CN106534302A - 多任务需求服务组合方法和*** - Google Patents

Abstract

本发明提供了多任务需求服务组合方法和***，方法包括获取企业服务QoS指标，进行处理后得到规范性QoS指标；获取任务需求，根据规范性QoS指标获取用户QoS偏好指标和偏好指标设定值，并生成成对比较矩阵；由成对比较矩阵确定用户QoS偏好指标权重；将用户QoS偏好指标和权重加权得到服务组合目标函数；对任务需求分类得到有相同任务请求的多任务需求集合；用盖尔沙普利算法对服务组合目标函数求解得到多个服务组合解，将其分配给相对应的多任务需求集合。本发明解决了现有组合算法中组合结果单一性及不可移植性等问题，实现了用户偏好需求的自由设置，支持不同任务和服务形式下的服务组合，算法高效，层次清晰，扩展性强。

Description

多任务需求服务组合方法和***

技术领域

本发明涉及分布式制造***信息集成技术领域，尤其是涉及多任务需求服务组合方法和***。

背景技术

随着云制造理念的不断成熟和云平台功能的不断完善，越来越多的制造企业选择把其制造资源或能力提供给云平台，云平台对其进行封装后以服务的形式供需求者调用，以完成自身的需求。由于大多数情况下，任务请求较复杂，单一的服务功能不能满足其需求，需要不同服务之间的相互组合和协作共同完成复杂任务请求。因此伴随着云制造的发展，服务组合技术已日渐成为云制造服务平台中最为关键的技术之一。

随着云平台中服务和任务需求的日益增多，同一时刻必然存在多个任务请求，研究如何同时从大量服务候选集中找到多个理想的组合方案以满足多任务的需求具有重要的意义和价值。然而目前针对云制造平台下的服务组合方法研究还处于初级阶段，制造服务各指标权重常被设置为定值，不能满足不同用户的需求，少数根据用户需求设定权重的研究却存在用户参与较多，过程复杂，用户体验较差的缺点，同时求解问题形式单一，不便于问题的扩展、通用性较差。

发明内容

有鉴于此，本发明的目的在于提供多任务需求服务组合方法和***，解决了现有组合算法中组合结果单一性及不可移植性问题，实现了用户偏好需求的自由设置，支持不同任务和服务形式下的服务组合，算法高效，层次清晰，扩展性强。

第一方面，本发明实施例提供了多任务需求服务组合方法，包括：

获取企业服务QoS指标，对所述企业服务QoS指标进行分类和规范化、归一化处理，得到规范性QoS指标；

获取任务需求，并根据所述规范性QoS指标获取用户QoS偏好指标和偏好指标设定值；

根据所述用户QoS偏好指标和所述偏好指标设定值生成成对比较矩阵；

根据所述成对比较矩阵确定用户QoS偏好指标权重；

将所述用户QoS偏好指标和所述用户QoS偏好指标权重加权得到服务组合目标函数；

对所述任务需求进行分类，得到具有相同任务请求的多任务需求集合；

利用盖尔沙普利算法对所述服务组合目标函数进行求解，得到多个服务组合解，将所述多个服务组合解分配给相对应的所述多任务需求集合。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述对所述企业服务QoS指标进行分类和规范化、归一化处理，得到规范性QoS指标包括：

将所述企业服务QoS指标进行规范化处理，得到独立性指标和依赖性指标；

将所述独立性指标和所述依赖性指标按照性质划分，得到正相关指标和负相关指标；

将所述正相关指标和所述负相关指标进行归一化处理，得到规范性正相关指标和规范性负相关指标。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述将所述正相关指标和所述负相关指标进行归一化处理，得到规范性正相关指标和规范性负相关指标包括：

根据下式计算所述规范性正相关指标：

其中，Po_max(x)为所述正相关指标的最大值，Po_min(x)为所述正相关指标的最小值，Po_std(x)为所述规范性正相关指标，Po(x)为所述正相关指标；

