CN107590623A - 一种考虑地域物流服务能力的云制造服务组合优选方法 - Google Patents
一种考虑地域物流服务能力的云制造服务组合优选方法 Download PDFInfo
- Publication number
- CN107590623A CN107590623A CN201610527535.3A CN201610527535A CN107590623A CN 107590623 A CN107590623 A CN 107590623A CN 201610527535 A CN201610527535 A CN 201610527535A CN 107590623 A CN107590623 A CN 107590623A
- Authority
- CN
- China
- Prior art keywords
- mtd
- mrow
- service
- msubsup
- logistics
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑地域物流服务能力的云制造服务组合优选方法,该云制造服务组合优选方法的步骤是:S1、构建物流云服务评价体系架构并描述物流云服务QoS指标;S2、神经网络确定指标权重;S3、主客观综合权重法计算组合服务综合指标;4、遗传算法求解云制造服务组合优选问题。本发明的目的是基于QoS综合指标进行云制造服务组合,组合过程中所用到的指标权重通过神经网络进行确定,并在组合过程中考虑物流云服务及地域物流能力,从而得到综合评价指标更加准确,物流云服务评价具有自适应性的云制造服务组合方法。
Description
技术领域
本发明涉及信息技术领域;具体地说涉及一种考虑地域物流服务能力的云制造服务组合优选方法。
背景技术
制造业在国民经济中占据着重要地位,传统制造业在信息时代面临着巨大挑战和新的机遇。网络化制造模式成为制造业新的选择,但制造网格、敏捷制造等网络化制造模式在服务模式、制造资源共享分配、物理终端设备接入、信息安全等方面存在诸多问题。在此背景下,云制造应运而生。云制造通过嵌入式、物联网等技术将制造资源接入到网络中,按用户需求组织网上制造资源(制造云),为用户提供各类按需制造服务,可实现企业间的协同和各种社会资源的共享和集成。
为基于云制造满足用户需求,寻求可靠的云制造服务组合方案是必经之路。云制造服务组合与Web服务组合具有一定的相似性,而基于QoS的Web服务组合方法是当前的研究热点,如面向QoS的服务流程优化,剔除优化服务流程结构算法,引入QoS指标,解决服务流程优化问题;服务质量模糊排序方法,通过对QoS指标建立模糊相似矩阵,确定服务间的相似程度,给出服务的模糊排序;支持QoS属性的Web服务描述模型,通过扩展原有的Web服务描述语言来支持QoS属性表达等。而由于制造云服务组合优选问题规模巨大,存在海量的候选服务组合方案,故需要采用启发式的智能算法进行求解,提高服务组合优选效率,粒子群算法求解Web服务组合中基于QoS的服务选择,利用多目标粒子群算法的智能优化原理,通过同时优化多个QoS参数,产生一组满足约束条件的最优解;蚁群算法在Web服务组合中应用,根据不同服务的QoS熟悉感指标,选择对应的服务得到最优解集合,用户可以根据实际需要或对目标函数的偏好进行选择;基于遗传算法QoS敏感的Web服务组合方法,使选中的服务不仅能够完成流程分配的任务、满足局部约束,还能与流程中的其他服务进行协作,使流程的QoS达到全局最优等。
上述研究集中在Web服务组合背景下的基于QoS的服务描述模型、基于QoS的服务优选以及服务组合求解算法研究等方面。对于云制造服务组合,由于其自身具备制造业特点,在整个服务流程中存在物理资源的介入,在组合服务实现过程中需要物流服务起到传输纽带作用,且服务组合优选依赖于客观的QoS综合指标,故对云制造服务组合优选过程需要考虑以下问题:
1.云制造服务组合因其属制造业的特点,在服务组合优选时,需考虑其中的物流云服务。云制造服务组合优选主要基于组合服务的非功能QoS综合指标,故在构建云制造服务描述模型时,需要对在组合算法中要用到的QoS属性进行详尽的描述;
2.如上所述,云制造服务组合优选的依据在于计算出的组合服务的QoS综合指标。该指标的计算由组合服务不同QoS指标进行加权求和得出,故组合服务的指标权重分配必须科学、符合实际情况,并且该确定过程受到的主观因素的影响应尽量小,而借助神经网络完成这一过程,可以削弱主观因素的影响;
3.进行组合服务的QoS综合指标计算时,需要综合考虑先前确定的客观指标权重与用户的个性化需求。对于可能包含物流云服务的服务组合方案,也应考虑服务所属地域造成的用户对物流服务的不同重视程度。考虑物流云服务及地域物流能力的云制造服务组合方法所得出的综合指标更接近组合服务的真实情况,可以为用户求得高满意度及可靠性的服务组合方案。
发明内容
本发明的目的在于针对上述现有技术的缺陷和不足,提供一种考虑地域物流服务能力的云制造服务组合优选方法,基于QoS综合指标进行云制造服务组合,组合过程中所用到的指标权重通过神经网络进行确定,并在组合过程中考虑物流云服务及地域物流能力,从而得到综合评价指标更加准确,物流云服务评价具有自适应性。
为了实现上述目的,本发明的技术方案是:
一种考虑地域物流服务能力的云制造服务组合优选方法,该云制造服务组合优选方法的步骤是:
S1、构建物流云服务评价体系架构并描述物流云服务QoS指标;
针对云制造服务领域特点,在服务组合过程中考虑流程中的物流云服务;对物流云服务构建评价体系架构,并进行相应的QoS指标描述;
S2、神经网络确定指标权重;
利用神经网络,根据神经网络中神经元间的连接权值反映单元间的连接强度这一事实,确定云制造服务组合中不同服务领域的QoS指标权重,以削弱主观因素对确定权重的影响;同时也通过神经网络进行地域物流能力权重的确定,以对物流云服务进行评价;
S3、主客观综合权重法计算组合服务综合指标;
为了得到云制造服务组合优选的依据,需要进行组合服务综合QoS指标的计算;该计算过程运用主客观综合权重法,以综合考虑步骤二中得出的指标客观权重以及用户的主观个性化需求;同时也通过设置权值,实现用户对物流过程的重视度控制;
S4、遗传算法求解云制造服务组合优选问题。
作为对上述技术文字的改进,所述物流云服务构建评价体系架构由服务价格、服务时间和服务可靠性三个指标组成;所述服务可靠性由需求满足、运输作业、信息反馈三个指标组成;其中,需求满足是指需求满足率;运输作业由及时发送率、准时送达率、完好送达率三个指标组成,信息反馈由信息及时跟踪率、信息准确跟踪率两个指标组成;
上述物流云服务指标的QoS描述为:
(9)服务价格:即物流云服务在地域Regj的平均服务价格
其中,n为历史服务个数;
(10)服务时间:即物流云服务在地域Regj的平均服务时间
其中,n为历史服务个数;
对于物流云服务可靠性,从以下6个方面进行描述:
(11)需求满足率:即物流云服务在地域Regj能够满足用户运输需求的概率
其中,为满足用户运输需求的次数,为用户提出运输需求的总次数;
(12)及时发送率:即物流云服务在地域Regj接到用户订单后,及时发货的比例
其中,为货物及时发送订单数,N为该地区历史总订单数,公式(5)至公式(8)中N同此意;
(13)准时送达率:即物流云服务在地域Regj在规定时间内送达货物的比例
其中,为货物准时送达订单数;
(14)完好送达率:即物流云服务在地域Regj完好送达货物的比例
其中,为货物货物完好送达订单数;
(15)信息及时跟踪率:即物流云服务在地域Regj及时向用户反馈货物信息的比例
其中,为运输信息及时跟踪订单数;
(16)信息准确跟踪率:即物流云服务在地域Regj向用户准确反馈货物信息的比例
其中,为运输信息及时跟踪订单数;
