本发明涉及云服务提供商的评估与分析，具体涉及一种云制造模式下自控阀企业的云服务提供商评估方法。
背景技术：
：利用电动、气动、液动或电磁驱动等方式实现控制的阀门称为自控阀，其具有使用方便、安全、可现场控制、也可远距离控制，可对单个阀门进行控制、也可对多部阀门集中控制，可进行开关控制、也可实现调节控制等特点。自控阀能够与计算机实现集成进行程序化控制，广泛应用于石油、石化、海油、冶金、电站、化工，化肥，制药，水力，液化气管道，建筑，消防等行业的管网系统。近年来，我国自控阀工业蓬勃发展，正伴随着日益壮大“中国制造”走向世界，为我国融入世界经济体系做出了积极贡献。与此同时，虚拟化、网格计算等信息技术的发展催生了一种新兴的网络计算服务模式——云计算，它通过海量的计算、存储和软件等资源的高效集成，生成大规模的资源共享池。与传统的信息服务模式相比，云计算整合了基础设施、平台、软件等资源，为用户提供按需服务。借助于云计算的先进理念，各产业领域都在进行一场信息化革命，逐步形成了以产业特色为基础、与云计算技术深度融合的新型发展模式。其中，作为一个典型的物化应用领域，制造产业与云计算的融合诞生了一种面向服务的新制造模式——云制造。通过网络化技术、物联网、高性能计算等技术的高度集成，云制造能实现各类制造资源集中式的智能化运营，为全生命周期过程提供随时获取、按需使用、安全性高、质量优秀的各类制造服务，从而使得“分散资源集中使用”和“集中资源分散服务”这两种思想得以统一体现。区别于现有的网络制造模式，就技术层面而言，云制造总体上具有物联化、虚拟化、服务化、协同化和智能化等特征，具体细化为面向服务和需求、透明和集成、外包、敏捷化、专业化、能力共享、绿色低碳等特征；就管理层面而言，云制造具有不确定、以用户为中心、按需使用和付费、基于知识、基于群体创新、支持敏捷的虚拟组织、制造资源的智能感知与全覆盖、资源供给的动态可重构、需求驱动和需求智能化、共享责任与收益等特征。基于以上分析，自控阀企业采用云制造模式，能有效降低信息化的成本投入，实现资源的统一管理、共享和按需使用，提高资源利用率，从而提升市场反应能力和核心竞争力。自控阀企业部署和实现云制造模式面临的一个重要挑战是云服务提供商的评估。针对这一问题，国际云服务测度联盟设计发布了服务测度指标体系，从责任性、敏捷性、保险性、价格、性能、安全隐私和可用性七个方面评估云服务，以该体系为基础的多属性决策方法是较为主流的云服务提供商评估方法，这些评估方法以具体指标的量化和赋权计算为主，但自控阀企业云服务提供商评估问题中的指标属于定性类型，没有准确的量化方法；且指标数目众多，指标间存在复杂的相关性；另外，专家评分法能充分利用专家的经验，在指标难以量化的情况下常采用专家评分法来进行多属性决策，但专家对多个评估对象在某指标上的相对优劣评分依赖于个人经验和主观判断，用精确数值来表达不尽合理。因此，需要有较好的机制对云制造模式下的自控阀企业云服务商进行评估。技术实现要素：本发明主要解决的技术问题是提供一种云制造模式下自控阀企业的云服务提供商评估方法，选取合适的指标集，实现无准确量化方法的定性类型指标表示，得到候选云服务提供商的综合评估值并排序，从而实现云制造模式下自控阀企业的云服务提供商评估。为解决上述技术问题，本发明采用如下技术方案：一种云制造模式下自控阀企业的云服务提供商评估方法，包括如下步骤：步骤1：对于n个自控阀企业的候选云服务提供商，q位专家，建立云制造模式下自控阀企业的云服务提供商评估框架指标集I，I＝{I1,I2,...,Im}，所述m为指标个数；步骤2：构造一种三角模糊数-粗糙域方法，综合q专家的评分，计算n个候选云服务提供商在指标集I上的三角模糊指标值矩阵Z＝(zi,t)n×m，其中，t＝1,2,...,17，i,＝1,2,...,n；所述构造三角模糊-粗糙域方法具体步骤如下：步骤2.1对于指标It∈I，t＝1,2,...,m，q位专家的三角模糊数评分矩阵依次为E1,t,E2,t,...,Eq,t，其中这里k＝1,2,...,q；i,j＝1,2,...,n；i≠j时，三角模糊数表示专家k给出的指标It上候选云服务提供商j相对于候选云服务提供商i的评分，和分别为的左值、中值和右值，i≠j时，步骤2.2将所述Ek,t分解为Ak,t,Bk,t,Ck,t，其中所述步骤2.3将所述A1,t,A2,t,