或者，

根据下式计算所述规范性负相关指标：

其中，Ne_max(x)为所述负相关指标的最大值，Ne_min(x)为所述负相关指标的最小值，Ne_std(x)为所述规范性负相关指标，Ne(x)为所述负相关指标。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述根据所述规范性QoS指标获取用户QoS偏好指标和偏好指标设定值包括：

从所述规范性QoS指标中获取所述用户QoS偏好指标；

根据所述用户QoS偏好指标设定对应的偏好程度；

对所述偏好程度设置相应的数值，从而得到所述偏好指标设定值。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，根据所述用户QoS偏好指标和所述偏好指标设定值生成成对比较矩阵包括：

根据下式计算所述成对比较矩阵：

T C Re Co

其中，W为所述成对比较矩阵，T为时间，C为成本，Re为可靠性，Co为合作强度，所述成对比较矩阵的维数为所述用户QoS偏好指标的个数，所述成对比较矩阵的元素为所述偏好指标设定值之比。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，利用盖尔沙普利算法对所述服务组合目标函数进行求解，得到多个服务组合解，将所述多个服务组合解分配给相对应的所述多任务需求集合包括：

对所述多任务需求集合中的任意相邻两个子任务对应的两类服务进行组合对象匹配，直至扩展到所有服务，从而构成整体服务组合解；

对所述整体服务组合解按从大到小的顺序进行排序；

将排序在前的多个所述服务组合解分配给相对应的所述多任务需求。

第二方面，本发明实施例提供了多任务需求服务组合***，包括：

处理单元，获取企业服务QoS指标，对所述企业服务QoS指标进行分类和规范化、归一化处理得到规范性QoS指标；

获取单元，获取任务需求，并根据所述规范性QoS指标获取用户QoS偏好指标和偏好指标设定值；

生成单元，根据所述用户QoS偏好指标和所述偏好指标设定值生成成对比较矩阵；

确定单元，根据所述成对比较矩阵确定用户QoS偏好指标权重；

加权单元，将所述用户QoS偏好指标和所述用户QoS偏好指标权重加权得到服务组合目标函数；

分类单元，对所述任务需求进行分类，得到具有相同任务请求的多任务需求集合；

求解单元，利用盖尔沙普利算法对所述服务组合目标函数进行求解，得到多个服务组合解，将所述多个服务组合解分配给相对应的所述多任务需求集合。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述处理单元包括：

将所述企业服务QoS指标进行规范化处理，得到独立性指标和依赖性指标；

将所述独立性指标和所述依赖性指标按照性质划分，得到正相关指标和负相关指标；

将所述正相关指标和所述负相关指标进行归一化处理，得到规范性正相关指标和规范性负相关指标。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述获取单元包括：

从所述规范性QoS指标中获取所述用户QoS偏好指标；

根据所述用户QoS偏好指标设定对应的偏好程度；

对所述偏好程度设置相应的数值，从而得到所述偏好指标设定值。

结合第二方面，本发明实施例提供了第二方面的第三种可能的实施方式，其中，所述求解单元包括：

对所述多任务需求集合中的任意相邻两个子任务对应的两类服务进行组合对象匹配，直至扩展到所有服务，从而构成整体服务组合解；

对所述整体服务组合解按从大到小的顺序进行排序；

将排序在前的多个所述服务组合解分配给所述多任务需求。

本发明提供多任务需求服务组合方法和***，该方法包括获取企业服务QoS指标，进行处理后得到规范性QoS指标；获取任务需求，根据规范性QoS指标获取用户QoS偏好指标和偏好指标设定值并生成成对比较矩阵；由成对比较矩阵确定用户QoS偏好指标权重；将用户QoS偏好指标和权重加权得到服务组合目标函数；对任务需求分类得到有相同任务请求的多任务需求集合；用盖尔沙普利算法对服务组合目标函数求解得到多个服务组合解，将其分配给相对应的多任务需求集合。本发明解决了现有组合算法中组合结果单一性及不可移植性等瓶颈问题，实现了用户偏好需求的自由设置，支持不同任务和服务形式下的服务组合，算法高效，层次清晰，扩展性强。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的多任务需求服务组合方法流程图；

