直覺模糊環(huán)境下考慮用戶動態(tài)偏好的云服務(wù)選擇方法研究

成煜鑫，禹春霞，劉明明

(中國石油大學(xué)(北京) 經(jīng)濟(jì)管理學(xué)院，北京 102249)

李伯虎等[1]在2010年提出云制造是一種面向服務(wù)的網(wǎng)絡(luò)化制造新模式。云制造基于云計(jì)算、物聯(lián)網(wǎng)、大數(shù)據(jù)及人工智能等技術(shù)，將制造資源封裝成云服務(wù)，形成云制造服務(wù)池進(jìn)行統(tǒng)一管理。在云計(jì)算等技術(shù)的基礎(chǔ)上根據(jù)用戶的需求在海量云服務(wù)中調(diào)用合適的服務(wù)，實(shí)現(xiàn)制造資源的高效利用。然而，制造資源的大量涌入以及制造資源的多樣性使得一個制造任務(wù)復(fù)雜化，一個制造任務(wù)需被分解為合適大小的子任務(wù)，并需要為每個制造任務(wù)匹配云制造服務(wù)，形成服務(wù)組合供用戶使用。由于云制造平臺上集中了具有相似功能屬性但非功能屬性千差萬別的海量云服務(wù)，直接進(jìn)行組合優(yōu)化會影響到優(yōu)化效率，需要首先對云制造服務(wù)進(jìn)行評價初選。因此，從大量云服務(wù)中選擇合適的云服務(wù)，已經(jīng)成為云制造領(lǐng)域的關(guān)鍵問題。

實(shí)際上，在云服務(wù)選擇過程中，用戶對QoS屬性的偏好隨時間發(fā)生變化，把云服務(wù)看作一種產(chǎn)品時，云服務(wù)會經(jīng)歷產(chǎn)品生命周期的引入期、成長期、成熟期及衰退期4個階段[2]。在此過程中，用戶對云服務(wù)不同屬性的偏好隨生命周期的向前推動發(fā)生變化。在引入期，大多是高收入且獵奇的用戶，該類用戶會更偏好于云服務(wù)新穎、用途等特征，而對成本、價格不會太敏感。從引入期轉(zhuǎn)到成長期的過程中，供應(yīng)商增加，價格的不同開始顯現(xiàn)出來，但不明顯。革新的消費(fèi)者將產(chǎn)品或服務(wù)推廣開來，在此階段用戶更加注重服務(wù)質(zhì)量。而到成熟期，供應(yīng)商與用戶增加到最多，存在各種價格的云服務(wù)，在產(chǎn)品質(zhì)量及服務(wù)質(zhì)量相似的情況下，用戶更注重價格這一特征。最后到衰退期只剩下低收入用戶以及滯后者，提供商逐漸退出市場。因此，當(dāng)用戶處在不同的階段時對云服務(wù)所具有屬性的偏好情況是不同的，用戶的動態(tài)偏好作為云服務(wù)選擇過程中的一種不確定性，將直接影響云服務(wù)的選擇結(jié)果。

近年來，云服務(wù)選擇問題通常被認(rèn)為多準(zhǔn)則決策問題(multiple criteria decision making，MCDM)，包括：構(gòu)建評價指標(biāo)體系、確定指標(biāo)權(quán)重及云服務(wù)評價等過程[3]。

在評價信息表示方面，QoS數(shù)據(jù)存在多種形式：數(shù)值型數(shù)據(jù)、區(qū)間型數(shù)據(jù)、語言變量等。大多數(shù)研究將異構(gòu)的QoS數(shù)據(jù)轉(zhuǎn)換成一確定的值，這種處理方式未能充分考慮QoS屬性數(shù)據(jù)的異構(gòu)性，無法保留完整的評價信息，進(jìn)而影響云服務(wù)的選擇結(jié)果。當(dāng)決策者對評價指標(biāo)的判斷是主觀的、模糊的和不精確時，決策者傾向于給出模糊的信息。在這種情況下，模糊集理論的提出為處理不確定信息提供了有效工具。Atanassov[4]所提出的直覺模糊集(intuitionist fuzzy set，IFS)的概念，通過加入猶豫度參數(shù)，使得直覺模糊數(shù)能夠清晰描述一個決策問題中支持(隸屬度)、反對(非隸屬度)、中立(猶豫度)的態(tài)度。相比之前學(xué)者提出的模糊集理論，直覺模糊集在表達(dá)模糊性和不確定性等方面具有更優(yōu)秀的靈活性和實(shí)用性，因此在本文中采用直覺模糊數(shù)來處理異構(gòu)的QoS數(shù)據(jù)。