…,Aq,t组合为群决策矩阵其中B2,t,…,Bq,t组合为群决策矩阵其中C1,t,C2,t,…,Cq,t组合为群决策矩阵其中i,j＝1,2,...,n且i≠j；步骤2.4：所述包含q位专家的评分数据所对应的粗糙域依次为其中则最后可得所述包含q位专家的评分数据所对应的粗糙域依次为其中则最后可得所述包含q位专家的评分数据所对应的粗糙域依次为其中则最后可得步骤2.5：构造粗糙评判矩阵步骤2.6：将EAt分解为粗糙边界矩阵和其中分别求它们对应于最大特征值的特征向量为平均后得从而有将EBt分解为粗糙边界矩阵和其中分别求它们对应于最大特征值的特征向量为平均后得从而有将ECt分解为粗糙边界矩阵和其中分别求它们对应于最大特征值的特征向量为平均后得从而有步骤2.7：n个候选云服务提供商在指标It上的三角模糊数指标值依次为z1,t,z2,t,...,zn,t，其中候选云服务提供商的三角模糊数指标值矩阵为Z＝(zi,t)n×m。步骤3：通过三角模糊数评估的重心法和均方差法的集成，将所述候选云服务提供商的三角模糊数指标值矩阵Z＝(zi,t)n×m转化为三角模糊数距离度指标值矩阵D＝(di,t)n×m；所述转化具体方法如下：所述三角模糊数指标值的重心为均方差为以ξi的风险偏好倾向于采用重心法对三角模糊数值进行评估，以1-ξi的风险偏好采用均方差法对模糊数进行评估；将ξi和1-ξi分别作为三角模糊数重心和均方差的权重，以距离度di,t＝(ξi·c(zi,t))2+((1-ξi)·σ(zi,t))2描述所述三角模糊数zi,t；建立规划模型mindi,t,st0≤ξi≤1，解得从而将n个候选云服务提供商的三角模糊数指标值矩阵Z＝(zi,t)n×m转化为三角模糊数距离度质保值矩阵D＝(di,t)n×m。步骤4：通过主成分分析法对所述三角模糊数距离度指标值矩阵D降维，计算候选云服务提供商的综合评估值并排序；具体计算步骤如下：步骤4.1：对n个候选云服务提供商的所述三角模糊数距离度指标值矩阵D＝(di,t)n×m进行规范化处理，即其中步骤4.2：对规范化三角模糊数距离度指标值矩阵D＝(di,t)n×m，计算其相关系数矩阵COR＝(cori，j)m×m，步骤4.3：求出所述相关系数矩阵COR＝(cori,j)m×m的特征值并按大小顺序排列为ev1,ev2,...,evm以及对应的特征向量Ev1,Ev2,...,Evm，其中Evi＝(Evi1,Evi2,...,Evim),i＝1,2,...,m；步骤4.4：依次计算evi(i＝1,2,…,m)的贡献率根据贡献率大小，选取r(r≤m)个贡献率大的成分作为主成分,以ev1,ev2,...,evr对应的特征向量构造矩阵EV＝(Evi,j)m×r；令D’＝D·EV，将n×m的规范化距离度指标值矩阵D＝(di,t)n×m转化为n×r的新矩阵D’＝(d’i,j)n×r，D’中仅保留了r个主成分；步骤4.5：由D’＝(d’i,j)n×r，可算得n个候选云服务提供商的综合评估值依次为d1′,d2′,...,dn′，其中以此对n个候选云服务提供商进行排序，即得到最终评估结果。进一步地，所述步骤1中的评估指标框指标集I的指标数m＝17，其中，I1为云服务资源网络化管控水平，I2为云服务协同度、集成度、智能度水平，I3为云服务模式多样化程度，I4为云服务的可维修度、应用简易度、灵活度水平，I5为云服务数据存储、传输、访问的安全度及信息保护水平，I6为云服务的可靠、按时、精确、容故障、稳健水平，I7为云服务的实施成本、运维成本，I8为云服务提供商运营管理水平，I9为云服务提供商技术支撑、为培训管理水平，I10为云服务提供商的名誉、经验，I11为云服务提供商的开发、创新、获利等能力水平，I12为云服务提供商的态度、可持续合作性，I13为云服务提供商增殖服务的提供能力，I14为云服务提供商服务的目的达成度，I15为云服务提供商服务的Just-In-Time水平与稳定性水平，I16为云服务提供商的服务协议级别及其执行力水平，I17为云服务提供商服务的性价比水平。进一步地，所述步骤2.1中若所述Ek,t不合格，则由专家k对其进行修正。进一步地，所述步骤步骤4.4中r个主成分选取方法为：选取累计贡献率达到85％以上的前r(r≤m)个成分作为主成分。本发明的有益效果是：方法简便合理，容易实现。