服务邀约评价是云制造服务供需认选的起始核心环节，为清晰认知服务需求及制定后续响应策略提供基本依据。本文从粒度辨识视角出发，在确立服务邀约评价指标架构的基础上，对相关评价的一致性检验校正、缺失信息填补及面向联合响应的联盟群决策问题进行了研究，并以实例对相关策略进行了验证分析。鉴于邀约评价的复杂性，软集、模糊集、粗糙集、灰色系统等不确定理论被纳入决策方法的架构之中，从而实现对该问题的模糊化、参数化、粒度化等多维度结合的刻画和求解。

云制造服务邀约评价为有效准确的服务响应提供必要的决策支持。因此，本文基于服务对邀约的关切所在，确立了由盈利性、潜力性、风险性、友好性表达的细分指标形态及综合评价定性，形成了对服务邀约深入认知的基本规划。云制造服务邀约评价以对邀约及其发起者的全面认知与定性归类为主要目标，故其并非精准排序优选而是粗糙划分。基于这一求解本质，对于服务邀约的差异辨析与共性刻画成为评价过程的关键所在。因此，本文的粒度化研究视角契合了服务邀约的评价需求，通过将不可分辨关系与粗糙集理论纳入软集的决策框架之中，从而实现了对决策问题基于参数化架构的粒度刻画与求解。

评价标准的客观一致性是云制造服务邀约评价理性、可靠的基本保证。综合评价Performance是历史评价基于时间的纵向集结，而Invitation则是细分指标的横向整合。虽然评价来源不一，集结方式各异，但评价结论应该趋向一致。因此，以粒度为基本单位的评价一致性检验与校正是理顺评价认知与定性的重要环节。由于主客观因素的制约，云制造服务运作过程中部分决策信息的缺失偶有发生。现有缺失信息的处理策略各有缺陷，如删除法的数据损失，基于算法补全方法的效率限制，以常量或全局均值补全的被动无效用平衡等。因此，本文基于模糊软集粒度象的刻画形态对服务邀约的参数性质进行区别化解读，以同一粒度中的属性值为参考进行缺失填充，是一种主动的预测性认知行为，从而有效增加填补操作的针对性和可靠性，巩固了相应属性的决策作用。在该策略的应用中，粒度划分越细，则针对性和可靠性越强，这涉及属性集合的大小及相应模糊值的区分程度；同时，论域对象数量越多，则缺失补充操作的可操作性越强。不过需要注意的是，该策略对决策信息少量缺失的处理行之有效，但对高比例数据缺失则适用性不足。(www.daowen.com)

云制造服务联盟拟联合响应的邀约评价需要群体成员共同完成。软集、粗糙集及模糊集理论的融合发展为这一群决策达成提供了新的路径，从而使得各自固有的参数化、粒度化和模糊化表达不再彼此独立，泾渭分明，而是相互结合，互为补充。为集结语言描述的邀约综合评价，通过融合细分指标构建N伪软集以形成N软近似空间，从而定义了N软粗糙犹豫模糊语言集，并基于其上下及优势近似的界定，分别确立面向决策者风险态度的冒险法、保守法和折中法的客户化决策选择。群决策反映的是群体的认知与共识，而决策方案的达成源自个体决策表达的凝聚，故个体决策意见与群体共识越接近对群决策的支持性则越强。因此，根据个体与群体见解的符合状况确定专家权重是群决策求解中的普遍做法。遵循这一思路，本文首先计算个体决策间的灰色相似关联度，以集结生成各专家权重，从而形成了由部分到整体的系统化解决策略。由于对于K个决策个体，灰色相似关联度共计算（K2-K）/2次，故伴随决策个体数量的增长，该方法的计算复杂度将会较快增长。因此，当群专家数量过多时，考虑到高额的运算开销，可以个体决策的均值作为群决策的近似解执行接近程度衡量以产生专家权重。

基于云制造服务邀约评价的支持，服务以制造能力为限，在权衡自身实力与行业水准的前提下，制定合理的响应策略。鉴于邀约评价越高其竞争性越强，故服务不能以最优为唯一的响应原则，通常的理性策略是高低搭配，保底与优质相结合。而不同发展阶段的云制造服务的响应策略也存在战略性差异，从服务运营起始阶段的扩大影响、积累信誉与经验的基本发展规划，到形成卓越市场地位后的以高质量客户为主要目标，伴随自身实力的成长，其响应选择的门槛也会逐步提升。此外，如前文所述，某些特殊情境中的服务运营也会存在短期战术性的响应方案。在邀约评价、服务响应与制造实现的交互过程中，云制造服务需不断提升制造水平，优化管理体系，从而令云制造平台的整体服务运作沿着良性循环的路径持续发展。