基于信任模型的云制造服务评价与匹配方法与流程

本发明属于云制造技术领域，具体的为一种基于信任模型的云制造服务评价与匹配方法。

背景技术：

随着信息技术迅速发展，以应用服务提供商、制造网格、敏捷制造、全球化制造等为代表的网络化制造模式，日渐成为制造业企业应对知识经济、制造全球化、快速响应市场需求、提高企业竞争力等目标的一类先进制造模式。虽然网络化制造在资源服务化建模与封装、资源配置与调度、协同设计、工作流管理等领域取得了一定成果,但其无论在技术上还是运营模式上还存在着缺乏完善的运营服务模式、不能实现动态智能的制造资源共享与分配、缺少终端物理设备智能接入实现技术、没有有效的安全解决技术和手段等瓶颈问题，导致网络化制造的资源服务提供者和资源服务需求企业无法取得显著的经济效益,制约了网络化制造进一步推广与发展。针对当前制造业信息化发展和应用过程中遇到的瓶颈问题，结合云计算、物联网、面向服务的技术、高性能计算技术等理念和新技术，提出了一种面向服务的、高效低耗和基于知识的网络化制造新模式——云制造(cloudmanufacturing，cmfg)，并已在学术界和工业界都得到了广泛的认可。它将各类制造资源和制造能力虚拟化、服务化，构成制造资源和制造能力池，并进行统一的、集中的智能化管理和经营，实现智能化、多方共赢、普适化和高效的共享和协同，通过云制造系统为制造全生命周期过程提供可随时获取的、按需使用的、安全可靠的和优质廉价的服务。

云制造充分融合了现有先进的制造模式，以及信息科技最新的研究成果，特别是云计算技术，突出体现并拓展了云计算所秉承的“一切皆服务”思想，将制造全生命周期过程所涉及制造资源都封装成了制造云服务，通过服务提供者(serviceprovider)、服务请求者(servicerequester)和服务管理平台(servicemanagementplatform)三个基本角色的交互，完成服务的发布、查找、组合、绑定和调用等活动。服务管理平台的服务一般保持着较小的粒度，即以功能相对简单的单个服务或原子服务的形态出现。当服务请求者提出复杂任务需求时，单个服务往往不能满足用户的需求，就需要将若干个服务进行组合，形成功能更强的组合服务以实现服务增值的目的，即服务组合。要通过服务组合来完成一个任务，一方面是将一系列服务按照一定的流程和规则构造成服务组合的执行路径，另一方面要能从大量的提供同一功能的服务中选取出一组具有良好的服务质量(qos)、较高的用户满意度的服务(即服务组合的优选)。

在云制造模式下，用户所面对的只是一个虚拟的云，从中得到资源与服务。服务资源组合也都在云平台上完成配置优化。然而近年来，伴随着电子商务的发展，各种网络欺诈行为层出不穷，不仅损害了交易主体的利益，还给在线交易带来了巨大的信任危机，严重影响了网络化交易模式的发展。云制造环境下，交易内容要比传统的电子商务复杂得多，涉及产品设计、制造乃至维修维护阶段的几乎所有过程，不仅交易持续时间长、范围广，而且交易金额较大。因此，如何解决交易中的服务信任问题，建立公平、可信的交易服务网络，维护各方利益、降低风险，是云制造模式应用实施过程中面临的关键问题之一。在云制造服务模式中,服务请求者与提供者之间良好的信任关系是服务交易的基础，也是云制造服务实施优化配置的保障。所以如果信任问题得不到很好的解决，云制造模式的落地应用及推广将面临巨大的困境，这对制造业的转型升级非常不利。