在指標(biāo)權(quán)重確定方面，研究人員通常用評價指標(biāo)的重要程度來表示用戶的偏好情況。常規(guī)確定指標(biāo)權(quán)重的方法包括主觀賦權(quán)、客觀賦權(quán)及組合賦權(quán)法。主觀賦權(quán)法即用戶根據(jù)自己的經(jīng)驗(yàn)主觀判斷得到指標(biāo)權(quán)重，該類方法客觀性較差；客觀賦權(quán)即計(jì)算指標(biāo)權(quán)重的原始數(shù)據(jù)由各測評指標(biāo)在被測評過程中的實(shí)際數(shù)據(jù)得到，該類方法在大多數(shù)情況下精度較高，但有時與實(shí)際情況不符；組合賦權(quán)法可以綜合主客觀賦權(quán)法的優(yōu)缺點(diǎn)，使指標(biāo)重要性達(dá)到主觀與客觀的統(tǒng)一[5]。因此本文首先采用客觀賦權(quán)法確定指標(biāo)初始權(quán)重，其次根據(jù)用戶的偏好轉(zhuǎn)移情況作為主觀因素，確定指標(biāo)的綜合權(quán)重，即用戶的動態(tài)偏好。在客觀賦權(quán)法中，熵權(quán)法可以充分利用原始數(shù)據(jù)，增強(qiáng)確定指標(biāo)權(quán)重的真實(shí)性，數(shù)據(jù)越分散，離散程度越大，包含的信息越多，使得該指標(biāo)越重要[6]。許多學(xué)者采用熵權(quán)法確定評價指標(biāo)權(quán)重。杜文忠等[7]使用熵權(quán)法計(jì)算廣西農(nóng)業(yè)科技創(chuàng)新能力評價指標(biāo)的權(quán)重，通過計(jì)算科技創(chuàng)新能力對下一年的創(chuàng)新能力進(jìn)行評價。陳芙英等[8]針對“一帶一路”戰(zhàn)略下的我國沿海港口的競爭力進(jìn)行評價，采用熵權(quán)法對不同維度下的評價指標(biāo)權(quán)重進(jìn)行計(jì)算，采用TOPSIS對各港口的貼近度進(jìn)行計(jì)算，并獲取結(jié)果。因此本文采用熵權(quán)法確定QoS屬性的初始權(quán)重。當(dāng)前研究已經(jīng)就如何獲取用戶動態(tài)偏好進(jìn)行研究。Ahmed等[9]提出一個隱馬爾可夫模型來預(yù)測Web服務(wù)的響應(yīng)時間，用來定量地對服務(wù)進(jìn)行排序，從而在運(yùn)行時從功能等效的Web服務(wù)中選擇一個最優(yōu)的Web服務(wù)。Moo-Mena等[10]提出了一種基于響應(yīng)時間QoS參數(shù)和隱馬爾可夫模型選擇Web服務(wù)的方法，說明馬爾可夫鏈在預(yù)測下一階段的作用。綜上，馬爾可夫鏈常被用于處理動態(tài)問題，而在實(shí)際生活中，用戶偏好隨產(chǎn)品生命周期過程動態(tài)改變，馬爾可夫鏈證明一組隨機(jī)過程在一定條件下會收斂于一組向量，可以追蹤到用戶偏好的改變，在本文中用于確定用戶偏好的動態(tài)變化。

