4.1 實(shí)驗(yàn)設(shè)計(jì)及本體建立

為驗(yàn)證本文方法的效果，采用某汽車企業(yè)真實(shí)供應(yīng)商服務(wù)數(shù)據(jù)為樣本，通過采用不同樣本量和改變需求還有方法對(duì)比進(jìn)行實(shí)驗(yàn)分析。樣本中供應(yīng)商的QoS數(shù)據(jù)從相關(guān)企業(yè)平臺(tái)數(shù)據(jù)庫中抽取，用戶偏好數(shù)據(jù)根據(jù)專家意見得到。

實(shí)驗(yàn)中匹配的服務(wù)是汽車發(fā)動(dòng)機(jī)零部件供應(yīng)商，圖5為本文建立的相應(yīng)部分領(lǐng)域本體結(jié)構(gòu)。分別選取了50，150，250個(gè)汽車發(fā)動(dòng)機(jī)零部件供應(yīng)商服務(wù)用于方法有效性實(shí)驗(yàn)，實(shí)驗(yàn)基本參數(shù)設(shè)置為：ωb=0.6，ωq=0.8，ωz=0.8，η1=η2=η3=1/3，聚類參數(shù)mf=2，停止闕值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。用戶需求R的信息為：C為活塞銷，pr為100%，Num為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}。

實(shí)驗(yàn)通過本文方法得出服務(wù)匹配結(jié)果集合，并通過比較傳統(tǒng)基于本體的語義相似度的服務(wù)發(fā)現(xiàn)算法[24]，證明本文的服務(wù)匹配方法的優(yōu)化效果。以下對(duì)方法各階段的效果逐個(gè)進(jìn)行分析。

圖5 發(fā)動(dòng)機(jī)零部件本體結(jié)構(gòu)片段

4.2 三階段服務(wù)匹配方法有效性分析

(1)匹配方法的適用性分析

下面以150個(gè)樣本的實(shí)驗(yàn)為例說明服務(wù)發(fā)現(xiàn)方法的過程和結(jié)果。第一階段對(duì)供應(yīng)商進(jìn)行功能性匹配，根據(jù)本體結(jié)構(gòu)計(jì)算得到功能性相似度。表2為列舉的部分供應(yīng)商概念與服務(wù)需求的概念相似度計(jì)算結(jié)果。

通過第一階段的匹配，有49個(gè)供應(yīng)商的相似度大于ωb進(jìn)入第二階段的匹配。然后經(jīng)過第二階段和第三階段匹配后得到了S3，計(jì)算結(jié)果見表3，其中模糊程度按照表1中模糊語言對(duì)應(yīng)的數(shù)字序號(hào)表示。

由結(jié)果可知，在供應(yīng)商中有大量的功能相似和相同的服務(wù)需要，只有依據(jù)非功能性的QoS匹配才能精準(zhǔn)的確定匹配結(jié)果。其中S104是最符合用戶需求的服務(wù)，是貼近實(shí)際情況的準(zhǔn)確解，體現(xiàn)了本文方法的適應(yīng)性；資源集合{S25，S63，S87，S99，S101，S102，S104，S105，S125}為具有相同功能的備選服務(wù)；另外，方法還推薦了資源集合{S88，S130}，雖然此集合中的服務(wù)功能與服務(wù)需求不完全一致，但與需求歸屬同一類別零部件，具有一定的參考價(jià)值，用戶可以通過推薦的結(jié)果根據(jù)實(shí)際情況主動(dòng)的選擇供服務(wù)。

表2 部分概念相似度

(2) 查準(zhǔn)率對(duì)比分析

現(xiàn)將汽車發(fā)動(dòng)機(jī)零部件領(lǐng)域的三個(gè)不同的供應(yīng)商需求作為實(shí)驗(yàn)的條件，對(duì)本文方法與Lee等[24]的服務(wù)發(fā)現(xiàn)算法進(jìn)行了對(duì)比，評(píng)價(jià)指標(biāo)為查準(zhǔn)率Va，計(jì)算方法為式(23)：

(23)

表3 匹配結(jié)果集合

其中，Srs為匹配結(jié)果集合，Srv為Srs中與需求相關(guān)的供應(yīng)商集合。

由于查準(zhǔn)率與結(jié)果集合的大小有關(guān)，本文取相似度0.9以上的資源集比較兩個(gè)方法的查準(zhǔn)率，如表4所示。從對(duì)比的結(jié)果可以看出，本文的方法較文獻(xiàn)方法查準(zhǔn)率高。由于選取的0.9相似度的限制和結(jié)果集數(shù)目的不同，導(dǎo)致查準(zhǔn)率有波動(dòng)，但是本文方法比文獻(xiàn)算法的查準(zhǔn)率平均提高30%以上。經(jīng)過本文方法得到的相似度越高，資源匹配的精準(zhǔn)度越高。