通过选取合适的指标集，模糊化专家评分，实现无准确量化方法的定性类型指标的表达，克服主流的云服务提供商评估方法的不足。附图说明图1是本发明一个实施例的云服务提供商评估方法的流程示意图。图2是本发明一个实施例的云服务提供商评估框架示意图。具体实施方式下面对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。本发明提出的云制造模式下自控阀企业的云服务提供商评估方法选取合适的指标集，实现无准确量化方法的定性类型指标的表达，模糊化专家评分，得到候选云服务提供商的综合评估值并排序，从而实现云制造模式下自控阀企业的云服务提供商评估，如图1所示。具体步骤如下：步骤1：对于n个自控阀企业的候选云服务提供商，q位专家，建立云制造模式下自控阀企业的云服务提供商评估框架指标集I，I＝{I1,I2,...,Im}，所述m为指标个数。标集I的指标数m＝17，如图2所示，其中，I1为云服务资源网络化管控水平，I2为云服务协同度、集成度、智能度水平，I3为云服务模式多样化程度，I4为云服务的可维修度、应用简易度、灵活度水平，I5为云服务数据存储、传输、访问的安全度及信息保护水平，I6为云服务的可靠、按时、精确、容故障、稳健水平，I7为云服务的实施成本、运维成本，I8为云服务提供商运营管理水平，I9为云服务提供商技术支撑、为培训管理水平，I10为云服务提供商的名誉、经验，I11为云服务提供商的开发、创新、获利等能力水平，I12为云服务提供商的态度、可持续合作性，I13为云服务提供商增殖服务的提供能力，I14为云服务提供商服务的目的达成度，I15为云服务提供商服务的Just-In-Time水平与稳定性水平，I16为云服务提供商的服务协议级别及其执行力水平，I17为云服务提供商服务的性价比水平。步骤2：构造一种三角模糊数-粗糙域方法，综合q专家的评分，计算n个候选云服务提供商在指标集I上的三角模糊指标值矩阵Z＝(zi,t)n×m，其中，t＝1,2,...,17，i,＝1,2,...,n；所述构造三角模糊-粗糙域方法具体步骤如下：步骤2.1对于指标It∈I，t＝1,2,...,m，q位专家的三角模糊数评分矩阵依次为E1,t,E2,t,...,Eq,t，其中这里k＝1,2,...,q；i,j＝1,2,...,n；i≠j时，三角模糊数表示专家k给出的指标It上候选云服务提供商j相对于候选云服务提供商i的评分，和分别为的左值、中值和右值，i≠j时，若所述Ek,t不合格，则由专家k对其进行修正；步骤2.2将所述Ek,t分解为Ak,t,Bk,t,Ck,t，其中所述步骤2.3将所述A1,t,A2,t,…,Aq,t组合为群决策矩阵其中B1,t,B2,t,…,Bq,t组合为群决策矩阵其中C1,t,C2,t,…,Cq,t组合为群决策矩阵其中i,j＝1,2,...,n且i≠j；步骤2.4：根据粗糙集理论，论域U为对象的非空有限集合，Y是U中任一对象；U中所有对象都属于p个划分，即S1,S2,…,Sp；如果这p个划分有S1<S2<…<Sp的顺序关系,则对于其中任何一个划分Si，1≤i≤p,其上近似集可定义为其下近似集可定义为其中U/R(Y)表示不分明关系R在U上的划分；因此论域U上的任何一个含糊划分Si可用其粗糙域来表示，粗糙域由粗糙上界LUpper(Si)＝(∑R(Y))/NUpper(Si),Y∈ASUpper(Si)和粗糙下界LLower(Si)＝(∑R(Y))/NLower(Si),Y∈ASLower(Si)组成，其中NUpper(Si)是Si的上近似集所包含的对象数，NLower(Si)是Si的下近似集所包含的对象数；那么所述包含q位专家的评分数据所对应的粗糙域依次为其中则最后可得所述包含q位专家的评分数据所对应的粗糙域依次为其中则最后可得所述包含q位专家的评分数据所对应的粗糙域依次为其中则最后可得步骤2.5：构造粗糙评判矩阵步骤2.6：将EAt分解为粗糙边界矩阵和其中分别求它们对应于最大特征值的特征向量为平均后得从而有将EBt分解为粗糙边界矩阵和其中分别求它们对应于最大特征值的特征向量为平均后得从而有将ECt分解为粗糙边界矩阵和其中分别求它们对应于最大特征值的特征向量为平均后得从而有步骤2.7：n个候选云服务提供商在指标It上的三角模糊数指标值依次为z1,t,z2,t,...,zn,t，其中候选云服务提供商的三角模糊数指标值矩阵为Z＝(zi,t)n×m。