物流云服务的QoS描述可表示为一个M×J的矩阵,其中M为服务的QoS指标数,其中M=8,J为可提供服务的地域数,即物流云服务的非功能QoS可描述为
作为对上述技术文字的改进,步骤二中给出采用神经网络确定指标权重,削弱主观因素影响,并借此进行地域物流能力权重的确定,以进行物流云服务评价;具体为:
对于某个领域的云制造服务组合(某个地域的物流服务),首先由评价专家根据该领域的组合服务样本(该地域的物流服务样本)的用户感知情况,对服务样本进行评分;将得到的样本评分矩阵GN×1与根据服务QoS描述得到的样本指标矩阵KN×M(其中N为服务样本个数,M为服务QoS指标个数)分别作为神经网络的输出与输入,进行神经网络训练,对得到的连接权矩阵V进行处理,从而得到各指标的权重;
作为对上述技术文字的改进,神经网络确定指标权重的步骤为:
(1)输入输出矩阵确定:根据评价专家对服务样本的评分以及服务样本的QoS指标描述,确定神经网络的输出矩阵GN×1与输入矩阵KN×M;
(2)输入输出矩阵指标归一化:为消除输入输出矩阵中各指标间的不同量纲,对其中的积极型指标和消极性指标分别进行归一化处理如下,
积极型指标:
消极型指标:
其中,和分别表示服务样本中指标m的最大值和最小值,积极型指标指该指标越大越好,消极型指标则相反;
(3)将归一化后的输入矩阵与输出矩阵在神经网络中进行训练,得到连接权矩阵V,通过V计算各输入层节点到所有隐含层节点间连接权的绝对值之和,并归一化,得到m个指标的权重;体公式如下,
其中,l表示神经网络的隐含层节点数;
综上得到服务指标权重向量ω=(ω1,ω2,…,ωM);
某地域的物流能力权重则是对该地域中的数个物流云服务样本进行如上操作,从而得到的权重向量。
作为对上述技术文字的改进,步骤三中考虑云制造服务组合流程中的物流云服务,采用主客观综合权重法进行组合服务综合指标计算,实现服务组合优选;具体为:
结合云制造服务组合中可能出现的四种业务逻辑结构,综合考虑服务领域的客观权重指标与用户的个性化需求,以及实际过程中用户针对特定组合服务对物流云服务的重视度,采用主客观综合权重法进行组合服务的综合指标计算,在此基础上实现服务组合优选;
针对云制造服务的四种业务逻辑结构,其组合服务的QoS计算方法如表1所示。
表1不同业务逻辑下的组合服务QoS计算方法
针对云制造组合服务的不同业务逻辑,进行组合服务的综合指标计算;考虑服务价格、服务时间、服务可靠性三方面指标;一个组合服务中物流云服务的综合指标,对于串联及并行结构其计算按照串联结构进行计算,选择结构仍按照选择结构计算,物流云服务不存在循环结构;而物流云服务可靠性如步骤一中所述,可通过六方面指标表征,故物流云服务的可靠性指标权重ωLr为
ωLr=1-ωLc-ωLt (12)
其中,ωLc表示物流云服务的价格指标权重,ωLt表示物流云服务的时间指标权重;
物流云服务的可靠性指标,可通过对表征可靠性的六项指标的权重进行归一化后,进行六项指标的加权求和结果表示;
采用主客观综合赋权法进行最终指标权值确定时,将步骤二中求得的指标权重作为客观权重ωobj,而将用户的个性化需求作为主观权重ωsub,则采用主客观综合赋权法确定的最终指标权重为
ωM=α·ωsub+(1-α)·ωobj,α∈(0,1)
(13)
在对组合服务进行QoS综合指标计算前,需要在服务集合中对服务的各项QoS指标进行归一化,归一化方法如公式(9)、(10),不再赘述;设通过计算得到的服务综合指标为C、T、R,分别表示服务的价格、时间及可靠性指标,则可得综合评价指标
对于制造服务:
对于物流服务:
对于物流云服务,进行综合评价指标计算时的最终客观指标权重由在组合服务中所有物流云服务各自的服务时间及各自所属地域的物流能力评价指标决定,具体为
其中i表示第i个物流云服务,T表示所有物流云服务的服务时间之和;
于是考虑物流云服务重要度的服务组合最终综合指标可表达为
U=(1-β)·Uman+β·Ulog (17)
作为对上述技术文字的改进,步骤4的遗传算法求解云制造服务组合优选问题
由于从海量的候选云服务中找到满足用户需求的云服务组合方案,属于NP-hard问题,这里采用遗传算法进行云制造服务组合优选问题,具体如下,
输入:云制造组合服务业务流程,候选服务集,用户主观权重,物流云服务权重,云制造服务领域指标客观权重,地域物流能力评价矩阵,指标约束;
输出:云制造服务组合方案;
(7)初始化遗传算法的种群规模、交叉概率、变异概率、进化次数,设置初始服务组合方案解集为空;
(8)基于候选服务集范围,随机产生初始种群;
(9)遍历种群中的服务组合方案,计算服务组合方案的综合评价指标及各项指标实际值,若方案满足用户需求,则将其放置在服务组合方案解集中,对该种群中下一个组合方案进行操作(3);
(10)对该服务组合方案初始种群中的染色体进行交叉、变异操作,得到新的种群,并对该新种群进行操作(3);
(11)重复步骤(4),直至算法迭代到最大进化次数;
(12)对解集中的服务组合方案按照综合评价指标的大小进行排序,为用户提供一个服务组合方案优选集。
通过上述步骤,可实现采用遗传算法求解云制造服务组合优选问题,最终得到服务组合方案优选集。
与现有技术相比,本发明具有的优点和积极效果是:
本发明中的考虑地域物流服务能力的云制造服务组合优选方法,
1.已有的云制造服务组合优选方面的研究,未针对制造业特点考虑物流云服务;本发明针对该不足,在服务组合过程中考虑物流云服务,并对物流云服务构建评价体系架构,以进行物流云服务QoS指标描述;
2.根据不同地域物流能力存在差异这一事实,提出地域物流能力评价的概念;该评价信息作为指标权重用于物流云服务在服务组合中的评价指标计算,同时也使得物流云服务的指标权重根据不同的服务组合有一定的自适应性,从而得出更符合实际情况的组合服务综合指标;
3.传统的综合评价的评价指标权重确定通常采用主观赋权法及客观赋权法,然而主观赋权法容易夸大或降低某些指标的作用,客观赋权法所得到的权重并非指标实际意义的重要性,只是各指标的数据提供的有用信息量的度量,故在本发明中采用BP神经网络确定指标权重。神经网络通过对样本学习,获得评价专家的经验、知识以及对目标重要性的权重协调能力,从而得到客观的、符合实际的指标权重。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明构建物流云服务评价体系架构的架构图
图2为神经网络结构示意图;
图3为云制造服务组合的顺序逻辑结构示意图;
图4云制造服务组合的分支逻辑结构示意图;
图5为云制造服务组合的并行逻辑结构示意图;
图6为云制造服务组合的循环逻辑结构示意图;
图7为云制造服务组合的业务逻辑结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
本发明的的考虑地域物流服务能力的云制造服务组合优选方法,
步骤一、构建物流云服务评价体系架构并描述物流云服务QoS指标
如图1所示,物流云服务构建评价体系架构由服务价格、服务时间和服务可靠性三个指标组成;所述服务可靠性由需求满足、运输作业、信息反馈三个指标组成;其中,需求满足是指需求满足率;运输作业由及时发送率、准时送达率、完好送达率三个指标组成,信息反馈由信息及时跟踪率、信息准确跟踪率两个指标组成;
上述物流云服务指标的QoS描述为:
(17)服务价格:即物流云服务在地域Regj的平均服务价格
其中,n为历史服务个数;
(18)服务时间:即物流云服务在地域Regj的平均服务时间
其中,n为历史服务个数;
对于物流云服务可靠性,从以下6个方面进行描述:
(19)需求满足率:即物流云服务在地域Regj能够满足用户运输需求的概率
其中,为满足用户运输需求的次数,为用户提出运输需求的总次数;
(20)及时发送率:即物流云服务在地域Regj接到用户订单后,及时发货的比例
其中,为货物及时发送订单数,N为该地区历史总订单数,公式(5)至公式(8)中N同此意;
(21)准时送达率:即物流云服务在地域Regj在规定时间内送达货物的比例
