理论教育 基于可信性能的云制造服务优选方案

基于可信性能的云制造服务优选方案

时间:2023-05-23 理论教育 版权反馈
【摘要】:云制造服务响应反映的是对任务的执行规划,而信任评价则体现了其对既定计划的执行性能,故基于二者整合的服务组合可信性能可对任务完成前景进行预测,在此运用模糊软集进行组合优选。对于可信性能由响应直接转化的情形,SCSP中任一组合可作为优选结果。

基于可信性能的云制造服务优选方案

云制造服务响应反映的是对任务的执行规划,而信任评价则体现了其对既定计划的执行性能,故基于二者整合的服务组合可信性能可对任务完成前景进行预测,在此运用模糊软集进行组合优选。

(1)可信性能整合

本节在定义可信性能结构的基础上对其整合方式进行归结。

定义5-4云制造服务可信性能定义为:

Prospece=(PT,PQ,PC,PS,PU,PO)

该定义架构中,PT,PQ,PC,PS表示服务执行任务时在时间、质量、成本和支持服务方面的性能预估,而PU,PO则表示组合的任务成功交付可能性和合作可能性。

云制造服务的可信性能由其响应性能Prospece和信任评价Trust按如下方式集结而成:

PT=RT*TT

PQ=RQ*TQ

PC=RC*TC

PS=RS*TS

PU=TU

PO=TO

作为初始化客户,在缺乏交易经验及伙伴支持以致信任评价难以完成的情况下,也可通过将信任指标均设为1,将服务响应直接转化为可信性能以执行组合优选。此时,指标PU、PO将不具辨别能力,可将其省略。

根据文献(Wang Dandan,2015)给出的服务组合样式,本文定义了云制造服务组合可信性能的整合策略如表5-1所示。该表中εsub为选择概率;π为循环次数。

与信任指标类似,各服务组合的可信性能指标也需进行归一化处理。PT,PC作为负向指标按如下公式进行:

PQ,PS,PU,PO作为正向指标按如下公式进行:

考虑到各指标的重要性存在差异,故基于专家法的判断矩阵产生各可信性能指标的权重ωn(n=1,2,...,N),其中N为指标总数,且在此N=6。(www.daowen.com)

表5-1 云制造服务组合可信性能整合

(2)基于模糊软集的组合优选

基于上一章筛选产生的服务集合(esourcekF(k=1,2,...,K),服务组合全集缩减为:

SCSF ={SCl∈SCS:(Sl)k ∈(Resourcek)F|k=1,2,...,K}

若其中包含的组合总数为M,则将该集合表达为:img,式中img。显然img

基于论域SCSF及服务组合的可信性能指标构成的参数集,以归一化处理后的指标值为模糊隶属度,构建模糊软集img。在该模糊软集的表格化样式中,每行均对应一个不同的服务组合,而每列则表示一个可信性能指标参数。以pmn代表img表格化形式中第m行、第n列的元素,即第m个服务组合的第n个参数值。在此,m=1,2,...,M,n=1,2,...,N。

基于模糊软集img,本文以水平软集和容差水平软集相结合的策略执行服务组合优选。水平软集的概念前文5.3.1中已经给出,而对于容差水平软集本文定义如下:

定义5-5对于模糊软集ℑ,定义精确软集img为关于水平软集img的容差水平软集。其近似函数Fµ:A→P(U)定义为:

式中,µ(a)=λ(a)−ρ(a),而ρ(a)称为参数a的水平容差,且0≤ρ(a)≤λ(a)。

对于每个参数,根据客户在指标上的个性化需求确定img(基于均值、P分位或更严格分位点),并令img,计算

从而确定

分别以imgimg阈值产生img的水平软集imgimg,且令imgimg分别代表它们表格化形式中的第m行、第n列的元素。计算imgimg中各组合加权选择值:

并令:

取在水平软集img中的加权选择值为img的服务组合img,令其在水平软集img中的加权选择值为img,若img不唯一,则取其中的最大值为img。定义服务组合集合:

若SCSP中有唯一元素,则该组合为最优服务组合,其组成服务依次承担子任务STk(k=1,2,...K)。否则,其中包含的组合需进行波动分析,以实现更清晰分辨。

对于可信性能由响应直接转化的情形,SCSP中任一组合可作为优选结果。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