关于云制造服务供需匹配问题的认识，经历了从宽泛到狭义的演化过程。在早期的研究中，云制造服务供需匹配的概念相对广义，通常包括服务与需求的双重配置，以确定云制造服务与客户需求的明确映射关系为目标，故涵盖从制造任务形成到确定执行服务的整个过程（程颖，2015）。伴随云制造服务运作体系认识的持续深入，服务供需匹配逐渐限定于针对客户需求的服务发现与功能属性匹配，从而成为与服务邀约评价响应、服务组合优选、服务容错迁移等步骤相衔接的服务供需配置的一个环节。

作为面向服务架构系统的制造领域扩展，云制造服务发现匹配的现有解决方案对既有服务化架构研究具有明显的继承性。基于面向服务的Web本体语言（OWL-S）进行语义描述，从而构建服务本体模型是面向服务架构的典型解决路径。Sheng Buyun（2016）基于OWL-S确立了云制造服务智能搜索引擎，对其中的语义相似性匹配算法和语义推理引擎进行了具体定义和系统性刻画。针对面向服务制造系统中供需双方的有效与高效集成问题，Cheng Ying（2017）构建了制造服务供需匹配超级网络，其中分别包含了制造服务网络和制造任务网络，并通过两者之间超级边的定义来揭示服务供需双方间的匹配关联关系；谭伟（2014）则对面向服务制造模式下的服务自适应组织机制进行研究，从而定义了制造资源分类树，并形成了多粒度制造资源发现算法；而Zhang Yingfeng（2016）以加工机床和制造单元为例探讨了多粒度制造资源的服务化，并以之提出了任务驱动的云制造服务主动发现方法。

满足客户需求是云制造服务运作的根本所在，这也就决定了云制造服务发现匹配以找到具备相应功能的服务为基本目标。因此，功能属性刻画是云制造服务发现匹配的首要前提。李成海（2014）以属性分类的方式建立云制造服务的描述模型，通过同义词字典定义以规范检索关键词，从而结合属性字典完成匹配操作。杨腾（2015）在云制造服务功能属性的基础上纳入实时状态和服务质量构建了基于语义Web的本体模型，并以语义规则执行服务匹配。不同于大多数服务发现匹配研究以功能属性为主要指标，程幼明（2017）从非功能属性角度对云制造服务的筛选问题进行探讨，形成了快速简洁的筛选算法。(www.daowen.com)

通过对云制造服务功能与非功能属性乃至需求属性的模型化集成，可以构建云制造服务的供需匹配与协同模型。Guo Liang（2015）设计了基于Agent的制造服务发现框架，其中包含了基于对象扩展模型、分别作为供需角色的制造服务和制造任务Agent，以及制造供需匹配知识库。在此基础上，分别拟定了对供需主体静态参数进行匹配的结构化匹配方法和执行动态匹配的多Agent系统招投标机制。董元发（2018）基于元活动模型对多领域制造资源进行粒度化定义，并通过层次化封装形成云制造服务形态，运用灰色相似关联分析和粗糙集理论拟定了递归式服务查找策略。Gong Xiaorong（2019）围绕云制造平台上的机床供需匹配问题进行研究，构建了云制造服务需求的多质量因子模型和机床服务能力模型，并以之在机床供需间定义了逻辑映射模型，通过灰色关联理论对该模型进行了求解。Tao Fei（2017）基于超级网络规划了制造服务供需匹配仿真系统，为云制造服务供需匹配及调度分派的建模、仿真、评价与统计分析提供了有力的使能支持。

现有云制造服务发现匹配研究，多以基于语义描述的功能性属性指标为操作对象。因此，一方面，云制造资源服务的标准化与体系化将有利于对服务形态的系统化认知与管理，而语义本体等描述模型的发展则能够促进对服务进一步精细刻画，从而有效提升匹配的精准性；另一方面，伴随大数据技术的深入应用，对客户需求模式及匹配规则知识的挖掘利用日趋成熟，服务发现匹配的知识化、自动化、智能化趋势将成为应用主流。