其中,为货物准时送达订单数;
(22)完好送达率:即物流云服务在地域Regj完好送达货物的比例
其中,为货物货物完好送达订单数;
(23)信息及时跟踪率:即物流云服务在地域Regj及时向用户反馈货物信息的比例
其中,为运输信息及时跟踪订单数;
(24)信息准确跟踪率:即物流云服务在地域Regj向用户准确反馈货物信息的比例
其中,为运输信息及时跟踪订单数;
发明考虑不同地域存在的物流服务能力方面的差异,故对于物流云服务在不同的地域Regj,QoS指标值不同,因此物流云服务的QoS描述可表示为一个M×J的矩阵,其中M为服务的QoS指标数,其中M=8,J为可提供服务的地域数,即物流云服务的非功能QoS可描述为
步骤二、神经网络确定指标权重
对于某个领域的云制造服务组合(某个地域的物流服务),首先由评价专家根据该领域的组合服务样本(该地域的物流服务样本)的用户感知情况,对服务样本进行评分;将得到的样本评分矩阵GN×1与根据服务QoS描述得到的样本指标矩阵KN×M(其中N为服务样本个数,M为服务QoS指标个数)分别作为神经网络的输出与输入,进行神经网络训练,对得到的连接权矩阵V进行处理,从而得到各指标的权重;神经网络结构图如图2所示;
神经网络确定指标权重的步骤为:
(1)输入输出矩阵确定:根据评价专家对服务样本的评分以及服务样本的QoS指标描述,确定神经网络的输出矩阵GN×1与输入矩阵KN×M;
(2)输入输出矩阵指标归一化:为消除输入输出矩阵中各指标间的不同量纲,对其中的积极型指标和消极性指标分别进行归一化处理如下,
积极型指标:
消极型指标:
其中,和分别表示服务样本中指标m的最大值和最小值,积极型指标指该指标越大越好,消极型指标则相反;
(3)将归一化后的输入矩阵与输出矩阵在神经网络中进行训练,得到连接权矩阵V,通过V计算各输入层节点到所有隐含层节点间连接权的绝对值之和,并归一化,得到m个指标的权重;体公式如下,
其中,l表示神经网络的隐含层节点数;
综上得到服务指标权重向量ω=(ω1,ω2,…,ωM);
某地域的物流能力权重则是对该地域中的数个物流云服务样本进行如上操作,从而得到的权重向量。
步骤三、主客观综合权重法计算组合服务综合指标
本发明结合云制造服务组合中可能出现的四种业务逻辑结构如图3、图7、图5、图6所示,结合云制造服务组合中可能出现的四种业务逻辑结构,综合考虑服务领域的客观权重指标与用户的个性化需求,以及实际过程中用户针对特定组合服务对物流云服务的重视度,采用主客观综合权重法进行组合服务的综合指标计算,在此基础上实现服务组合优选;
针对云制造服务的四种业务逻辑结构,其组合服务的QoS计算方法如表1所示。
表1不同业务逻辑下的组合服务QoS计算方法
针对云制造组合服务的不同业务逻辑,进行组合服务的综合指标计算;考虑服务价格、服务时间、服务可靠性三方面指标;一个组合服务中物流云服务的综合指标,对于串联及并行结构其计算按照串联结构进行计算,选择结构仍按照选择结构计算,物流云服务不存在循环结构;而物流云服务可靠性如步骤一中所述,可通过六方面指标表征,故物流云服务的可靠性指标权重ωLr为
ωLr=1-ωLc-ωLt (12)
其中,ωLc表示物流云服务的价格指标权重,ωLt表示物流云服务的时间指标权重;
物流云服务的可靠性指标,可通过对表征可靠性的六项指标的权重进行归一化后,进行六项指标的加权求和结果表示;
采用主客观综合赋权法进行最终指标权值确定时,将步骤二中求得的指标权重作为客观权重ωobj,而将用户的个性化需求作为主观权重ωsub,则采用主客观综合赋权法确定的最终指标权重为
ωM=α·ωsub+(1-α)·ωobj,α∈(0,1)
(13)
在对组合服务进行QoS综合指标计算前,需要在服务集合中对服务的各项QoS指标进行归一化,归一化方法如公式(9)、(10),不再赘述;设通过计算得到的服务综合指标为C、T、R,分别表示服务的价格、时间及可靠性指标,则可得综合评价指标
对于制造服务:
对于物流服务:
对于物流云服务,进行综合评价指标计算时的最终客观指标权重由在组合服务中所有物流云服务各自的服务时间及各自所属地域的物流能力评价指标决定,具体为
其中i表示第i个物流云服务,T表示所有物流云服务的服务时间之和;
于是考虑物流云服务重要度的服务组合最终综合指标可表达为
U=(1-β)·Uman+β·Ulog (17)
步骤四、遗传算法求解云制造服务组合优选问题
由于从海量的候选云服务中找到满足用户需求的云服务组合方案,属于NP-hard问题,这里采用遗传算法进行云制造服务组合优选问题,具体如下,
输入:云制造组合服务业务流程,候选服务集,用户主观权重,物流云服务权重,云制造服务领域指标客观权重,地域物流能力评价矩阵,指标约束;
输出:云制造服务组合方案;
(13)初始化遗传算法的种群规模、交叉概率、变异概率、进化次数,设置初始服务组合方案解集为空;
(14)基于候选服务集范围,随机产生初始种群;
(15)遍历种群中的服务组合方案,计算服务组合方案的综合评价指标及各项指标实际值,若方案满足用户需求,则将其放置在服务组合方案解集中,对该种群中下一个组合方案进行操作(3);
(16)对该服务组合方案初始种群中的染色体进行交叉、变异操作,得到新的种群,并对该新种群进行操作(3);
(17)重复步骤(4),直至算法迭代到最大进化次数;
(18)对解集中的服务组合方案按照综合评价指标的大小进行排序,为用户提供一个服务组合方案优选集。
通过上述步骤,可实现采用遗传算法求解云制造服务组合优选问题,最终得到服务组合方案优选集。
实施例1:
本发明以某地域的物流云服务为例,说明采用神经网络确定服务指标权重的方法。
步骤一确定神经网络输入输出矩阵
神经网络的输入输出矩阵分别为服务样本的QoS指标描述及服务综合评分。
设某地域R有10个物流云服务样本SA-SJ,其QoS指标描述及评价专家给出的每个服务样本的综合评分如表2所示,
表2地域R物流云服务样本QoS指标及综合评分
S | C | T | Psreq | Pspro | Pdpro | Pdint | Pfpro | Pfcor | G |
SA | 13.4 | 23 | 0.43 | 0.72 | 0.74 | 0.88 | 0.52 | 0.48 | 7.4 |
SB | 12.6 | 30 | 0.57 | 0.61 | 0.78 | 0.83 | 0.34 | 0.41 | 6.1 |
SC | 14.7 | 22 | 0.66 | 0.83 | 0.81 | 0.87 | 0.48 | 0.64 | 7.7 |
SD | 13.9 | 25 | 0.45 | 0.68 | 0.74 | 0.91 | 0.61 | 0.67 | 8.4 |
SE | 15 | 20 | 0.6 | 0.8 | 0.8 | 0.94 | 0.77 | 0.78 | 9.1 |
SF | 11.3 | 40 | 0.3 | 0.77 | 0.69 | 0.79 | 0.64 | 0.52 | 5.3 |
SG | 16 | 20 | 0.73 | 0.91 | 0.88 | 0.92 | 0.86 | 0.88 | 8.7 |
SH | 11.8 | 38 | 0.54 | 0.68 | 0.73 | 0.86 | 0.57 | 0.47 | 7.7 |
SI | 12 | 33 | 0.5 | 0.86 | 0.82 | 0.91 | 0.63 | 0.71 | 8.9 |
SJ | 15.7 | 18 | 0.68 | 0.93 | 0.86 | 0.94 | 0.83 | 0.83 | 9 |
为了消除输入输出矩阵中各指标间的不同量纲,对表2中指标按照公式(9)、(10)进行归一化,归一化结果如表3所示,
表3地域R物流云服务样本QoS指标及综合评分归一化结果
则神经网络的输入矩阵为,
输出向量为,