图2为本发明实施例提供的多任务需求服务组合方法中步骤S101的流程图；

图3为本发明实施例提供的多任务需求服务组合方法中步骤S107的流程图；

图4为本发明实施例提供的多任务需求服务组合***结构示意图。

图标：10-处理单元；20-获取单元；30-生成单元；40-确定单元；50-加权单元；60-分类单元；70-求解单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前服务组合求解方法中存在的任务唯一、模型单一的问题，基于此，本发明实施例提供的多任务需求服务组合方法和***，可以提供一种云平台下基于盖尔沙普利匹配方法的服务组合可配置方法，它构建了一个通用、扩展性强的多任务服务组合方法，在基本服务组合方法基础上动态构建组合的目标函数，能有效地实现不同用户偏好，不同任务规模，不同服务分布模型，不同服务规模等情况下的自由配置和求解，使得应用过程中可灵活应对复杂多变的任务请求和制造服务形式。

为便于对本实施例进行理解，首先对本发明实施例所公开的多任务需求服务组合方法进行详细介绍。

图1为本发明实施例提供的多任务需求服务组合方法流程图。

参照图1，步骤S101，获取企业服务QoS指标，对企业服务QoS指标进行分类和规范化、归一化处理，得到规范性QoS指标；

具体地，基于企业提供的企业服务QoS指标，对其进行各指标分类出正相关指标和负相关指标，然后根据正相关指标和负相关指标，按照不同的归一化公式进行归一化处理，得到符合要求的规范性QoS指标。

步骤S102，获取任务需求，并根据规范性QoS指标获取用户QoS偏好指标和偏好指标设定值；

具体地，用户根据云平台中对企业服务QoS指标的性能描述，根据自身的实际情况，选取自己的用户QoS偏好指标，并设定用户QoS偏好指标的偏好程度。其中，云平台中对各项指标按照偏好程度的不同进行了7类划分，分别为无、很低、低、中等、高、很高、非常高，对应的数值分别为1到7，用户会根据自己对指标的偏好程度选择上述7类划分。此处以某类用户的用户QoS偏好指标为例进行描述，例如某用户的用户QoS偏好指标为时间、成本、可靠性、合作强度，设定这些指标的偏好程度分别为高、中等、非常高、很高，此时平台根据用户的语言描述，自动将其转化为对应的数值形式，即偏好指标设定值，仍以该用户为例，则他对应的偏好指标设定值为：时间-5、成本-4、可靠性-7，合作强度-6。

步骤S103，根据用户QoS偏好指标和偏好指标设定值生成成对比较矩阵；

步骤S104，根据成对比较矩阵确定用户QoS偏好指标权重；

具体地，云平台将根据构造的成对比较矩阵，利用层次分析法的思想确定出对应于用户QoS偏好指标的用户QoS偏好指标权重，仍以该用户为例，则可以得出他对于各指标的用户QoS偏好指标权重为0.2273,0.1818,0.3182,0.2727。

步骤S105，将用户QoS偏好指标和用户QoS偏好指标权重加权得到服务组合目标函数；

具体地，计算出的用户QoS偏好指标权重与用户QoS偏好指标一一对应进行加权求和，得到满足用户需求的服务组合目标函数。

步骤S106，对任务需求进行分类，得到具有相同任务请求的多任务需求集合；

具体地，为了适应云平台中任务量大，单个任务依次处理时效性弱等问题，首先对大量多任务按照功能和非功能需求进行分类，然后对分类好的任务进行集中的任务组合分配，使得相同任务请求的任务进行集中处理，该方法有利于提高云平台中大量任务下的处理速度，使平台处理多任务的能力得到最大化利用。