在評價方法方面，常用的云服務(wù)評價方法包含：逼近理想解法(technique for order preference by similarity to an ideal solution，TOPSIS)、消去與選擇轉(zhuǎn)換法(elimination et choice translating reality，ELECTRE)、灰色關(guān)聯(lián)分析法(grey relational analysis, GRA)以及VIKOR(vlsekriterijumska optimizacija I kompromisno resenje)等。其中，VIKOR是Opricovic提出的一種妥協(xié)評價方法。該方法是為復(fù)雜系統(tǒng)的多準(zhǔn)則優(yōu)化而開發(fā)的，VIKOR通過獲得方案與理想方案的貼進(jìn)度，著重于考慮提出折衷解決方法來對一組與沖突準(zhǔn)則相對應(yīng)的備選方案進(jìn)行排序，然后獲得最佳妥協(xié)方案。相較于其他評價方法，它可以權(quán)衡“多數(shù)”的最大組合效用和“對手”的最小個人遺憾，這將使決策結(jié)果更加合理、可靠[11]。此外，VIKOR具有處理沖突屬性的特點(diǎn)，例如，在低成本和低響應(yīng)之間權(quán)衡。周向紅等[12]針對云制造協(xié)同創(chuàng)新伙伴選擇問題提出一種多源異構(gòu)評價信息的VIKOR群決策方法，通過與經(jīng)典方法的對比，驗(yàn)證所提出方法的有效性。陶玲玲等[13]針對酒店在線評價的發(fā)布時間且考慮消費(fèi)者類型采用VIKOR方法對酒店進(jìn)行排序，實(shí)例部分說明了該方法的有效性及可行性。綜上，VIKOR具有更高的穩(wěn)定性、可信度。許多研究人員應(yīng)用該方法處理具有沖突和不相稱標(biāo)準(zhǔn)則的MCDM問題。故本研究選擇VIKOR方法對云服務(wù)進(jìn)行評估。

本文旨在提出一種考慮用戶動態(tài)偏好的云服務(wù)選擇方法。該方法可以獲取每一階段的用戶偏好，當(dāng)用戶處在產(chǎn)品生命周期的不同階段時，為其選擇合適的云服務(wù)。該方法采用直覺模糊數(shù)處理QoS數(shù)據(jù)的不確定性，應(yīng)用熵權(quán)法獲得的權(quán)重為用戶對QoS屬性的初始偏好，應(yīng)用馬爾可夫鏈獲得用戶的動態(tài)偏好，采用VIKOR方法評估。最后，本文實(shí)驗(yàn)驗(yàn)證所提出方法的有效性及可靠性。

1 云服務(wù)選擇模型

本文提出的直覺模糊環(huán)境下考慮用戶動態(tài)偏好的云服務(wù)選擇方法首先采用直覺模糊數(shù)處理異構(gòu)的QoS數(shù)據(jù)；其次，在直覺模糊的環(huán)境下，采用熵權(quán)法確定QoS屬性初始權(quán)重，即用戶初始偏好，利用馬爾可夫鏈獲取用戶的動態(tài)偏好；最后，同樣在直覺模糊的環(huán)境下采用VIKOR方法對云服務(wù)進(jìn)行評估。實(shí)現(xiàn)流程如圖1所示，與模型相關(guān)的參數(shù)及意義如表1所示。

圖1 直覺模糊環(huán)境下考慮用戶動態(tài)偏好的云服務(wù)選擇方法Figure 1 Cloud service selection method considering user dynamic preference under intuitionistic fuzzy environment

表1 與模型相關(guān)的參數(shù)及意義Table 1 Parameters and meanings related to model

1.1 直覺模糊集基礎(chǔ)理論

Atanassov[3]提出了直覺模糊集理論，其基于傳統(tǒng)模糊集理論，引入了一個新的參數(shù)：猶豫度，使得直覺模糊集能夠更好處理多準(zhǔn)則決策問題中的不確定性。與本文有關(guān)的直覺模糊集理論的一些基本概念如下[14]。