目前,对于云制造领域内的研究主要集中在云制造服务共享平台的体系架构和运行模式、资源虚拟化与使用、资源优化配置以及实际应用等方面，对于服务综合信任评价模型的研究较少。同时在现有关于信任模型的研究中，主要关注信任的评估方法以及信任模型的应用,都没有考虑服务质量不稳定情况带来的波动影响。云制造资源共享环境下企业在长期服务过程中提供的服务质量存在波动性,将对企业的信任评估产生一定的影响,同时影响企业间的服务合作关系。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于信任模型的云制造服务评价与匹配方法，以解决如何提高企业间服务合作稳定性问题，确保服务系统交易成功率，确保服务双方的利益最大化，满足云制造服务平台的运营需求。

为达到上述目的，本发明提供如下技术方案：

一种基于信任模型的云制造服务评价与匹配方法，包括如下步骤：

步骤一：利用云服务资源池中的历史服务过程监控数据和服务结果评价数据，构建服务满意度评价指标体系，量化服务满意度，获得每次历史服务满意度评价信息；

步骤二：引入时效性函数表征服务综合信任模型评价值随时间的变化关系，利用牛顿冷却定律拟合时间衰减函数，得到服务满意度时效性函数；

步骤三：在云服务资源池中建立以直接满意度和推荐满意度为指标的全局服务满意度；

步骤四：依赖于历史服务满意度波动性大小，计算出服务满意度波动性，并将服务满意度波动大小作为奖惩依据对全局服务满意度进行修正，得到云服务资源池的服务综合信任模型；

步骤五：使用遗传进化算法对服务综合信任模型求解，得到最优的云制造服务资源组合方案。

进一步，所述步骤一中，所述服务满意度评价指标包括直接反映合作企业的服务水平的直接性指标和间接反映合作企业的服务水平的间接性指标；

所述直接性指标包括：

服务成功率：rss＝ns/nc，

服务成本偏差：dic＝cvp-ca，

服务可靠性：rs＝tsf/ts，

交付及时率：rid＝tid/nc，

服务响应率：rsr＝nr/nrb；

所述间接性指标包括：

服务合作率：rsc＝nc/nr，

能耗等级：ke＝kj/kave，

售后服务率：ras＝nac/nar，

近期活跃度：

其中，rsr为服务响应率；nr为服务请求者向云平台发出合作请求的响应次数；nrb为云平台向资源提供者发出的请求次数；

dic为服务成本偏差；cvp为云服务资源池的成本；ca为候选资源组合中所有资源服务的评价成本；

rs为服务可靠性；tsf为资源服务失效时间；ts为服务时间；

rid为交付及时率；tid为合作企业近期交付及时次数；nc为合作次数；

rss为服务成功率；ns为服务资源在近期服务成功次数；

rsc为服务合作率；

ke为能耗等级；kj为资源服务的能效值；kave为该类服务平均能效值；

ras为售后服务率；nac为售后出勤次数；nas为用户售后请求次数；

ar为近期活跃度；γ为修正系数；

根据各项服务满意度评价指标所对应的权重向量的不同，构建云服务资源池的历史服务满意度评价指标矩阵：

其中,tkh表示第k次匹配云制造任务tpr获取的第h个服务满意度评价指标值；各项指标所对应的权重向量为：w＝(wk1,wk2,…,wkh,…,wkj)(0≤wkh≤1)，且wk1+wk2+…+wkh+…+wkj＝1；

其中，第k次的服务满意度sk计算公式为：

进一步，所述步骤二中，所述服务满意度时效性表征历史服务满意度随时间变化的关系；每次服务交易后,服务满意度反映服务评价者对云制造服务的主观认可程度,但其认可程度将随时间而发生衰减，引入牛顿冷却公式表征其时效性函数，则第k次云制造服务的时效性函数计算公式为：

其中，εh表示第h个服务满意度评价指标的时间衰减速率，属于时间衰减速率集合ω＝{ε1,ε2,…,εh,…,εj}，衰减速率εh与服务双方近期的合作紧密程度和指标稳定性有关，指标稳定性由服务满意度评价指标近期的数值方差决定,反映服务满意度评价指标的变化趋势；