(0.55 0.21 0.63 0.82 1.00 0.00 0.89 0.63 0.95 0.97)
步骤二训练神经网络确定指标权重
如上述步骤一中所示,已经通过样本指标归一化得到神经网络的输入矩阵及输出向量。构建三层神经网络,设置其隐含层有5个节点,学习率为0.01,神经网络目标误差为0.01,采用matlab进行神经网络训练,当所有样本训练结束,且达到网络训练精度要求后,得到输入层与隐含层间的连接权矩阵V为
则根据公式(11)可得各指标的权重向量ωm
ωm=(0.1392 0.1296 0.0689 0.1552 0.0987 0.1610 0.1220 0.1255)
则该地域物流能力评价的指标权重向量为ωm。
实施例2:
本发明以对某设备零件加工为例,说明从候选服务集中进行云制造服务组合优选过程。
假设在云制造服务平台上,用户提交了某设备零件加工请求,则云制造平台根据该制造领域的业务流程历史数据及平台所能提供的云制造服务,将制造需求自动分解为5个制造子任务,3个物流子任务,其业务逻辑结构如图7所示。候选云制造服务及物流云服务集合如表4、表5所示。
表4云制造服务候选服务集合
表5物流云服务候选服务集合
在该实施例中,设用户的主观指标权重为由神经网络求得的该领域客观指标权重为地域物流能力评价指标权重均为用户物流云服务重视权重为β=0.3,α=0.4。
步骤一组合服务QoS指标聚合
由图7所示组合服务业务逻辑结构及表1所示组合服务QoS计算方法,可得云制造服务综合QoS指标为
CM=C1+C2+0.3·C3+0.7·C4+2·C5 (18)
TM=T1+max(2·T5,T2+0.3·T3+0.7·T4) (19)
物流云服务综合QoS指标为
CL=0.3·C23+0.7·C24+C15 (21)
TL=0.3·T23+0.7·T24+T15 (22)
RL=R15·(0.3·R23+0.7·R24) (23)
步骤二计算组合服务综合评价指标
步骤一中所求为组合服务具体指标值,为得出组合服务的综合评价指标,需首先根据候选服务集进行指标归一化,归一化方法如公式(9)、(10)所示,对表4、表5中候选服务进行QoS指标归一化结果分别如表6、表7所示。
表6云制造服务候选服务集合指标归一化结果
表7物流云服务候选服务集合指标归一化结果
对归一化后指标按照式(18)-(23)进行QoS指标聚合,最后对这些指标进行加权求和,得出综合评价指标,具体如下,
云制造服务综合评价指标
其中权重向量为采用公式(13)进行主客观综合赋权得到的权重,在该例中主客观权重指标为故即
Uman=0.4·CM+0.3·TM+0.3·RM (25)
物流云服务综合评价指标
向量为采用公式(16)及公式(13)确定的主客观综合权重,由于本例中设地域物流能力评价指标权重均为主观权重故物流云服务主客观综合权重即
Ulog=0.34·CL+0.24·TL+0.42·RL (27)
综上,服务组合最终综合指标为
U=0.7·Uman+0.3·Ulog (28)
步骤三遗传算法求解云制造服务组合优选问题
设遗传算法的初始种群数popsize=20,交叉概率pc=0.7,变异概率pm=0.05,最大迭代次数maxgen=500,则求解准则函数式(28)的值大于的云制造服务组合方案,可得云制造服务组合优选解集(部分)如表8所示
表8云制造服务组合优选解集(部分)
由此得到考虑物流云服务的云制造服务组合优选问题解集。上述为所有服务在同一地域中,即所有的地域物流能力评价指标权重均为情况下所得服务组合解集。
为了方便比较,现设T5候选服务集中所有服务在另一地域,该地域物流能力评价指标权重为令L15服务时间与L23、L24服务时间之和相等,则由式(16)及(13)可得,该情况下物流云服务主客观综合权重则可得云制造服务组合优选解集(部分)如表9所示
表9更换地域后云制造服务组合优选解集(部分)
可以看到物流云服务的选择方案及服务组合方案适应值均有明显变化。这一影响在同一候选服务集下的候选服务处于不同地域时将更加明显,会直接影响到整个服务组合方案(云制造服务和物流云服务),证明该考虑地域物流服务能力信息的云制造服务组合优选方法的有效性,以及其对实现整个云制造组合服务流程的实际意义。
本发明中的考虑地域物流服务能力的云制造服务组合优选方法,
1.已有的云制造服务组合优选方面的研究,未针对制造业特点考虑物流云服务;本发明针对该不足,在服务组合过程中考虑物流云服务,并对物流云服务构建评价体系架构,以进行物流云服务QoS指标描述;
2.根据不同地域物流能力存在差异这一事实,提出地域物流能力评价的概念;该评价信息作为指标权重用于物流云服务在服务组合中的评价指标计算,同时也使得物流云服务的指标权重根据不同的服务组合有一定的自适应性,从而得出更符合实际情况的组合服务综合指标;
3.传统的综合评价的评价指标权重确定通常采用主观赋权法及客观赋权法,然而主观赋权法容易夸大或降低某些指标的作用,客观赋权法所得到的权重并非指标实际意义的重要性,只是各指标的数据提供的有用信息量的度量,故在本发明中采用BP神经网络确定指标权重。神经网络通过对样本学习,获得评价专家的经验、知识以及对目标重要性的权重协调能力,从而得到客观的、符合实际的指标权重。
Claims (5)
1.一种考虑地域物流服务能力的云制造服务组合优选方法,其特征在于:该云制造服务组合优选方法的步骤是:
S1、构建物流云服务评价体系架构并描述物流云服务QoS指标;
针对云制造服务领域特点,在服务组合过程中考虑流程中的物流云服务;对物流云服务构建评价体系架构,并进行相应的QoS指标描述;
S2、神经网络确定指标权重;
利用神经网络,根据神经网络中神经元间的连接权值反映单元间的连接强度这一事实,确定云制造服务组合中不同服务领域的QoS指标权重,以削弱主观因素对确定权重的影响;同时也通过神经网络进行地域物流能力权重的确定,以对物流云服务进行评价;
S3、主客观综合权重法计算组合服务综合指标;
为了得到云制造服务组合优选的依据,需要进行组合服务综合QoS指标的计算;该计算过程运用主客观综合权重法,以综合考虑步骤二中得出的指标客观权重以及用户的主观个性化需求;同时也通过设置权值,实现用户对物流过程的重视度控制;
S4、遗传算法求解云制造服务组合优选问题。
2.根据权利要求1所述的考虑地域物流服务能力的云制造服务组合优选方法,其特征在于:所述物流云服务构建评价体系架构由服务价格、服务时间和服务可靠性三个指标组成;所述服务可靠性由需求满足、运输作业、信息反馈三个指标组成;其中,需求满足是指需求满足率;运输作业由及时发送率、准时送达率、完好送达率三个指标组成,信息反馈由信息及时跟踪率、信息准确跟踪率两个指标组成;
上述物流云服务指标的QoS描述为:
(1)服务价格:即物流云服务在地域Regj的平均服务价格
<mrow>
<msubsup>
<mi>C</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>&CenterDot;</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msubsup>
<mi>C</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,n为历史服务个数;
(2)服务时间:即物流云服务在地域Regj的平均服务时间
<mrow>
<msubsup>
<mi>T</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mo>&CenterDot;</mo>
<munder>
<mo>&Sigma;</mo>
<mi>k</mi>
</munder>
<msubsup>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>n</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,n为历史服务个数;