定 義1設(shè)X為非空集合，則稱I={〈x,μI(X),vI(X)〉|x∈X}為直覺模糊集IFS(X)。其中，μI(X)：X→[0,1]，vI(X):X→[0,1]分 別表示X中元素x屬于I的隸屬度和非隸屬度，且滿足條件0≤μI(X)+vI(X)≤1,x∈X。此外，稱πI(x)=1?μI(X)?vI(X)為X屬于I的猶豫度。為方便起見，將直覺模糊數(shù)簡記為(μI(X),vI(X))。

定 義2給定兩個直覺模糊數(shù)I1={〈x,μ1(X),v1(X)〉|x∈X}和I2={〈x,μ2(X),v2(X)〉|x∈X}，兩者主要的代數(shù)運(yùn)算可表示如下。其中，λ表示直覺模糊數(shù)相乘的個數(shù)。

定義 3給定兩個直覺模糊數(shù)I1={〈x,μ1(X),v1(X),π1(X)〉|x∈X}和I2={〈x,μ2(X),v2(X),π2(X)〉|x∈X}，它們之間的距離可由以下等式計(jì)算。

1.2 云服務(wù)選擇方法

1.2.1 異構(gòu)QoS數(shù)據(jù)處理

假定 CS1,CS1,···,CSm是 可能的備選云服務(wù)，C1,C2,···,Cn是 云服務(wù)的評價指標(biāo)，m個待評估的備選方案對于n個評價指標(biāo)可形成決策矩陣。本文中，QoS數(shù)據(jù)類型包括：數(shù)值型數(shù)據(jù)(real numbers)、區(qū)間型數(shù)據(jù)(interval numbers)、語言變量(linguistic variables)。本節(jié)旨在將決策矩陣Y中不同數(shù)據(jù)格式的QoS數(shù)據(jù)轉(zhuǎn)換成直覺模糊數(shù)。其中，語言變量類型數(shù)據(jù)通過表2轉(zhuǎn)換成直覺模糊數(shù)，數(shù)值型數(shù)據(jù)與區(qū)間型數(shù)據(jù)轉(zhuǎn)換過程可通過以下步驟進(jìn)行[15]。

表2 語言變量及其相應(yīng)的IFNsTable 2 Linguistic variables and IFNs

步驟1獲得決策矩陣

步驟2將決策矩陣Y中的成本型指標(biāo)根據(jù)式(5)轉(zhuǎn)換成收益型指標(biāo)，獲得收益型決策矩陣

其中 [b1ij,b2ij]是某QoS屬性為區(qū)間型數(shù)據(jù)時的備選方案 CSi在 評價指標(biāo)Cj的評價值表示。

步驟3基于收益決策矩陣Y′，根據(jù)式(6)～(11)計(jì)算的準(zhǔn)滿意值(quasi-satisfactory value) ξ、準(zhǔn)不滿意值(quasi-dissatisfactory value) ζ、準(zhǔn)不確定值(quasi-uncertain value) η。

對于兩個數(shù)值型數(shù)據(jù)A=a1，B=b1，它們之間的距離d(A,B)=|a1?b1|； 對于兩個區(qū)間型數(shù)據(jù)A=[a1,a2]，B=[b1,b2]，它們之間的距離可表示為d(A,B)=(|a1?b1|+|a2?b2|)/2。

步驟4根據(jù)式(12)～(14)計(jì)算準(zhǔn)隸屬度(quasimembership degree)k、準(zhǔn)非隸屬度(quasi-nonmembership degree) ?和準(zhǔn)猶豫度(quasi-hesitancy degree) τ。

步驟5根據(jù)式(15)～(17)計(jì)算直覺模糊數(shù)的隸屬度(membership degree) μij、非隸屬度(nonmembership degree)vij和猶豫度(hesitancy degree)πi j，形成直覺模糊決策矩陣

1.2.2 用戶偏好確定

基于1.2.1節(jié)中獲得的直覺模糊決策矩陣H=，首先采用熵權(quán)法獲得QoS屬性權(quán)重作為用戶的初始偏好，隨后采用馬爾科夫鏈獲取用戶的動態(tài)偏好，其實(shí)現(xiàn)步驟如下。