步骤3：通过三角模糊数评估的重心法和均方差法的集成，将所述候选云服务提供商的三角模糊数指标值矩阵Z＝(zi,t)n×m转化为三角模糊数距离度指标值矩阵D＝(di,t)n×m；所述转化具体方法如下：所述三角模糊数指标值的重心为均方差为以ξi的风险偏好倾向于采用重心法对三角模糊数值进行评估，以1-ξi的风险偏好采用均方差法对模糊数进行评估；将ξi和1-ξi分别作为三角模糊数重心和均方差的权重，以距离度di,t＝(ξi·c(zi,t))2+((1-ξi)·σ(zi,t))2描述所述三角模糊数zi,t；建立规划模型mindi,t,st0≤ξi≤1，解得从而将n个候选云服务提供商的三角模糊数指标值矩阵Z＝(zi,t)n×m转化为三角模糊数距离度质保值矩阵D＝(di,t)n×m。步骤4：通过主成分分析法对所述三角模糊数距离度指标值矩阵降维，计算候选云服务提供商的综合评估值并排序；具体计算步骤如下：步骤4.1：对n个候选云服务提供商的所述三角模糊数距离度指标值矩阵D＝(di,t)n×m进行规范化处理，即其中步骤4.2：对规范化三角模糊数距离度指标值矩阵D＝(di,t)n×m，计算其相关系数矩阵COR＝(cori，j)m×m，步骤4.3：求出所述相关系数矩阵COR＝(cori,j)m×m的特征值并按大小顺序排列为ev1,ev2,...,evm以及对应的特征向量Ev1,Ev2,...,Evm，其中Evi＝(Evi1,Evi2,...,Evim),i＝1,2,...,m；步骤4.4：依次计算evi(i＝1,2,…,m)的贡献率根据贡献率大小，选取r(r≤m)个贡献率大的成分作为主成分,选取累计贡献率达到85％以上的前r(r≤m)个成分作为主成分；以ev1,ev2,...,evr对应的特征向量构造矩阵EV＝(Evi,j)m×r；令D’＝D·EV，将n×m的规范化距离度指标值矩阵D＝(di,t)n×m转化为n×r的新矩阵D’＝(d’i,j)n×r，D’中仅保留了r个主成分；步骤4.5：由D’＝(d’i,j)n×r，可算得n个候选云服务提供商的综合评估值依次为d1′,d2′,...,dn′，其中以此对n个候选云服务提供商进行排序，即得到最终评估结果。实施例为了方便描述，我们假定有如下2个简化的应用实例：应用实例1：假定有5个候选云服务提供商，有3位专家参加评估。指标集I＝{I1,I2,...,I17}，其中，I1为云服务资源网络化管控水平，I2为云服务协同度、集成度、智能度水平，I3为云服务模式多样化程度，I4为云服务的可维修度、应用简易度、灵活度水平，I5为云服务数据存储、传输、访问的安全度及信息保护水平，I6为云服务的可靠、按时、精确、容故障、稳健水平，I7为云服务的实施成本、运维成本，I8为云服务提供商运营管理水平，I9为云服务提供商技术支撑、为培训管理水平，I10为云服务提供商的名誉、经验，I11为云服务提供商的开发、创新、获利等能力水平，I12为云服务提供商的态度、可持续合作性，I13为云服务提供商增殖服务的提供能力，I14为云服务提供商服务的目的达成度，I15为云服务提供商服务的Just-In-Time水平与稳定性水平，I16为云服务提供商的服务协议级别及其执行力水平，I17为云服务提供商服务的性价比水平。以指标I1为例，3位专家对5个候选云服务提供商的三角模糊数评分矩阵依次为其中这里：经一致性检验均合格。将E1,1分解为A1,1,B1,1,C1,1；将E2,1分解为A2,1,B2,1,C2,1；将E3,1分解为A3,1,B3,1,C3,1。其中：将A1,1,A2,1,A3,1组合为群决策矩阵以为例，的上、下近似集分别为{7/8,3}、{7/8,5/6}，其粗糙域同理，则的粗糙域依次求得A1中其他元素的粗糙域。构造粗糙评判矩阵将EA1分解为粗糙边界矩阵和其中分别求它们对应于最大特征值的特征向量为平均后得：GA1＝{0.5498,0.3624,0.4632,0.3525,0.4761}。同理有：GB1＝{0.6237,0.3994,0.5608,0.7786,0.5672},GC1＝{0.8911,0.4718,0.6601,0.8593,0.7709}，从而得到5个候选云服务提供商在指标I1上的三角模糊数分值依次为：z1,1＝(0.5498,0.6237,0.8911),z2,1＝(0.3624,0.3994,0.4718),z3,1＝(0.4632,0.5608,0.6601),z4,1＝(0.3525,0.7786,0.8593),z5,1＝(0.4761,0.5672,0.6601)。