δt为调用云服务资源池服务满意度的时刻ti与第k次的服务满意度记录时刻tk的差值，即δt＝ti-tk。

进一步，所述步骤三中，所述直接满意度为：

所述推荐满意度为：

相关约束条件为：

其中，cr,k为推荐可信度，集合a＝{b1,b1,…,bs,…,bz}(bs∈n,a∈ssq)，n是自然数集，ssq为云服务序列集合，a不包含云制造任务tpr对应的云服务序列号；δ为直接满意度属性变量，φ为推荐满意度属性变量；

根据直接满意度sd间接满意度sr，采用线性权重分析法获得全局服务满意度：

sgs＝μsd+(1-μ)sr

其中，μ为直接满意度的权重值。

进一步，推荐可信度cr,k表示云资源服务池对起推荐作用的云服务的服务满意度的信任度，随着这类云任务对云资源服务组合的评级次数增加而变化，计算公式如下：

进一步，直接满意度的权重值μ的计算方法如下：

其中，sgs,k为第k次获得的全局服务满意度。

进一步，所述步骤四中，通过全局服务满意度和服务满意度波动性两个因素综合评判，将服务综合信任值作为整体评价服务可靠性的指标，得到服务综合信任评价模型：

约束条件为：

其中，为任务请求企业能接受的服务满意度波动性阈值，值越小，表示任务请求企业对合作企业提供服务的稳定性要求越高；

a0为惩罚修正因子，λ为奖励修正因子；

vss为服务满意度波动性。

进一步，根据云制造任务tpr和其他云制造任务各自形成的近期服务满意度波动性对全局服务满意度产生的影响不同，将服务满意度波动性分为直接波动性和间接波动性，采用了权重分析法得到服务满意度动性vss的计算公式为：

vss＝ωvssd+(1-ω)vssr

其中，vssd为服务满意度的直接波动性，表示云制造任务tpr的服务满意度波动性；vssr为服务满意度的间接波动性，表示其他云制造任务的服务满意度波动性；ω为服务满意度直接波动性的权重系数。

进一步，服务满意度直接波动性的权重系数的计算方法如下：

进一步，所述步骤五中，使用遗传进化算法对服务综合信任模型求解，得到最优的云制造服务资源组合方案的方法如下：

步骤41)：设每一个云制造服务决策为遗传进化算法中的个体，采用矩阵实数编码表示个体：

其中，矩阵x中的元素aij表示三层含义：①行标i表示其所属的云任务路径pi，②列标j表示其所对应的候选服务集cssj，③取值为[0,|kj|]中的整数，kj表示候选服务集cssj有kj个候选云服务；若aij≠0，则表示候选服务集cssj中的第aij个候选服务被选出；若aij＝0，则表示云任务路径pi在候选服务集cssj中未选择任何服务，即不覆盖任务；

步骤42)：初始化种群，采用列随机方法产生初始种群的所有个体，然后采用正比选择策略，对个体的适应值进行轮盘选择，其中个体在种群中选择概率公式为：

其中，f(xi)为第i个个体对应的适应值；

步骤43)：对遗传进化算法个体采用交叉变异操作，根据矩阵实数编码的特殊性，设计了列变异算子、行变异算子和点变异算子三种操作策略对实数编码矩阵变换操作，形成新的个体：

最后采用局部锦标赛选择法，保留父辈个体与子辈个体中适应值较大的个体；

newx1＝max_fitness(parentx1，childx1)