步驟1采用熵權(quán)法獲取QoS屬性權(quán)重?；谥庇X模糊決策矩陣,根據(jù)式(18)、(19)分別計(jì)算每個QoS屬性的熵值ej、權(quán)重wj[16]。

熵權(quán)法獲得的QoS屬性權(quán)重即為用戶初始偏好，令該階段為t0，則

步驟2計(jì)算用戶從QoS屬性Ci轉(zhuǎn)移到屬性Cj的可能性pijk[17]。令

即可獲得概率轉(zhuǎn)移矩陣

步驟3計(jì)算QoS屬性綜合權(quán)重，即用戶在tk階段對QoS屬性的偏好情況。令為k階段QoS屬性權(quán)重，將連 乘上述轉(zhuǎn)移矩陣P，期望在3～5次后，不再變化。那么w*n)就 是用戶在tk階段對于QoS屬性的偏好情況，即QoS屬性在tk階段的權(quán)重。

1.2.3 云服務(wù)評價

步驟1基于直覺模糊決策矩陣H=(hij)m×n，根據(jù)式(23)、(24)分別計(jì)算云服務(wù)的組合效用值及個體遺憾值[18]。

表示指標(biāo)Cj在 C S1,CS2,···,CSm中最差的值。

步驟2根據(jù)式(25)計(jì)算備選方案的綜合價值Qi[11]。

其中，

θ＞0.5表 示組合效用所占比重較大，θ ＜0.5表示個人遺憾值所占比重較大。本文中θ =0.5。

步驟3根據(jù)1 ?Qi以降序形式給備選方案進(jìn)行排名。

2 實(shí)驗(yàn)和結(jié)果分析

本文通過某一大型汽車制造商的一批重型臥式機(jī)床CWXX零件制造問題來驗(yàn)證所提出方法的有效性。該大型汽車制造商希望購入一批重型臥式機(jī)床的零件，需要尋找一家機(jī)床公司來制造這些零件。該汽車制造商已在某云平臺進(jìn)行注冊，希望在該平臺上找到合適的云服務(wù)來完成此任務(wù)。在基于云制造平臺中注冊的由{CS1,CS2,CS3,CS4,CS5,CS6,CS7,CS8,CS9,CS10}表示的云服務(wù)提供商滿足該汽車制造商要求的潛在服務(wù)，該汽車制造商需從上述10個云服務(wù)中選出滿意的一個。

本文采用如表3所示中最常用的QoS屬性：成本、響應(yīng)時間、可獲得性、可用性、聲譽(yù)、持久性和整體性用作云服務(wù)評價指標(biāo)。這些QoS屬性由{C1,C2,C3,C4,C5,C6,C7}表示。

表3 QoS屬性及其表示Table 3 QoS attributes and their representations

2.1 算例實(shí)現(xiàn)

基于該汽車制造商更注重用途性、質(zhì)量的需求，可判斷云服務(wù)進(jìn)入市場已有一段時間，即處于產(chǎn)品生命周期的成長期。因此，本節(jié)實(shí)驗(yàn)通過基于原始數(shù)據(jù)使用熵權(quán)法獲得的指標(biāo)權(quán)重作為用戶對QoS屬性的初始偏好，通過分析生命周期中引入其到成長期用戶的行為構(gòu)造偏好概率轉(zhuǎn)移矩陣，從而獲得QoS屬性綜合權(quán)重，即用戶在某一階段對QoS屬性的偏好情況，最后采用VIKOR方法對云服務(wù)進(jìn)行評估，其具體實(shí)現(xiàn)步驟如下。