对于物流云服务可靠性,从以下6个方面进行描述:
(3)需求满足率:即物流云服务在地域Regj能够满足用户运输需求的概率
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>N</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<msubsup>
<mi>N</mi>
<mrow>
<mi>r</mi>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,为满足用户运输需求的次数,为用户提出运输需求的总次数;
(4)及时发送率:即物流云服务在地域Regj接到用户订单后,及时发货的比例
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>N</mi>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,为货物及时发送订单数,N为该地区历史总订单数,公式(5)至公式(8)中N同此意;
(5)准时送达率:即物流云服务在地域Regj在规定时间内送达货物的比例
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>N</mi>
<mrow>
<mi>d</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,为货物准时送达订单数;
(6)完好送达率:即物流云服务在地域Regj完好送达货物的比例
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mi>int</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>N</mi>
<mrow>
<mi>d</mi>
<mi>int</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,为货物货物完好送达订单数;
(7)信息及时跟踪率:即物流云服务在地域Regj及时向用户反馈货物信息的比例
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>N</mi>
<mrow>
<mi>f</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,为运输信息及时跟踪订单数;
(8)信息准确跟踪率:即物流云服务在地域Regj向用户准确反馈货物信息的比例
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>N</mi>
<mrow>
<mi>f</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mi>N</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,为运输信息及时跟踪订单数;
物流云服务的QoS描述可表示为一个M×J的矩阵,其中M为服务的QoS指标数,其中M=8,J为可提供服务的地域数,即物流云服务的非功能QoS可描述为
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>C</mi>
<mi>i</mi>
<mn>1</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>T</mi>
<mi>i</mi>
<mn>1</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mn>1</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mn>1</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mn>1</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mi>int</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mn>1</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mn>1</mn>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mn>1</mn>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>C</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>T</mi>
<mi>i</mi>
<mi>j</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mi>int</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>j</mi>
</msubsup>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msubsup>
<mi>C</mi>
<mi>i</mi>
<mi>J</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>T</mi>
<mi>i</mi>
<mi>J</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mi>r</mi>
<mi>e</mi>
<mi>q</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>J</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>s</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>J</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>J</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>d</mi>
<mi>int</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>J</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>p</mi>
<mi>r</mi>
<mi>o</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>J</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>P</mi>
<mrow>
<mi>f</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
<mi>J</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
3.根据权利要求2所述的考虑地域物流服务能力的云制造服务组合优选方法,其特征在于:步骤二中给出采用神经网络确定指标权重,削弱主观因素影响,并借此进行地域物流能力权重的确定,以进行物流云服务评价;具体为:
对于某个领域的云制造服务组合(某个地域的物流服务),首先由评价专家根据该领域的组合服务样本(该地域的物流服务样本)的用户感知情况,对服务样本进行评分;将得到的样本评分矩阵GN×1与根据服务QoS描述得到的样本指标矩阵KN×M(其中N为服务样本个数,M为服务QoS指标个数)分别作为神经网络的输出与输入,进行神经网络训练,对得到的连接权矩阵V进行处理,从而得到各指标的权重;
(1)输入输出矩阵确定:根据评价专家对服务样本的评分以及服务样本的QoS指标描述,确定神经网络的输出矩阵GN×1与输入矩阵KN×M;
(2)输入输出矩阵指标归一化:为消除输入输出矩阵中各指标间的不同量纲,对其中的积极型指标和消极性指标分别进行归一化处理如下,
积极型指标:
消极型指标:
其中,和分别表示服务样本中指标m的最大值和最小值,积极型指标指该指标越大越好,消极型指标则相反;
(3)将归一化后的输入矩阵与输出矩阵在神经网络中进行训练,得到连接权矩阵V,通过V计算各输入层节点到所有隐含层节点间连接权的绝对值之和,并归一化,得到m个指标的权重;体公式如下,
<mrow>
<msub>
<mi>&omega;</mi>
<mi>m</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msubsup>
<mi>V</mi>
<mi>m</mi>
<mi>l</mi>
</msubsup>
</mrow>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</munderover>
<msubsup>
<mi>V</mi>
<mi>m</mi>
<mi>l</mi>
</msubsup>
</mrow>
</mfrac>
<mo>,</mo>
<mi>l</mi>
<mo>=</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>L</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,l表示神经网络的隐含层节点数;
综上得到服务指标权重向量ω=(ω1,ω2,…,ωM);
某地域的物流能力权重则是对该地域中的数个物流云服务样本进行如上操作,从而得到的权重向量。
4.根据权利要求1所述的考虑地域物流服务能力的云制造服务组合优选方法,其特征在于:步骤三中考虑云制造服务组合流程中的物流云服务,采用主客观综合权重法进行组合服务综合指标计算,实现服务组合优选;具体为:
结合云制造服务组合中可能出现的四种业务逻辑结构,综合考虑服务领域的客观权重指标与用户的个性化需求,以及实际过程中用户针对特定组合服务对物流云服务的重视度,采用主客观综合权重法进行组合服务的综合指标计算,在此基础上实现服务组合优选;
针对云制造服务的四种业务逻辑结构,其组合服务的QoS计算方法如表1所示;
表1不同业务逻辑下的组合服务QoS计算方法
针对云制造组合服务的不同业务逻辑,进行组合服务的综合指标计算;考虑服务价格、服务时间、服务可靠性三方面指标;一个组合服务中物流云服务的综合指标,对于串联及并行结构其计算按照串联结构进行计算,选择结构仍按照选择结构计算,物流云服务不存在循环结构;而物流云服务可靠性如步骤一中所述,可通过六方面指标表征,故物流云服务的可靠性指标权重ωLr为
ωLr=1-ωLc-ωLt (12)
其中,ωLc表示物流云服务的价格指标权重,ωLt表示物流云服务的时间指标权重;
物流云服务的可靠性指标,可通过对表征可靠性的六项指标的权重进行归一化后,进行六项指标的加权求和结果表示;
采用主客观综合赋权法进行最终指标权值确定时,将步骤二中求得的指标权重作为客观权重ωobj,而将用户的个性化需求作为主观权重ωsub,则采用主客观综合赋权法确定的最终指标权重为
ωM=α·ωsub+(1-α)·ωobj,α∈(0,1) (13)
在对组合服务进行QoS综合指标计算前,需要在服务集合中对服务的各项QoS指标进行归一化,归一化方法如公式(9)、(10),不再赘述;设通过计算得到的服务综合指标为C、T、R,分别表示服务的价格、时间及可靠性指标,则可得综合评价指标
对于制造服务:
对于物流服务:
对于物流云服务,进行综合评价指标计算时的最终客观指标权重由在组合服务中所有物流云服务各自的服务时间及各自所属地域的物流能力评价指标决定,具体为
<mrow>
<mo>(</mo>
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>,</mo>
<mi>o</mi>
<mi>b</mi>
<mi>j</mi>
</mrow>
<mi>c</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>,</mo>
<mi>o</mi>
<mi>b</mi>
<mi>j</mi>
</mrow>
<mi>t</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&omega;</mi>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mo>,</mo>
<mi>o</mi>
<mi>b</mi>
<mi>j</mi>
</mrow>
<mi>r</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
<mo>)</mo>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<mfrac>
<msub>
<mi>T</mi>
<mi>i</mi>
</msub>
<mi>T</mi>
</mfrac>
<mo>&CenterDot;</mo>
<mo>(</mo>
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>&omega;</mi>
<mi>i</mi>
<mi>c</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&omega;</mi>
<mi>i</mi>
<mi>t</mi>
</msubsup>
</mtd>
<mtd>
<msubsup>
<mi>&omega;</mi>
<mi>i</mi>
<mi>r</mi>
</msubsup>
</mtd>
</mtr>
</mtable>
<mo>)</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>16</mn>
<mo>)</mo>
</mrow>
</mrow>
其中i表示第i个物流云服务,T表示所有物流云服务的服务时间之和;
于是考虑物流云服务重要度的服务组合最终综合指标可表达为
U=(1-β)·Uman+β·Ulog (17)
5.根据权利要求1所述的考虑地域物流服务能力的云制造服务组合优选方法,其特征在于:步骤4的遗传算法求解云制造服务组合优选问题
由于从海量的候选云服务中找到满足用户需求的云服务组合方案,属于NP-hard问题,这里采用遗传算法进行云制造服务组合优选问题,具体如下,
输入:云制造组合服务业务流程,候选服务集,用户主观权重,物流云服务权重,云制造服务领域指标客观权重,地域物流能力评价矩阵,指标约束;
输出:云制造服务组合方案;
(1)初始化遗传算法的种群规模、交叉概率、变异概率、进化次数,设置初始服务组合方案解集为空;
(2)基于候选服务集范围,随机产生初始种群;
(3)遍历种群中的服务组合方案,计算服务组合方案的综合评价指标及各项指标实际值,若方案满足用户需求,则将其放置在服务组合方案解集中,对该种群中下一个组合方案进行操作(3);
(4)对该服务组合方案初始种群中的染色体进行交叉、变异操作,得到新的种群,并对该新种群进行操作(3);