步骤44)：对于各个阶段的适应性函数，引入惩罚函数策略，对适应性函数进行更新，适应性目标函数模型为：

相关约束条件为：

其中xi为任务决策变量，y(i,j,k)为服务决策变量；

其中对于任意任务路径pi和云制造任务tpr而言，有惩罚函数：

其中，κ是惩罚因子；

个体惩罚函数公式为：

结合前式得到适应值函数表示为：

f(xi，y(i,j,k))＝f1(xi，y(i,j,k))×q(xi,y(i,j,k))；

步骤45)：根据适应值函数f的大小对云制造服务集进行排序优选，f越大说明服务资源在提供服务的整个历史中越优；

步骤46)：重复步骤41)至步骤44)，对整个服务综合信任模型所涉及的云服务资源进行优选，直至每个云任务需求的制造服务内容都选取了最佳为止。

本发明的有益效果在于：

本发明基于信任模型的云制造服务评价与匹配方法具有以下技术效果：

1)提出了云制造环境基于信任模型的服务组合评价方法，实现服务需求与服务资源的匹配；通过构建了云制造服务组合序列，使用服务综合信任值量化匹配程度，解决现在服务评价方法不能实际拟合现实云制造服务匹配的问题；

2)引入互评机制增加服务双方信任关系的可靠性，并通过服务满意度时效性函数表征服务双方在长期交互过程中的信任关系，提高了云平台决策的时效性，表征服务质量不稳定情况带来的波动影响，的服务满意度波动性评价指标同时也提高了平台的稳定性和灵活性；

3)提出了以矩阵实数编码的改进遗传进化算法，引入惩罚函数修正适应值目标函数，并结合轮盘选择法和局部锦标选择法策略进行评价和优选，增强了云制造服务组合匹配的可靠性；

4)可广泛应用于云制造环境的服务的评价与匹配，使云服务交易过程更加灵活且易于管理，确保服务交易的成功率，确保服务双方的利益最大化，满足云制造服务平台的运营需求，随着云制造服务模式落地与实现，本发明将具有广阔的市场前景和应用价值。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明基于信任模型的云制造服务评价与匹配方法实施例的实现框架的框架图；

图2为服务满意度评价指标体系框图；

图3为服务综合信任模型框图；

图4为遗传进化算法流程框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

本实施例基于信任模型的云制造服务评价与匹配方法，包括如下步骤：

步骤一：利用云服务资源池中的历史服务过程监控数据和服务结果评价数据，构建服务满意度评价指标体系，量化服务满意度，获得每次历史服务满意度评价信息。

具体的，服务满意度评价指标包括直接反映合作企业的服务水平的直接性指标和间接反映合作企业的服务水平的间接性指标；

直接性指标包括：

服务成功率：rss＝ns/nc，

服务成本偏差：dic＝cvp-ca，

服务可靠性：rs＝tsf/ts，

交付及时率：rid＝tid/nc，

服务响应率：rsr＝nr/nrb；

间接性指标包括：

服务合作率：rsc＝nc/nr，

能耗等级：ke＝kj/kave，

售后服务率：ras＝nac/nar，

近期活跃度：

其中，其中，rsr为服务响应率；nr为服务请求者向云平台发出合作请求的响应次数；nrb为云平台向资源提供者发出的请求次数；

dic为服务成本偏差；cvp为云服务资源池的成本；ca为候选资源组合中所有资源服务的评价成本；

rs为服务可靠性；tsf为资源服务失效时间；ts为服务时间；

rid为交付及时率；tid为合作企业近期交付及时次数；nc为合作次数；

rss为服务成功率；ns为服务资源在近期服务成功次数；

rsc为服务合作率；

ke为能耗等级；kj为资源服务的能效值；kave为该类服务平均能效值；

ras为售后服务率；nac为售后出勤次数；nas为用户售后请求次数；

ar为近期活跃度；γ为修正系数；

根据各项服务满意度评价指标所对应的权重向量的不同，构建云服务资源池的历史服务满意度评价指标矩阵：

其中,tkh表示第k次匹配云制造任务tpr获取的第h个服务满意度评价指标值；各项指标所对应的权重向量为：w＝(wk1,wk2,…,wkh,…,wkj)(0≤wkh≤1)，且wk1+wk2+…+wkh+…+wkj＝1；