步骤S107，利用盖尔沙普利算法对服务组合目标函数进行求解，得到多个服务组合解，将多个服务组合解分配给相对应的多任务需求集合。

具体地，根据云制造平台下复杂多变的任务请求和复杂种类的服务供应，采用算法进行不同类型服务之间的相互组合和匹配，为分类好的多任务集合寻求合适的算法进行服务组合方案的求解。首先，进行算法和求解问题的映射，基于该映射进行服务组合解的求取。具体来说是利用一种稳定匹配算法——盖尔沙普利算法实现不同企业服务类之间的匹配和合作。

这里，该步骤为分类好的多任务需求集合寻求合适的算法进行服务组合方案的求解，首先，把企业合作双方分别映射为主动需求者和被动接受者，然后把各企业服务的QoS映射为合作双方的合作意愿程度，通过盖尔沙普利匹配算法实现两类企业集合中的企业匹配和合作，然后扩展该算法至其他类型企业中，直至所有候选企业类实现了与其他可合作企业类之间的相互选择和匹配。所有类型的企业匹配完成后形成多个完整的服务组合解，然后选择较优的服务组合解提供给多任务需求集合。

进一步地，如图2所示，上述实施例基于多任务需求服务组合方法中，步骤S101可由以下步骤实现，包括：

步骤S201，将企业服务QoS指标进行规范化处理，得到独立性指标和依赖性指标；

具体地，独立性指标为企业服务自身的性能指标，如单位时间的生产效率、使用价格、生产成本和可靠性等；依赖性指标为企业之间交互合作时的各项指标，如企业之间的运输效率、运输成本、历史合作次数等。

步骤S202，将独立性指标和依赖性指标按照性质划分，得到正相关指标和负相关指标；

具体地，正相关表示对应的指标值越大QoS越好，负相关代表对应的指标值越小QoS越好。例如，效率、可靠性、历史合作次数均为正相关指标，生产成本、运输成本均为负相关指标。

步骤S203，将正相关指标和负相关指标进行归一化处理，得到规范性正相关指标和规范性负相关指标。

根据本发明的示例性实施例，将正相关指标和负相关指标进行归一化处理，得到规范性正相关指标和规范性负相关指标包括：

根据公式(1)计算规范性正相关指标：

其中，Po_max(x)为正相关指标的最大值，Po_min(x)为正相关指标的最小值，Po_std(x)为规范性正相关指标，Po(x)为正相关指标；

或者，

根据公式(2)计算规范性负相关指标：

其中，Ne_max(x)为负相关指标的最大值，Ne_min(x)为负相关指标的最小值，Ne_std(x)为规范性负相关指标，Ne(x)为负相关指标。

根据本发明的示例性实施例，根据规范性QoS指标获取用户QoS偏好指标和偏好指标设定值包括：

从规范性QoS指标中获取用户QoS偏好指标；

根据用户QoS偏好指标设定对应的偏好程度；

对偏好程度设置相应的数值，从而得到偏好指标设定值。

根据本发明的示例性实施例，根据用户QoS偏好指标和偏好指标设定值生成成对比较矩阵包括：

参照式(3)生成成对比较矩阵：

T C Re Co

其中，W为成对比较矩阵，T为时间，C为成本，Re为可靠性，Co为合作强度。

具体地，式(3)以某用户的用户QoS偏好指标为例生成，并不代表成对比较矩阵仅此一种情况，该矩阵的内容与形式与用户QoS偏好指标的个数和偏好指标设定值有关，其中，成对比较矩阵的维数为用户QoS偏好指标的个数，成对比较矩阵的元素为偏好指标设定值之比，且为行指标与列指标之比，例如时间对应的偏好指标设定值为5，成本对应的偏好指标设定值为4，则矩阵W中的第一行第二列元素应为5/4。