(5)重复步骤(4),直至算法迭代到最大进化次数;
(6)对解集中的服务组合方案按照综合评价指标的大小进行排序,为用户提供一个服务组合方案优选集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610527535.3A CN107590623A (zh) | 2016-07-07 | 2016-07-07 | 一种考虑地域物流服务能力的云制造服务组合优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610527535.3A CN107590623A (zh) | 2016-07-07 | 2016-07-07 | 一种考虑地域物流服务能力的云制造服务组合优选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590623A true CN107590623A (zh) | 2018-01-16 |
Family
ID=61045144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610527535.3A Pending CN107590623A (zh) | 2016-07-07 | 2016-07-07 | 一种考虑地域物流服务能力的云制造服务组合优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590623A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805362A (zh) * | 2018-06-21 | 2018-11-13 | 福州大学 | 制造云服务方案的有效性判别及方案优选的方法 |
CN109447505A (zh) * | 2018-11-12 | 2019-03-08 | 重庆大学 | 一种基于用户心理行为的云制造知识服务优选方法 |
CN109447349A (zh) * | 2018-10-29 | 2019-03-08 | 浙江财经大学 | 一种面向网络化相关性感知的制造服务供应链优化方法 |
CN109636262A (zh) * | 2018-10-26 | 2019-04-16 | 北京中关村科金技术有限公司 | 一种订单处理方法、装置、***、计算机设备和存储介质 |
CN110188128A (zh) * | 2019-05-29 | 2019-08-30 | 南京邮电大学 | 一种以节能为导向的云数据中心***服务质量保障方法 |
CN110572453A (zh) * | 2019-09-06 | 2019-12-13 | 杭州涂鸦信息技术有限公司 | 一种同可用区加权负载均衡的方法 |
CN110751292A (zh) * | 2019-10-12 | 2020-02-04 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN111027911A (zh) * | 2019-12-13 | 2020-04-17 | 江苏佳利达国际物流股份有限公司 | 一种自动化物流仓储运输调度*** |
CN111428148A (zh) * | 2020-03-26 | 2020-07-17 | 北京航空航天大学 | 一种适于制造过程规划的智能优化算法推荐方法 |
CN112776342A (zh) * | 2021-01-07 | 2021-05-11 | 北京航空航天大学 | 面向用户个性化定制的3d打印组合服务流程生成方法 |
CN112819409A (zh) * | 2021-02-02 | 2021-05-18 | 河北工业职业技术学院 | 一种基于云物流的维修器材配送*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102780765A (zh) * | 2012-06-27 | 2012-11-14 | 浙江大学 | 一种基于性能融合的云制造服务资源匹配与组合方法 |
CN103002028A (zh) * | 2012-11-26 | 2013-03-27 | 南京大学 | 一种基于QoS的历史记录和聚类的服务优化方法 |
CN105574685A (zh) * | 2016-02-02 | 2016-05-11 | 浙江工业大学 | 一种基于主客观结合的云服务评价方法 |
-
2016
- 2016-07-07 CN CN201610527535.3A patent/CN107590623A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102780765A (zh) * | 2012-06-27 | 2012-11-14 | 浙江大学 | 一种基于性能融合的云制造服务资源匹配与组合方法 |
CN103002028A (zh) * | 2012-11-26 | 2013-03-27 | 南京大学 | 一种基于QoS的历史记录和聚类的服务优化方法 |
CN105574685A (zh) * | 2016-02-02 | 2016-05-11 | 浙江工业大学 | 一种基于主客观结合的云服务评价方法 |
Non-Patent Citations (2)
Title |
---|
张天云 等编著: "《工程选材综合评价》", 31 May 2011 * |
石亮: "基于网格技术的区域物流信息服务组合优化研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108805362A (zh) * | 2018-06-21 | 2018-11-13 | 福州大学 | 制造云服务方案的有效性判别及方案优选的方法 |
CN109636262A (zh) * | 2018-10-26 | 2019-04-16 | 北京中关村科金技术有限公司 | 一种订单处理方法、装置、***、计算机设备和存储介质 |
CN109447349B (zh) * | 2018-10-29 | 2022-04-19 | 浙江财经大学 | 一种面向网络化相关性感知的制造服务供应链优化方法 |
CN109447349A (zh) * | 2018-10-29 | 2019-03-08 | 浙江财经大学 | 一种面向网络化相关性感知的制造服务供应链优化方法 |
CN109447505A (zh) * | 2018-11-12 | 2019-03-08 | 重庆大学 | 一种基于用户心理行为的云制造知识服务优选方法 |
CN110188128A (zh) * | 2019-05-29 | 2019-08-30 | 南京邮电大学 | 一种以节能为导向的云数据中心***服务质量保障方法 |
CN110572453A (zh) * | 2019-09-06 | 2019-12-13 | 杭州涂鸦信息技术有限公司 | 一种同可用区加权负载均衡的方法 |
CN110751292A (zh) * | 2019-10-12 | 2020-02-04 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN110751292B (zh) * | 2019-10-12 | 2022-05-03 | 浙江财经大学 | 一种基于遗传算法的云制造多视角协同调度优化方法 |
CN111027911B (zh) * | 2019-12-13 | 2021-02-26 | 江苏佳利达国际物流股份有限公司 | 一种自动化物流仓储运输调度*** |
CN111027911A (zh) * | 2019-12-13 | 2020-04-17 | 江苏佳利达国际物流股份有限公司 | 一种自动化物流仓储运输调度*** |