步驟1基于QoS屬性數(shù)據(jù)可獲得決策矩陣，如表4所示。

表4 云服務(wù)的QoS信息Table 4 Ratings of cloud service with respect to QoS attributes

步驟2根據(jù)式(5)將轉(zhuǎn)換為收益型決策矩陣，如表5所示。

表5 轉(zhuǎn)換后的收益決策矩陣Table 5 The converted profit decision matrix

步驟3根據(jù)式(6)～(17)及表1獲得直覺模糊決策矩陣，如表6所示。

表6 直覺模糊決策矩陣Table 6 The IFN decision matrix

步驟4基于直覺模糊決策矩陣，采用熵權(quán)法，根據(jù)式(18)、(19)可計(jì)算每個QoS屬性的權(quán)重，即用戶初始偏好wj：{0.112 6, 0.183 0, 0.141 6,0.154 8, 0.109 9, 0.179 5, 0.118 7}。

步驟5熵權(quán)法獲得的權(quán)重作為用戶對QoS屬性的初始偏好，用戶偏好隨時間動態(tài)改變，用戶偏好的概率轉(zhuǎn)移矩陣如P所示。

根據(jù)初始偏好、轉(zhuǎn)移矩陣及式(20)～(22)，可以計(jì)算出QoS屬性綜合偏好。

步驟6基于直覺模糊決策矩陣，根據(jù)式(23)、(24)計(jì)算云服務(wù)的組合效用及個體遺憾值，如表7所示。

表7 組合效用及個人遺憾值Table 7 The values of group utility and individual regret

步驟7根據(jù)式(25)計(jì)算備選云服務(wù)的綜合價值Qi分 別 為{0，0.613 1，0.891 2，0.692 2，0.689 1，0.903 1，0.711 0，0.951 0，0.783 2，0.662 5}。

步驟81 ?Qi作為備選方案的最終得分，基于此得分對備選方案進(jìn)行排名，如表8所示。

表8 備選方案排名Table 8 The rank of alternatives

因此，本文提出的方法能夠基于用戶需求同時考慮用戶動態(tài)偏好，為汽車制造商選擇合適的云服務(wù)。

2.2 對比分析

本節(jié)驗(yàn)證當(dāng)用戶處在產(chǎn)品生命周期的不同階段，用戶偏好以及云服務(wù)選擇結(jié)果會發(fā)生什么樣的變化。以2.1節(jié)中用戶處在云服務(wù)成長期的情況作為情景1，用戶處在成熟期以及衰退期分別作為情景2和情景3，進(jìn)行對比分析。

情景2當(dāng)用戶處在云服務(wù)生命周期的成熟期，此階段產(chǎn)品及服務(wù)質(zhì)量相似，存在各種成本的云服務(wù)，用戶更加注重成本、云服務(wù)反應(yīng)時間以及整體性這些指標(biāo)，以2.1節(jié)獲得的QoS屬性綜合權(quán)重{0.130 9，0.190 5，0.110 0，0.169 7，0.085 3，0.130 0,0.183 6}作為用戶的QoS初始偏好，用戶偏好概率轉(zhuǎn)移矩陣為

基于2.1節(jié)的算例實(shí)現(xiàn)步驟5，該階段QoS屬性綜合權(quán)重為：{0.169 3，0.138 8，0.175 8，0.111 7，0.176 4，0.104 1，0.124 0},可獲得云服務(wù)的1 ?Qi值為{0.723 2，0.115 3，0.000 0，0.588 0，0.983 8，0.186 2，0.147 4，0.318 1，0.348 6，0.418 9}。

情景3云服務(wù)到達(dá)生命周期的衰退期階段，更多的是低收入者以及滯后者，該類用戶更加注重成本這一屬性。此外，由于大部分供應(yīng)商已退出市場，消費(fèi)者更注重在可選擇的云服務(wù)中選擇可靠性較強(qiáng)的云服務(wù)。同理，情景2中獲得的QoS綜合權(quán)重{0.169 3，0.138 8，0.175 8，0.111 7，0.176 4，0.104 1，0.124 0}作為用戶該階段的初始偏好，此階段用戶偏好概率轉(zhuǎn)移矩陣為

同理可獲得該階段QoS屬性權(quán)重{0.147 2，0.138 4，0.125 8，0.174 4，0.132 7，0.165 3，0.116 2}，云 服 務(wù) 1?Qi值 分 為{0.792 5，0.164 4，0.523 2，0.190 1，0.720 2，0.114 9，0.000 0，0.204 5，0.100 9，0.901 8}。