进一步地，如图3所示，上述实施例基于多任务需求服务组合方法中，步骤S107可由以下步骤实现，包括：

步骤S301，对多任务需求集合中的任意相邻两个子任务对应的两类服务进行组合对象匹配，直至扩展到所有服务，从而构成整体服务组合解；

步骤S302，对整体服务组合解按从大到小的顺序进行排序；

步骤S303，将排序在前的多个服务组合解分配给相对应的多任务需求。

具体地，对各种形式的任务依靠已确定的服务组合目标函数进行服务组合方案求解，选择盖尔沙普利算法作为求解算法，首先是问题与算法的映射，相邻两个子任务对应的两类服务分别看成盖尔沙普利算法中的主动追求者和被动接受者，服务组合目标函数映射为盖尔沙普利算法中的偏好得分值，两类服务之间的匹配即为一个完整的盖尔沙普利匹配过程，扩展该算法使其应用到任意相邻两个子任务对应的两类服务中，直至所有的候选企业的服务都找到相应的组合对象，实现了与其他可合作企业类之间的相互选择和匹配，最后连接前后所形成的所有匹配解就形成了整体的服务组合解，然后对求得的服务组合解按照解的大小进行由大到小的排序，选择排序靠前的多个服务组合解分别分配给多个需求任务。需要说明的是，由于是对任务进行的批处理，这一批任务有多少个，对应就取前多少个服务组合方案，再分别分配给对应的多个任务。

另外需要说明的是，该方法在在求解多任务服务组合的有效性，除了设置不同的任务复杂度和不同的任务规模外，还采用不同的QoS分布形式，即均匀分布和高斯分布。

本发明涉及的多任务需求服务组合方法，具体说是基于不同的用户QoS偏好指标、不同的QoS分布形式，不同的任务复杂度、不同的任务量，构建出的一种通用有效的自由配置和求解服务组合的新方法，该方法根据用户QoS偏好指标和用户QoS偏好指标权重自定义服务组合目标函数进行优化求解，得到满足用户实际需求的服务组合解，以适应在云制造平台任务需求量多样、服务形式多变等情况下快速得到服务组合解的要求。本发明以用户自定义的用户QoS偏好指标权重的形式代替权重固定的形式，最大化体现了用户的意愿，避免了传统的权重固定不能修改的弊端。同时给出偏好程度的语言划分，由平台根据用户选择自动计算各类指标的数值权重，降低了用户在自定义权重阶段的复杂度。并且把盖尔沙普利算法应用到服务组合方法中，非常适应于云平台中多复杂任务的求解，在保证服务组合质量的基础上，节约了大量的计算时间。不仅如此，该方法可以提供多种形式下的服务组合方案求解，包括动态设定指标偏好、动态改变任务复杂度，动态改变任务数量，动态改变服务各性能指标分布形式下的服务组合方案的求解。