CN111428148A (zh) * | 2020-03-26 | 2020-07-17 | 北京航空航天大学 | 一种适于制造过程规划的智能优化算法推荐方法 |
CN111428148B (zh) * | 2020-03-26 | 2021-11-05 | 北京航空航天大学 | 一种适于制造过程规划的智能优化算法推荐方法 |
CN112776342A (zh) * | 2021-01-07 | 2021-05-11 | 北京航空航天大学 | 面向用户个性化定制的3d打印组合服务流程生成方法 |
CN112819409A (zh) * | 2021-02-02 | 2021-05-18 | 河北工业职业技术学院 | 一种基于云物流的维修器材配送*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590623A (zh) | 一种考虑地域物流服务能力的云制造服务组合优选方法 | |
Thakkar | Multi-criteria decision making | |
Sun et al. | A dynamic feedback mechanism with attitudinal consensus threshold for minimum adjustment cost in group decision making | |
Xu et al. | Group consensus algorithms based on preference relations | |
Zeng et al. | Intuitionistic fuzzy social network hybrid MCDM model for an assessment of digital reforms of manufacturing industry in China | |
Khalili-Damghani et al. | A hybrid fuzzy multiple criteria group decision making approach for sustainable project selection | |
CN109063976A (zh) | 基于模糊层次分析法的智能制造能力成熟度评价方法 | |
Gong et al. | Undergraduate teaching audit and evaluation using an extended MABAC method under q‐rung orthopair fuzzy environment | |
Corney et al. | Putting the crowd to work in a knowledge-based factory | |
US20110093420A1 (en) | Computer-processing system scoring subjects relative to political, economic, social, technological, legal and environmental (pestle) factors, utilizing input data and a collaboration process, transforming a measurement valuation system regarding the value of subjects against an agenda | |
CN102915510B (zh) | 基于多级模糊综合评价模型的电力项目网络后评价*** | |
Akram et al. | Extensions of Dombi Aggregation Operators for Decision Making under m‐Polar Fuzzy Information | |
CN109493147A (zh) | 基于多层级模型融合的房产自动评估方法及*** | |
Biswas et al. | A New Spherical Fuzzy LBWA‐MULTIMOOSRAL Framework: Application in Evaluation of Leanness of MSMEs in India | |
Ngossaha et al. | Sustainability assessment of a transportation system under uncertainty: An integrated multicriteria approach | |
Kumar et al. | Performance analysis of supplier development programs | |
Bandyopadhyay | Comparison among multi-criteria decision analysis techniques: A novel method | |
Sadabadi et al. | A linear programming technique to solve fuzzy multiple criteria decision making problems with an application | |
Riaz et al. | Single-valued neutrosophic fairly aggregation operators with multi-criteria decision-making | |
Vasheghani et al. | Strategic planning for multimodal transportation in ports | |
Chen et al. | A hybrid emergency decision-making technique based on trapezoidal fuzzy best-worst method and zero-sum game | |
Momeni et al. | Providing a structured methodology for supplier selection and evaluation for strategic outsourcing | |
Salimian et al. | Transportation mode selection for organ transplant networks by a new multi-criteria group decision model under interval-valued intuitionistic fuzzy uncertainty | |
Ghotbuee et al. | An empirical study based on BSC-DEA to measure the relative efficiencies of different health care centers in province of Semnan, Iran | |
Beck et al. | How managers can deal with complex issues: A semi-quantitative analysis method of causal loop diagrams based on matrices |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |
|
RJ01 | Rejection of invention patent application after publication |