叶宝忠，陈 建

（桂林航天工业学院，桂林 541004）

0 引言

云制造是一种充分利用信息网络，以云平台为媒介，通过将分散的制造资源集中，再将集中的制造资源分散的运行机制，为制造用户提供适时所需的制造服务的制造新模式，其目的在于实现制造资源的高度共享与优化配置，以提高制造资源的使用效率以及制造业的制造效率[1]。随着制造业的不断发展和壮大，云制造技术日益普及，云平台用户与日俱增，越来越多的制造资源汇聚于云平台资源池中，如何从大量的资源池中选择最佳资源成为了当前的研究热点。Vahideh Hayyolalam[2]对云制造环境下服务组合与优化选择问题进行了系统地研究；Yanjuan Hu[3]基于灰色关联分析和TOPSIS法研究了云制造环境下服务商的优化决策问题；Yefeng Yang[4]提出一种基于能量感知的服务组合优化选择模型，以保证云环境下任务期间的高质量和低能耗；李海[5]、尹超[6]、龚小容[7]对云制造环境下机床装备资源的选择方法进行了研究；程元[8]给出了云环境下3D打印设备的优选方法；王晓妍[9]探究了云制造环境下的数控装备资源服务匹配方法；王有远[10]提出一种云环境下设备资源与加工任务匹配方法；周树林[11]给出了云制造中生产设备资源的服务化封装方法。

上述文献均对云制造及其制造资源的选择与组合问题进行了深入研究，并取得重要进展，总体看来，目前更多的是侧重于机械、机床、设备等硬资源的关注。众所周知，云制造资源中除了以上硬资源以外，还存在如人力资源、知识资源、能力资源等软资源，而这类软资源也是云制造资源不可或缺的组成部分，在实现云制造模式的过程中扮演着重要角色。其中，知识资源作为典型的软资源，贯穿于制造生产周期中的各个环节。随着市场竞争的加剧，产品更新换代的速度也日趋加快，制造企业对于知识资源的需求也会更加旺盛和迫切。另一方面，从供需双方选择匹配的角度来看，现阶段针对制造资源需求方选择提供方的研究较多，而对于提供方选择需求方的关注鲜为少见。不言而喻，在云环境中，制造业供需双方在进行选择匹配时，优质的制造资源提供方往往是需求方青睐的对象，其时常会同时面对多个需求方的资源需求，而此时，提供方该如何从中做出选择也是亟需解决的问题。

然而，当前研究中没有文献确切地提出云制造环境下知识资源提供方对需求方的评价选择方法，鉴于此，为解决知识资源提供方对需求方的优选决策问题，本文通过深入分析知识资源供需双方的特点，建立知识资源需求方的评价指标体系，进行多指标决策。首先，采用变精度粗糙集模型，充分利用提供方在云平台中的选择交易历史记录，获得评价指标的客观权重，其次，将AHP法予以改进，求解评价指标的主观权重，并基于评价指标的主客观权重对其综合权重进行确定，再结合归一化后的需求方的需求信息，求得需求方的综合需求价值，为提供方的选择提供参考依据。

1 知识资源需求方的评价模型

1.1 评价指标的确定

知识资源是云制造资源中极为重要的资源，依据文献[12,13]的研究，并结合云制造环境下知识资源供需双方的特点，采用QoS评价技术[14]，从服务需求维、双方交互维及素质品德维三个维度对需求方进行评价，其评价指标体系如图1所示。

图1 知识资源需求方评价指标体系

1）服务需求维。服务费用(p1)指知识资源需求方愿意且能够为提供方支付的报酬（万元）；需求时间(p2)指需求方所要求的提供方为其提供服务的时间（天）。该类数据由知识资源需求方直接上传至云平台中。

2）双方交互维。知识相似度(p3)表示知识资源供需双方的知识结构的相似程度，若双方知识相似度较高，则知识资源在供需双方之间传递和转移的速度较快，有助于供需服务的完成。设知识资源供需双方的相关知识的掌握程度分别为ks,i和kd,i定义其知识相似度为:

双方交易历史(p4)代表知识资源供需双方在云平台中已经有过的相互交易的次数，为了便于服务过程中双方之间的沟通与协作，云制造平台中的企业会更倾向于与有过交易历史的伙伴进行合作，以提升服务效率。该数据可由云平台数据中心获得。

3）素质品德维。服务稳定性(p5)指知识资源需求方与提供方所定下的需求服务的稳定性；服务安全性(p6)是指需求方对提供方的重要知识信息的保护能力，由于知识型提供方企业的信息安全尤为重要，所以服务安全性是评价需求方的重要指标。假设某需求方于云平台中与提供方所定下的需求服务总次数为k，而其违约或者半途违约的次数为a；出现对提供方重要知识信息泄露的情况的次数为b，则:

结款速度(p7)表示需求方为提供方支付报酬的速度（元/天）。设某需求方应为提供方支付的总报酬为c元，账款结清的时间周期为d天，则:

1.2 问题的描述

设某知识资源提供方面对n个候选需求方的需求，需求方集为R={r1,r2,...rn,}T，各候选需求方的评价指标属性值记为ri={pi1,pi2,...pi7}T，由此，候选需求方的指标属性集可以表示为:

本文要针对解决的问题是：知识资源提供方如何根据候选需求方指标属性集，科学地做出决策，从中选择最佳。

2 选择模型与方法

2.1 评价指标客观权重的计算

因变精度粗糙集模型[15]具备较强抗干扰能力，可以较好地获得指标的客观权重，因此，本文采用该模型进行知识资源需求方评价指标客观权重的求解，并由K中心聚类方法[15]进行聚类化处理。

设四元组集合I=(U,A=CUD,V,F)表示知识资源提供方的相关信息。其中，U代表实例对象，z条选择交易历史表示为U={x1,x2,...xz}；A为指标属性的集合，其中C={a1,a2,...am-1}为指标属性集，D={am}为决策属性集；V为A的值域；F指各指标属性反映到值域中的具体信息。

定义1：设X、Y表示实例对象论域的非空子集，且存在X⊆Y，则有：

式(5)中，丨X丨表示集合X的基数，c(X,Y)表示X关于Y的相对错误分类率，若指定0≤β＜0.5，则有多种包含关系存在，当c(X,Y)=0时，表示X被Y标准包含。

定义2：在β∈[0,0.5]时，Yj的β下近似为：

定义3：定义指标对数据对象的分类能力以指标属性信息量进行表示[16]，则对于指标αp，由以下式子对其信息量γ(αp)进行求解：

式(7)中，Xi代表实例对象U根据指标αp所得出的等价类，丨Xi丨指所得等价类的基数。

定义4：丨Xi丨定义在根据决策属性进行分类时，决策属性对指标属性的依赖程度由指标属性的被依赖度予以表示[17]，则对于指标αp，由下式求得其被依赖程度λ(αp):

因γ(αp),λ(αp)代表的是指标重要程度的不同方面，所以对二者进行综合考虑，采取下式对指标的客观权重进行求解：

2.2 评价指标主观权重的计算

考虑到传统AHP法在确定评价指标主观权重时，采用1～9级标度进行两两比较从而构建判断矩阵，存在一定局限，即1～9级标度概念不完全清晰，具有一定的模糊性，而专家的主观判断主导具体标度值的确定，因此易使结果在一定程度上背离实际[18]。此外，传统AHP法需要进行一致性检验，若一致性检验不通过，即判断矩阵不具一致性，会对AHP法的优选排序功能造成破坏，从而需要重新对判断矩阵予以构建，违背专家本意且计算作业量较大。因此，文中采用三级标度法进行两两比较构建比较矩阵，以避免1～9级标度的模糊性，实现对AHP法的改进，并且计算结果无需进行一致性检验，减轻计算作业量，也能提高精度，具有较好的适用性[19]。其具体步骤如下:

1）根据改进AHP法所采用的三级标度（如表1所示）。

表1 三级标度值及其含义

对各评价指标进行两两比较构建比较矩阵A，如式(10)所示（设有n个指标）。

2）计算重要性排序指数ri:

3）构造判断矩阵B，B中的各元素bij由下式求解:

4）求判断矩阵B的传递矩阵C，C中的元素为cij，由式(12)予以确定:

5）求传递矩阵C的最优传递矩阵D，采用下式确定D中的元素dij：

6）求判断矩阵B的拟优一致性矩阵B′，矩阵B′中的元素为b′ij，其中：

7）求解B′中的每一行元素的积Ni：

2.3 评价指标综合权重的计算

为了能够使得知识资源提供方做出科学的选择，将以上所获得的评价指标的主客观权重进行综合，以消除因单方面权重带来的片面与局限。根据评价指标，记由变精度粗糙集模型所得的各评价指标的客观权重为:

记由改进AHP法所得的各评价指标的主观权重为:

采用式子:

求解各评价指标的综合权重：

2.4 需求方综合需求价值的计算及优选

不同评价指标具有不同的量纲，为了求解候选知识资源需求方的综合需求价值，需要对指标进行标准化和归一化处理。

根据候选需求方的指标属性集：

由式(19)、式(20)：

进行标准化处理。式中，max pj，min pj分别表示需求方指标属性集中第j项指标列的最大值和最小值。对于正向型指标采用式(19)进行标准化，如服务费用p1、知识相似度p3、双方交易历史p4、服务稳定性p5、服务安全性p6、结款速度p7；对负向型指标采用式(20)进行标准化，如需求时间p2，由此得标准化矩阵R′如下:

标准化处理后，根据式(21)所示：

进行归一化处理，得到如下矩阵：

采用式(22)求解知识资源候选需求方的综合需求价值cdv(comprehensive denand value)：

通过以上计算得各候选需求方的综合需求价值之后，对其进行排序，知识资源提供方从中选择综合需求价值最大的需求方，作为服务选择对象。

3 算例验证及分析

以某汽车研发企业H为例，该企业专注于汽车发动机的研发设计，在云平台中提供相应的研发服务。此时，通过云平台资源池中的搜索，五家需求企业r1,r2,r3,r4,r5同时有对企业H的知识资源的需求愿望，均欲借助于企业H的研发知识与研发人员，快速研发一款新产品，抢占市场先机。已知五家需求企业的需求信息如表2所示。

表2 需求方的需求信息

针对知识资源提供方企业H如何从中选择最优需求方作以下决策与分析。

3.1 确定评价指标的客观权重

利用变精度粗糙集模型，可以从企业H于云端的选择历史记录数据中分析各指标的客观权重，本案例抽取了8条归一化后的选择历史记录作推理演示，如表3所示：

表3 企业H的选择历史记录

以聚类群数量为5，由K中心聚类方法将表3数据进行聚类化处理可得到表4数据。

表4 聚类化处理后企业H的选择历史记录

取β=0.4，通过式(6)求得Y1，Y2关于条件属性p3的β下分布分别为，代入式(8)求得p3的被依赖程度为:

将以上数据代入式(9)可得各评价指标的客观权重为:

3.2 确定评价指标的主观权重

由图1所示的评价指标体系，邀请相关专家对指标体系中的各维度进行两两比较，确定其相对重要性，得如下比较矩阵A,

采用式(10)～式(17)可求得各维度的权重为：

同理，对不同维度下各指标的权重进行两两比较构造比较矩阵求其权重。

服务需求维、双方交互维、素质品德维下各指标的两两比较矩阵分别如下:

由式(10)～式(17)计算不同维度下的指标权重，有：

3.3 确定评价指标的综合权重

根据以上，由式(18)得各评价指标的综合权重为:

3.4 求解需求方的综合需求价值并选择

根据需求方的需求信息，采用式(19)～式(21)可得归一化后的数据信息表，如表5所示。

表5 归一化后需求方的需求信息

由式(22)得各需求方的综合需求价值如表6所示。

表6 各需求方的综合需求价值

由此可知，Cdv(3)＞Cdv(4)＞Cdv(1)＞Cdv(2)＞Cdv(5)，需求方的综合需求价值最大，企业H应该选择需求方r3，为其提供研发服务。

3.5 提供方满意率分析

本文运用满意率来检验选择方法的性能，定义知识资源提供方的满意率为提供方所满意的选择次数与其选择总次数之比，如式(23)所示：

根据现存的选择方法[20]，通过实验模拟15次不同的知识资源服务选择，每次模拟由50个知识资源提供方对需求方进行优选，分别比较无差异选择法（所有评价指标以相同的权重进行选择）、主观选择法（仅根据提供方的主观偏好权重进行选择）、本文的选择方法（同时考虑评价指标主客观权重的选择方法）。在不同的选择方法下，提供方对于结果的满意率变化趋势和对比如图2所示。

图2 不同选择方法下提供方满意率变化与比较

由图2可得，随着选择匹配次数的增加，文中所采用的选择方法与现有的方法相比，由于考虑了较为完善的评价指标，且知识资源提供方对需求方进行选择时，在各评价指标的客观权重基础之上同时兼顾到了评价指标主观权重方面的因素，所以提供方对于选择结果的满意率得到提高，且稳定性越来越好。

4 结语

云制造环境下，制造资源供需双方时刻都在进行着相互之间的选择和匹配，如何从大量的制造资源集中选择最佳是双方亟需解决的问题。本文针对云平台中知识资源需求的优选问题，提出一种基于需求方综合需求价值的选择方法。该方法采用精度粗糙集模型，通过分析提供方的交易历史记录，挖掘出各评价指标的客观权重；根据提供方对评价指标体系中各维度、各指标的不同偏好重视程度，运用改进的AHP法，求解各评价指标的主观权重，进而获得指标的综合权重；然后结合归一化后的需求方的需求信息，最终求得需求方的综合需求价值，为知识资源提供方的选择提供依据。案例及实验结果表明该方法不仅能够对本文提出的问题予以较好的解决，还可以在一定程度上对提供方的选择满意率予以保证。下一步将融合企业文化方面的信息，对知识资源供需双方的选择匹配问题予以展开，进一步完善云制造环境下知识资源的服务优选。