图4为本发明实施例提供的多任务需求服务组合***结构示意图。

参照图4，多任务需求服务组合***包括：

处理单元10，获取企业服务QoS指标，对企业服务QoS指标进行分类和规范化、归一化处理得到规范性QoS指标；

获取单元20，获取任务需求，并根据规范性QoS指标获取用户QoS偏好指标和偏好指标设定值；

生成单元30，根据用户QoS偏好指标和偏好指标设定值生成成对比较矩阵；

确定单元40，根据成对比较矩阵确定用户QoS偏好指标权重；

加权单元50，将用户QoS偏好指标和用户QoS偏好指标权重加权得到服务组合目标函数；

分类单元60，对任务需求进行分类，得到具有相同任务请求的多任务需求集合；

求解单元70，利用盖尔沙普利算法对服务组合目标函数进行求解，得到多个服务组合解，将多个服务组合解分配给相对应的多任务需求集合。

根据本发明的示例性实施例，处理单元10包括：

将企业服务QoS指标进行规范化处理，得到独立性指标和依赖性指标；

将独立性指标和依赖性指标按照性质划分，得到正相关指标和负相关指标；

将正相关指标和负相关指标进行归一化处理，得到规范性正相关指标和规范性负相关指标。

根据本发明的示例性实施例，获取单元20包括：

从规范性QoS指标中获取用户QoS偏好指标；

根据用户QoS偏好指标设定对应的偏好程度；

对偏好程度设置相应的数值，从而得到偏好指标设定值。

根据本发明的示例性实施例，求解单元70包括：

对多任务需求集合中的任意相邻两个子任务对应的两类服务进行组合对象匹配，直至扩展到所有服务，从而构成整体服务组合解；

对整体服务组合解按从大到小的顺序进行排序；

将排序在前的多个服务组合解分配给多任务需求。

本发明涉及的多任务需求服务组合***，包括处理单元、获取单元、生成单元、确定单元、加权单元、分类单元和求解单元，处理单元和获取单元分别获取到企业服务QoS指标和用户任务需求、用户QoS偏好指标、偏好指标设定值后，由生成单元和确定单元分别确定成对比较矩阵和用户QoS偏好指标权重，加权单元确定服务组合函数，并且由分类单元对用户提交到云制造平台的任务需求进行分类，最后对服务组合函数进行求解以给多任务需求提供服务组合解。本发明为云制造平台中复杂的多任务需求提供了满足用户偏好需求的服务组合方案，提高效率，实用性强。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种多任务需求服务组合方法，其特征在于，包括：

获取企业服务QoS指标，对所述企业服务QoS指标进行分类和规范化、归一化处理，得到规范性QoS指标；

获取任务需求，并根据所述规范性QoS指标获取用户QoS偏好指标和偏好指标设定值；

根据所述用户QoS偏好指标和所述偏好指标设定值生成成对比较矩阵；

根据所述成对比较矩阵确定用户QoS偏好指标权重；

将所述用户QoS偏好指标和所述用户QoS偏好指标权重加权得到服务组合目标函数；

对所述任务需求进行分类，得到具有相同任务请求的多任务需求集合；

利用盖尔沙普利算法对所述服务组合目标函数进行求解，得到多个服务组合解，将所述多个服务组合解分配给相对应的所述多任务需求集合。

2.根据权利要求1所述的多任务需求服务组合方法，其特征在于，所述对所述企业服务QoS指标进行分类和规范化、归一化处理，得到规范性QoS指标包括：

将所述企业服务QoS指标进行规范化处理，得到独立性指标和依赖性指标；

将所述独立性指标和所述依赖性指标按照性质划分，得到正相关指标和负相关指标；

将所述正相关指标和所述负相关指标进行归一化处理，得到规范性正相关指标和规范性负相关指标。

3.根据权利要求2所述的多任务需求服务组合方法，其特征在于，所述将所述正相关指标和所述负相关指标进行归一化处理，得到规范性正相关指标和规范性负相关指标包括：

根据下式计算所述规范性正相关指标：

${\mathrm{Po}}_{std}\left(x\right)=\left\{\begin{array}{cc}\frac{{\mathrm{Po}}_{\max }\left(x\right)-Po\left(x\right)}{{\mathrm{Po}}_{\max }\left(x\right)-{\mathrm{Po}}_{\min }\left(x\right)},& if{\mathrm{Po}}_{\max }\left(x\right)\≠{\mathrm{Po}}_{\min }\left(x\right)\\ 1& other\end{array}\right\}$

其中，Po_max(x)为所述正相关指标的最大值，Po_min(x)为所述正相关指标的最小值，Po_std(x)为所述规范性正相关指标，Po(x)为所述正相关指标；