其中，第k次的服务满意度sk计算公式为：

步骤二：引入时效性函数表征服务综合信任模型评价值随时间的变化关系，利用牛顿冷却定律拟合时间衰减函数，得到服务满意度时效性函数。

所述服务满意度时效性表征历史服务满意度随时间变化的关系；每次服务交易后,服务满意度反映服务评价者对云制造服务的主观认可程度,但其认可程度将随时间而发生衰减，引入牛顿冷却公式表征其时效性函数，则第k次云制造服务的时效性函数计算公式为：

其中，εh表示第h个服务满意度评价指标的时间衰减速率，属于时间衰减速率集合ω＝{ε1,ε2,…,εh,…,εj}，衰减速率εh与服务双方近期的合作紧密程度和指标稳定性有关，指标稳定性由服务满意度评价指标近期的数值方差决定,反映服务满意度评价指标的变化趋势；

δt为调用云服务资源池服务满意度的时刻ti与第k次的服务满意度记录时刻tk的差值，即δt＝ti-tk。

步骤三：在云服务资源池中建立以直接满意度和推荐满意度为指标的全局服务满意度。具体的，本实施例根据服务满意度评价指标体系综合计算得到服务满意度，采用了云服务双方互评机制的策略，结合时间衰减函数和推荐可信度，获得了直接满意度和推荐满意度，利用线性权重分析法建立了云制造资源池中的全局服务满意度模型：

具体的，直接满意度为：

推荐满意度为：

相关约束条件为：

其中，其中，cr,k为推荐可信度，集合a＝{b1,b1,…,bs,…,bz}(bs∈n,a∈ssq)，n是自然数集，ssq为云服务序列集合，a不包含云制造任务tpr对应的云服务序列号；δ为直接满意度属性变量，φ为推荐满意度属性变量；

推荐可信度cr,k表示云资源服务池对起推荐作用的云服务的服务满意度的信任度，随着这类云任务对云资源服务组合的评级次数增加而变化，计算公式如下：

若这类任务包中某任务包的服务满意度小于所有这类任务包的均值，则受惩罚而小幅度降低推荐可信度；反之，若大于所有这类任务包的均值，则受奖励小幅度增加推荐可信度。所有起推荐作用的任务包的初始可信度为0.5。

根据直接满意度sd间接满意度sr，采用线性权重分析法获得全局服务满意度：

sgs＝μsd+(1-μ)sr

其中，μ为直接满意度的权重值，计算方法如下：

sgs,k为第k次获得的全局服务满意度。

步骤四：依赖于历史服务满意度波动性大小，计算出服务满意度波动性，并将服务满意度波动大小作为奖惩依据对全局服务满意度进行修正，得到云服务资源池的服务综合信任模型。

通过全局服务满意度和服务满意度波动性两个因素综合评判，将服务综合信任值作为整体评价服务可靠性的指标，得到服务综合信任评价模型：

约束条件为：

其中，为任务请求企业能接受的服务满意度波动性阈值，值越小，表示任务请求企业对合作企业提供服务的稳定性要求越高；当服务满意度波动性小于等于阈值时,则给全局服务满意度一定的奖励；当服务满意度波动性大于阈值时，在全局服务满意度上给一定的惩罚。

a0为惩罚修正因子，λ为奖励修正因子；

vss为服务满意度波动性。

根据云制造任务tpr和其他云制造任务各自形成的近期服务满意度波动性对全局服务满意度产生的影响不同，将服务满意度波动性分为直接波动性和间接波动性，采用了权重分析法得到服务满意度动性vss的计算公式为：

vss＝ωvssd+(1-ω)vssr

其中，vssd为服务满意度的直接波动性，表示云制造任务tpr的服务满意度波动性；vssr为服务满意度的间接波动性，表示其他云制造任务的服务满意度波动性；ω为服务满意度直接波动性的权重系数。tp＝{tp1，tp2，tp3，…，tpr，…tpm}，tp为云制造任务集合。