綜上，表9為不同情景下的用戶偏好，即QoS屬性權(quán)重，表10為不同情景下云服務(wù)的最終得分，基于此得分對2.1節(jié)以及本節(jié)實(shí)驗(yàn)共3組對云服務(wù)進(jìn)行排名，排名結(jié)果如圖2所示。從表9、10中可以發(fā)現(xiàn)，不同情境下用戶對QoS屬性的偏好情況不盡相同，導(dǎo)致各情景下所選出最合適云服務(wù)不同，情景1排名為1的云服務(wù)為 CS1，情景2排名為1的云服務(wù)為 CS5，情景3排名為1的云服務(wù)為C S10。因此，當(dāng)處于生命周期的不同階段時，排名為1的云服務(wù)是不同的，這說明用戶處在不同的階段時，對QoS屬性具有不同的偏好，而這種偏好的變化會對云服務(wù)排名產(chǎn)生影響，且直接影響排名靠前的云服務(wù)。

表9 不同情境下用戶偏好Table 9 User preference in different situations

表10 不同情景下云服務(wù)得分及排名Table 10 The score and rank of cloud services in different situations

圖2 不同情景下云服務(wù)排名Figure 2 The rank in different situations

2.3 敏感性分析

為驗(yàn)證本文所提出方法的可靠性，本節(jié)以2.1節(jié)實(shí)驗(yàn)進(jìn)行敏感性分析，即考慮VIKOR方法中組合效用與個體遺憾值所占比率發(fā)生變化時對實(shí)驗(yàn)結(jié)果的影響。

實(shí)驗(yàn)調(diào)節(jié)式(25)中θ 值，即獲得θ 分別為{0.1, 0.2,0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9}時的排名結(jié)果，實(shí)驗(yàn)結(jié)果如圖3所示。由圖3可看出，本文研究方法所獲得的最佳云服務(wù)不會隨著決策策略的調(diào)整而變化，在任何情況下，CS1都是最好的云服務(wù)。其次，當(dāng)決策策略改變時，排名前3的云服務(wù)未發(fā)生較大變化。最后，所有排名發(fā)生變化的云服務(wù)都在相對較小的間隔內(nèi)發(fā)生變化?？傊诓煌呗韵碌膶?shí)驗(yàn)結(jié)果表明，該方法是穩(wěn)定、合理的。

圖3 不同策略下的實(shí)驗(yàn)結(jié)果Figure 3 The rank in different scenarios

3 結(jié)束語

本文提出了一種考慮用戶動態(tài)偏好的云服務(wù)選擇方法。該方法采用直覺模糊數(shù)處理異構(gòu)的QoS數(shù)據(jù)，將熵權(quán)法獲得的屬性權(quán)重作為用戶初始偏好，結(jié)合用戶在云服務(wù)產(chǎn)品生命周期中對于QoS屬性偏好程度不同，以馬爾可夫鏈模式獲得用戶的動態(tài)偏好。此外，本文使用VIKOR方法對云服務(wù)進(jìn)行評估，最后進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該方法可以幫助用戶在產(chǎn)品生命周期的不同階段選擇滿意的云服務(wù)，且用戶處在云服務(wù)生命周期的不同階段時，排名靠前的云服務(wù)是不同的，即用戶的動態(tài)偏好直接影響云服務(wù)的選擇結(jié)果；其次通過敏感性分析實(shí)驗(yàn)顯示出了該方法在云服務(wù)選擇中的可靠性。

本文假設(shè)單一云服務(wù)可以滿足用戶需求。但隨著生產(chǎn)制造任務(wù)復(fù)雜化，單個云服務(wù)功能存在局限性，一些復(fù)雜的需求或者任務(wù)需要用多個云服務(wù)組合在一起共同完成，而且用戶對不同服務(wù)的偏好各不相同。因此，下一步將深入研究支持多個云服務(wù)選擇模型。