或者，

根据下式计算所述规范性负相关指标：

${\mathrm{Ne}}_{std}\left(x\right)=\left\{\begin{array}{cc}\frac{{\mathrm{Ne}}_{\max }\left(x\right)-Ne\left(x\right)}{{\mathrm{Ne}}_{\max }\left(x\right)-{\mathrm{Ne}}_{\min }\left(x\right)},& if{\mathrm{Ne}}_{\max }\left(x\right)\≠{\mathrm{Ne}}_{\min }\left(x\right)\\ 1& other\end{array}\right\}$

其中，Ne_max(x)为所述负相关指标的最大值，Ne_min(x)为所述负相关指标的最小值，Ne_std(x)为所述规范性负相关指标，Ne(x)为所述负相关指标。

4.根据权利要求1所述的多任务需求服务组合方法，其特征在于，所述根据所述规范性QoS指标获取用户QoS偏好指标和偏好指标设定值包括：

从所述规范性QoS指标中获取所述用户QoS偏好指标；

根据所述用户QoS偏好指标设定对应的偏好程度；

对所述偏好程度设置相应的数值，从而得到所述偏好指标设定值。

5.根据权利要求1所述的多任务需求服务组合方法，其特征在于，根据所述用户QoS偏好指标和所述偏好指标设定值生成成对比较矩阵包括：

根据下式计算所述成对比较矩阵：

其中，W为所述成对比较矩阵，T为时间，C为成本，Re为可靠性，Co为合作强度，所述成对比较矩阵的维数为所述用户QoS偏好指标的个数，所述成对比较矩阵的元素为所述偏好指标设定值之比。

6.根据权利要求1所述的多任务需求服务组合方法，其特征在于，利用盖尔沙普利算法对所述服务组合目标函数进行求解，得到多个服务组合解，将所述多个服务组合解分配给相对应的所述多任务需求集合包括：

对所述多任务需求集合中的任意相邻两个子任务对应的两类服务进行组合对象匹配，直至扩展到所有服务，从而构成整体服务组合解；

对所述整体服务组合解按从大到小的顺序进行排序；

将排序在前的多个所述服务组合解分配给相对应的所述多任务需求。

7.一种多任务需求服务组合***，其特征在于，包括：

处理单元，获取企业服务QoS指标，对所述企业服务QoS指标进行分类和规范化、归一化处理得到规范性QoS指标；

获取单元，获取任务需求，并根据所述规范性QoS指标获取用户QoS偏好指标和偏好指标设定值；

生成单元，根据所述用户QoS偏好指标和所述偏好指标设定值生成成对比较矩阵；

确定单元，根据所述成对比较矩阵确定用户QoS偏好指标权重；

加权单元，将所述用户QoS偏好指标和所述用户QoS偏好指标权重加权得到服务组合目标函数；

分类单元，对所述任务需求进行分类，得到具有相同任务请求的多任务需求集合；

求解单元，利用盖尔沙普利算法对所述服务组合目标函数进行求解，得到多个服务组合解，将所述多个服务组合解分配给相对应的所述多任务需求集合。

8.根据权利要求7所述的多任务需求服务组合***，其特征在于，所述处理单元包括：

将所述企业服务QoS指标进行规范化处理，得到独立性指标和依赖性指标；

将所述独立性指标和所述依赖性指标按照性质划分，得到正相关指标和负相关指标；

将所述正相关指标和所述负相关指标进行归一化处理，得到规范性正相关指标和规范性负相关指标。

9.根据权利要求7所述的多任务需求服务组合***，其特征在于，所述获取单元包括：

从所述规范性QoS指标中获取所述用户QoS偏好指标；

根据所述用户QoS偏好指标设定对应的偏好程度；

对所述偏好程度设置相应的数值，从而得到所述偏好指标设定值。

10.根据权利要求7所述的多任务需求服务组合***，其特征在于，所述求解单元包括：

对所述多任务需求集合中的任意相邻两个子任务对应的两类服务进行组合对象匹配，直至扩展到所有服务，从而构成整体服务组合解；

对所述整体服务组合解按从大到小的顺序进行排序；

将排序在前的多个所述服务组合解分配给所述多任务需求。