进一步，服务满意度直接波动性的权重系数的计算方法如下：

步骤五：使用遗传进化算法对服务综合信任模型求解，得到最优的云制造服务资源组合方案。本实施例使用遗传进化算法对服务综合信任模型求解，得到最优的云制造服务资源组合方案的方法如下：

根据前面初选的云制造服务组合，采用改进的遗传进化算法对云制造服务组合进行优选，引入矩阵实数编码的概念，并结合线性权重的方法对服务综合信任模型和qos模型处理目标函数，从而筛选出最优的服务资源组合方案。

步骤41)：设每一个云制造服务决策为遗传进化算法中的个体，采用矩阵实数编码表示个体：

其中，矩阵x中的元素aij表示三层含义：①行标i表示其所属的云任务路径pi，②列标j表示其所对应的候选服务集cssj，③取值为[0,|kj|]中的整数；若aij≠0，则表示候选服务集cssj中的第aij个候选服务被选出；若aij＝0，则表示路径pi在候选服务集cssj中未选择任何服务，即不覆盖任务；

步骤42)：初始化种群，采用列随机方法产生初始种群的所有个体，然后采用正比选择策略，对个体的适应值进行轮盘选择，其中个体在种群中选择概率公式为：

其中，f(xi)为第i个个体对应的适应值；

步骤43)：对遗传进化算法个体采用交叉变异操作，根据矩阵实数编码的特殊性，设计了列变异算子、行变异算子和点变异算子三种操作策略对实数编码矩阵变换操作，形成新的个体：

最后采用局部锦标赛选择法，保留父辈个体与子辈个体中适应值较大的个体：

newx1＝max_fitness(parentx1，childx1)。

步骤44)：对于各个阶段的适应性函数，引入惩罚函数策略，对适应性函数进行更新，适应性目标函数模型为：

相关约束条件为：

其中，xi为任务决策变量，y(i,j,k)为服务决策变量；

其中对于任意任务路径pi和云制造任务tpr而言，有惩罚函数：

其中，κ是惩罚因子；

个体惩罚函数公式为：

结合前式得到适应值函数表示为：

f(xi，y(i,j,k))＝f1(xi，y(i,j,k))×q(xi,y(i,j,k))；

步骤45)：根据适应值函数f的大小对云制造服务集进行排序优选，f越大说明服务资源在提供服务的整个历史中越优；

步骤46)：重复步骤41)至步骤44)，对整个服务综合信任模型所涉及的云服务资源进行优选，直至每个云任务需求的制造服务内容都选取了最佳为止。

本实施例基于信任模型的云制造服务评价与匹配方法具有以下技术效果：

1)提出了云制造环境基于信任模型的服务组合评价方法，实现服务需求与服务资源的匹配；通过构建了云制造服务组合序列，使用服务综合信任值量化匹配程度，解决现在服务评价方法不能实际拟合现实云制造服务匹配的问题；

2)引入互评机制增加服务双方信任关系的可靠性，并通过服务满意度时效性函数表征服务双方在长期交互过程中的信任关系，提高了云平台决策的时效性，表征服务质量不稳定情况带来的波动影响，的服务满意度波动性评价指标同时也提高了平台的稳定性和灵活性；

3)提出了以矩阵实数编码的改进遗传进化算法，引入惩罚函数修正适应值目标函数，并结合轮盘选择法和局部锦标选择法策略进行评价和优选，增强了云制造服务组合匹配的可靠性；

4)可广泛应用于云制造环境的服务的评价与匹配，使云服务交易过程更加灵活且易于管理，确保服务交易的成功率，确保服务双方的利益最大化，满足云制造服务平台的运营需求，随着云制造服务模式落地与实现，将具有广阔的市场前景和应用价值。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。