用同样方法求得5个候选云服务提供商在其它16个指标上的三角模糊数分值后，可得候选云服务提供商的三角模糊数指标值矩阵为Z＝(zi,t)5×17，如表1所示：表1候选云服务提供商的三角模糊数指标值矩阵将5个候选云服务提供商的三角模糊数指标值矩阵Z＝(zi,t)5×17转化为距离度形式D＝(di,t)5×17，如表2所示：表2候选云服务提供商的三角模糊数距离度指标值矩阵I1I2I3I4I5I6I7I8I9I10I11I12I13I14I15I16I1710.46310.23750.28160.48000.31560.28520.26710.82880.06460.37660.22760.17090.17630.53020.14210.07120.515220.16810.34400.18950.57430.29630.21190.35250.50550.13850.08780.09210.30920.06470.28890.78870.37620.042330.31190.66540.21240.07340.35650.04130.08150.45480.21200.09330.23070.46400.42500.12650.07310.47730.191240.41650.22090.11190.40540.06340.05900.00320.23310.15730.34670.57110.15130.06110.16050.40590.14860.278050.31960.57050.29380.30680.12420.06630.11140.26270.10450.02440.35790.27080.06340.16160.69610.03790.3023对5个候选云服务提供商的三角模糊数距离度指标值矩阵D＝(di,t)5×17进行规范化处理，即其中对规范化三角模糊数距离度指标值矩阵D＝(di,t)5×17，计算其相关系数矩阵COR＝(cori，j)17×17，解出相关系数矩阵COR＝(cori,j)17×17的特征值并按大小顺序排列为6.6588,4.8752,3.5267,1.9392,0,0,0,0,0,0,0,0,0,0,0,0,0。特征值的贡献率依次为39.17％,28.68％,20.75％,11.40％,0,0,0,0,0,0,0,0,0,0,0,0,0。一般情况下选取累计贡献率达到85％以上的前k(k≤17)个成分作为主成分以保证综合变量能包括原始变量的绝大多数信息，而本实施例中前4个成分的累计贡献率为100％，后13个成分贡献率为零，因此选取前4个成分作为主成分，以特征值6.6588,4.8752,3.5267,1.9392对应的特征向量构造矩阵EV＝(Evi,j)17×4。令D’＝D·EV，可将5×17的规范化三角模糊数距离度指标值矩阵D转化为5×4的新矩阵D’＝(d’i,t)5×4，D’中仅保留了4个主成分：由D’＝(d’i,j)5×4，可算得5个候选云服务提供商的综合评估值依次为-0.7665,-0.0144,2.0629,-1.2465,-0.0355。以此对5个候选云服务提供商进行排序，得到最终评估结果：候选云服务提供商3>候选云服务提供商2>候选云服务提供商5>候选云服务提供商1>候选云服务提供商4，“>”表示“优于”。应用实例2：假定有3个候选云服务提供商，有4位专家参加评估。对于3个自控阀企业的候选云服务提供商，4位专家，建立云制造模式下自控阀企业的云服务提供商评估框架指标集I。指标集I＝{I1,I2,...,I17}，其中，I1为云服务资源网络化管控水平，I2为云服务协同度、集成度、智能度水平，I3为云服务模式多样化程度，I4为云服务的可维修度、应用简易度、灵活度水平，I5为云服务数据存储、传输、访问的安全度及信息保护水平，I6为云服务的可靠、按时、精确、容故障、稳健水平，I7为云服务的实施成本、运维成本，I8为云服务提供商运营管理水平，I9为云服务提供商技术支撑、为培训管理水平，I10为云服务提供商的名誉、经验，I11为云服务提供商的开发、创新、获利等能力水平，I12为云服务提供商的态度、可持续合作性，I13为云服务提供商增殖服务的提供能力，I14为云服务提供商服务的目的达成度，I15为云服务提供商服务的Just-In-Time水平与稳定性水平，I16为云服务提供商的服务协议级别及其执行力水平，I17为云服务提供商服务的性价比水平。