表4 綜合匹配度0.9以上集合查準(zhǔn)率對(duì)比

4.3 匹配方法中改進(jìn)聚類中心的有效性分析

設(shè)資源數(shù)目為50，150，250三次實(shí)驗(yàn)的S1中資源的數(shù)量分別為N1，N2和N3，本文對(duì)比了在這三種不同資源數(shù)量下本文算法和未優(yōu)化聚類中心的三角模糊數(shù)FCM算法[25]。圖6為結(jié)果對(duì)比圖，采用的評(píng)價(jià)指標(biāo)為算法迭代次數(shù)降低比率Viter。設(shè)本文算法的迭代次數(shù)為iter1，未優(yōu)化聚類中心算法的迭代次數(shù)為iter2，Viter的計(jì)算公式如下:

(24)

圖6 兩種方案結(jié)果比較

從實(shí)驗(yàn)結(jié)果可以看出，隨著供應(yīng)商數(shù)目的增加，本文優(yōu)化算法比未初始化聚類中心算法的Viter逐漸增加，提高了匹配的效率。

5 結(jié)語

(1)針對(duì)云制造環(huán)境下供應(yīng)商服務(wù)匹配中存在的信息不對(duì)稱、相似功能多和個(gè)性化需求導(dǎo)致的QoS的多樣性和模糊性問題，本文提出了基于語義和模糊QoS的三階段服務(wù)匹配方法。方法的設(shè)計(jì)思想具有較高的針對(duì)性，盡最大可能滿足現(xiàn)實(shí)需求。

(2)在三階段匹配方法中，所建立的制造業(yè)供應(yīng)商服務(wù)描述模型和本體模型在第一階段運(yùn)用語義本體消除了信息不對(duì)稱性、避免了語義信息誤讀可能性；在第二階段采用優(yōu)化三角模糊數(shù)的FCM方法可滿足個(gè)性化和模糊QoS需求，迭代次數(shù)減少了10%以上。

(3)實(shí)驗(yàn)對(duì)比結(jié)果表明：本文匹配方法可提高查準(zhǔn)率30%以上，且服務(wù)結(jié)果集合中服務(wù)資源相似度越高，越能顯示出本方法服務(wù)匹配的精度。同時(shí)，算法還具有較高的適應(yīng)性和可拓展性。

本研究為探索如何解決云制造環(huán)境下的供應(yīng)商服務(wù)匹配問題提出了一種新思路。

[1] 李伯虎, 張霖, 王時(shí)龍,等. 云制造——面向服務(wù)的網(wǎng)絡(luò)化制造新模式[J]. 計(jì)算機(jī)集成制造系統(tǒng), 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] 張成文,蘇森,陳俊亮.基于遺傳算法的QoS感知的Web服務(wù)選擇[J].計(jì)算機(jī)學(xué)報(bào)，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] 鄧水光,尹建偉,李瑩,等.基于二分圖匹配的語義Web服務(wù)發(fā)現(xiàn)方法[J].計(jì)算機(jī)學(xué)報(bào), 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和模糊粒子群優(yōu)化的語義Web服務(wù)發(fā)現(xiàn)[J]. 計(jì)算機(jī)應(yīng)用, 2012, 32(5):1347-1350.

[11] 王尚廣,孫其博,楊放春. 基于全局QoS約束分解的Web服務(wù)動(dòng)態(tài)選擇[J]. 軟件學(xué)報(bào), 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] 楊潔, 李登峰, 賴禮邦. Web 服務(wù)環(huán)境下基于信息協(xié)商的組合服務(wù)多屬性選擇方法[J]. 運(yùn)籌與管理, 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,陳希,趙柳.考慮需求者期望的兩階段醫(yī)療服務(wù)供需匹配方法[J].中國管理科學(xué),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] 羅賀, 汪永康, 齊杰,等. 面向時(shí)變需求的云服務(wù)匹配方法[J]. 中國管理科學(xué), 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] 呂苗,金淳,鄧曉懿,等.基于情境的移動(dòng)商務(wù)餐飲服務(wù)知識(shí)建模及推理研究[J].情報(bào)學(xué)報(bào),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.一種基于三角模糊數(shù)多指標(biāo)信息的FCM聚類算法[J].控制與決策, 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, 張啟飛, 平玲娣,等. 基于模糊聚類的云任務(wù)調(diào)度算法[J]. 通信學(xué)報(bào), 2012，(3):146-154.