其他融合型软集决策方法的优化

除以上模糊软集决策方法外，还有学者将粗糙集理论、灰色系统、推理分析、不确定度量等技术应用于决策过程中。此外，Liu Xi基于参数间的等价关系辨识研究了粗糙软集的决策应用方法。灰色系统理论与软集融合决策灰色系统理论是由邓聚龙提出的用于解决信息不完备系统的数学方法。Tang Hongxiang提出了基于灰色关联分析和D-S证据理论的模糊软集决策方法。

理论教育 2023-05-23

解决云制造服务中断问题的服务迁移决策方案

在云制造服务的任务执行过程中，基于前文所述各类潜在异常因素的干扰，制造服务任务可能被迫中断。图6-2云制造服务迁移决策运作流程图在该机制的决策方案下，当前任务执行方与确定的服务迁移对象进行任务交割。于是，新的服务加入需求方的任务执行序列，完成对已有调度计划的修正，从而维持云制造服务的平稳运作状态。

理论教育 2023-05-23

面向广义再制造的服务迁移决策算法优化方案

本文所定义的面向广义再制造的服务迁移决策机制，基于客户的制造需求，以再制造理念处理服务中的突发异常，从而以资源集约、节能降耗的方式实现调度计划的平滑修正。Step6 由当前任务执行方给出RSCR中各服务的再制造信任TrustR ，并与其ResponseE集成为再制造可信性能ProspectR。Step10 运用Dempster证据合并规则，整合各参数对应的概率指派函数，并产生RSCR中各服务的信度支持，从而以之排序优选，完成决策。

理论教育 2023-05-23

研究服务异常的处理方法

为保证云制造服务的稳健可靠、实用低耗，服务运作中积极高效的异常处理策略不可或缺。服务迁移是云制造服务容错处理的重要策略，但目前关于云制造服务迁移的研究还为数不多。通过研读现有云制造服务运作异常处理研究可以发现，相关工作主要集中于异常因素的辨识归类及应对措施的导向性探讨，而对于异常处理具体策略的可操作性实现规划有待进一步深入，尤其是基于制造专业特性的服务迁移研究目前尚属鲜见。

理论教育 2023-05-23

制造资源虚拟云端化与云制造服务智能配置决策分析

本文在探讨制造资源虚拟云端化的形式化描述方法的基础上，构建了云制造服务供需智能配置框架与决策机制顶层架构，并以之为依托，对其中的各参与主体进行了系统性刻画，梳理了云制造服务供需认选作业流程，对其中的核心决策环节进行了重点分析。

理论教育 2023-05-23

群决策实现：基于粒度化方法的优化方案

本文在定义N软粗糙犹豫模糊语言集的基础上，结合前文形成的各服务邀约的融合Invitation，实现粒度化的群决策过程。表示语言变量oi对语言措辞集的可能度，也将其称为犹豫模糊语言元，是犹豫模糊语言集的组成元素。

理论教育 2023-05-23

面向广义再制造的服务迁移决策方法的结果分析

通过运用面向广义再制造的服务迁移决策方法，6.4.1中的实例得以求解，现对相关结果做如下分析：基于任务执行可信性能的筛选策略考虑到云制造服务运作以满足客户需求为根本目的，故服务迁移决策的第一阶段基于任务的执行可信性能而实现。此外，鉴于服务迁移成本由当前任务执行方承担，故价格因素未列入任务需求方决策框架。

理论教育 2023-05-23

服务邀约评价需求分析

基于众多客户需求驱动，融入云制造平台的虚拟化制造服务很可能会在同一时段接收到来自多个客户的服务邀约。考虑到服务制造能力的限制及优化配置的有效性，云制造服务不能同时响应所有服务邀约，而只能在不超出能力范围的前提下，有选择性地对部分邀约予以响应。为了充分发挥有限的制造能力以获取更好的运营回报，云制造服务需对当前邀约及其发起者予以全面评价，从而为制定合理的响应策略提供必要的决策支持。

理论教育 2023-05-23

构建模糊软集求解服务邀约指标体系下的评价融合

基于服务邀约组成的论域U和Invitation的指标体系，构建模糊软集，令N=3，以0.5，0.75，0.9为阈值从而确定的粒度象如表4-3所示。从中可以发现，c9，c12和c13相互间不可分辨，且c9的综合评价与其余二者并不一致。再次，服务对于存在信息缺失的c4进行补全处理。根据公式4-2，分别得到ε12=0.759，ε23=0.714，ε13=0.653根据公式4-3，确定各成员权重分别为：v1=0.332，v2=0.346，v3=0.322基于成员权重将各自Invitation评价指标集结为融合评价如表4-7所示。

理论教育 2023-05-23

基于信息熵和D-S证据推理的服务优选方法

在接收到筛选决策生成的RSCR后，云制造服务调度平台将其与对应服务响应中的再制造性能信息转发至当前任务执行方，进行服务优选。具体内涵可参照5.3.1中的界定。基于服务的再制造响应信息与再制造信任可集结产生服务的再制造可信性能。基于信息熵与D-S证据推理的优选对于筛选服务集合RSCR，令m=|RSCR|，则该集合可记为RSCR ={Ri|i=1，2，...m}。

理论教育 2023-05-23

服务供需市场化分析

云制造服务供需对接、协同合作的过程不仅仅是技术层面的识别配对、协作交接，还是一系列基于平台市场的价值转化的运作行为。因此，关于云制造服务供需交互的市场化分析也是本领域研究的重要组成部分。云制造服务的宏观市场配置是平台及各参与主体间多方博弈的过程，故现有研究多基于博弈模型展开讨论。鉴于现有研究对云制造QoS的广泛刻画，服务供应方的评价指标成熟稳定，但需求方的评估指标还有待深入认识。

理论教育 2023-05-23

云制造服务的需求分析和优选组合

云制造服务优选与传统制造模式下资源配置的目标一致，即安排一组资源执行特定任务。于是，云制造服务的可信评价成为组合优选研究中的重要视角。

理论教育 2023-05-23

服务组合优选的方法

云制造服务组合优选的方法主要包括启发式搜索算法、数学决策模型及多准则决策技术、人工智能与系统科学方法等。其主要解决思路是在所有候选方案中对全局最优的制造服务组合进行搜索。Xiang Feng基于云制造大数据构建服务组合用例库，实现了对优化算法的有效、便捷初始化。但同时，由于云制造服务组合优选决策问题的规模通常较为庞大，该方法也表现出决策效率不高、分辨能力不足的局限。

理论教育 2023-05-23

建立云制造服务邀约评价机制解决信息失真导致评价失衡的问题

为便于基础指标间的集成操作，Invitation的各评价指标以模糊数形式表达，而Performance则基于历史评价方式呈现为分数量化、星级评定或笼统语言等形式。图4-1云制造服务邀约评价决策机制架构图鉴于Invitation与Performance来源于不同的信息渠道和生成方式，彼此间存在由信息失真导致评价失衡的可能。

理论教育 2023-05-23

基于可信度评价的云制造服务优选方法

本文基于云制造服务对服务需求的响应指标进行筛选的基础上，对它们各自的可信状况进行综合评价及波动性分析，实现云制造服务优选。响应解析制造云池根据各子任务的制造需求发现匹配的云制造服务后，会向其发出服务邀约。由于参与联合响应的云制造服务有多类不同的响应指标值，故在进行服务响应指标统计时，应先确认该服务在当前组合中是否为联合响应，若是则以对应的联合响应指标计算，否则以随机响应指标计算。

理论教育 2023-05-23

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。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。

理论教育 2023-05-23