以指标I1为例，4位专家对3个候选云服务提供商的三角模糊数评分矩阵依次为其中这里：经一致性检验均合格。将E1,1分解为A1,1,B1,1,C1,1；将E2,1分解为A2,1,B2,1,C2,1；将E3,1分解为A3,1,B3,1,C3,1；将E4,1分解为A4,1,B4,1,C4,1。其中：将A1,1,A2,1,A3,1,A4,1组合为群决策矩阵以为例，的上近似集为{3/8,1/2,9/13,6/11}，下近似集为{3/8}，那么的粗糙域的上近似集为{1/2,6/11,9/13}，下近似集{3/8,1/2}，那么的粗糙域同理则的粗糙域依次求得A1中其他元素的粗糙域。构造粗糙评判矩阵将EA1分解为粗糙边界矩阵和其中分别求它们对应于最大特征值的特征向量为平均后得：GA1＝{0.3526,0.7681,0.5303}。同理有：GB1＝{0.5785,0.8980,0.5901},GC1＝{0.8803,0.9024,0.6233}，从而得到3个候选云服务提供商在指标I1上的三角模糊数分值依次为：z1,1＝(0.3526,0.5785,0.8803),z2,1＝(0.7681,0.8980,0.9024),z3,1＝(0.5303,0.5901,0.6233)。用同样方法求得3个候选云服务提供商在其它16个指标上的三角模糊数分值后，可得候选云服务提供商的三角模糊数指标值矩阵为Z＝(zi,t)3×17，如表1所示：表1候选云服务提供商的三角模糊数指标值矩阵将3个候选云服务提供商的三角模糊数指标值矩阵Z＝(zi,t)3×17转化为距离度形式D＝(di,t)3×17，如表2所示：表2候选云服务提供商的三角模糊数距离度指标值矩阵I1I2I3I4I5I6I7I8I9I10I11I12I13I14I15I16I1710.58840.59040.75580.75860.55370.53830.51990.71330.38130.39680.59040.75580.60140.52700.25040.35670.292320.85510.22370.29120.27110.60100.22370.29120.49370.39680.59040.75580.40340.25040.52700.25620.41580.637630.58060.46390.27110.60100.25170.24340.05880.47990.41390.33230.48040.68250.66330.60140.52700.25620.4037对3个候选云服务提供商的三角模糊数距离度指标值矩阵D＝(di,t)3×17进行规范化处理，即其中对规范化三角模糊数距离度指标值矩阵D＝(di,t)3×17，计算其相关系数矩阵COR＝(cori，j)17×17，解出相关系数矩阵COR＝(cori,j)17×17的特征值并按大小顺序排列为9.6212,7.3788,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0。特征值的贡献率依次为56.60％,43.40％,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0。选取前2个成分作为主成分，以特征值9.6212,7.3788对应的特征向量构造矩阵EV＝(Evi,j)17×2。令D’＝D·EV，可将3×17的规范化三角模糊数距离度指标值矩阵D转化为3×2的新矩阵D’＝(d’i,t)3×2，D’中仅保留了2个主成分：由D’＝(d’i,t)3×2，可算得3个候选云服务提供商的综合评估值依次为-2.0706,2.1562,-0.0856。以此对3个候选云服务提供商进行排序，得到最终评估结果：候选云服务提供商2>候选云服务提供商3>候选云服务提供商1，“>”表示“优于”。以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
技术领域：
，均同理包括在本发明的专利保护范围内。当前第1页1 2 3