文摘

以提高双方的满意度服务需求者(SDs)和服务提供者(SPs)的云制造的匹配(CMfg)任务和服务,稳定双边匹配模型CMfg任务和服务考虑提出了满意度和期望之间的非线性关系。SDs的期望和SPs难以直接量化,评价方法基于区间值犹豫模糊语言集(IVHFLSs)首先提出。接下来,满意度和期望的非线性模型是建立量化的满意度,达到准确量化的满意度。然后,两面稳定CMfg任务和服务建立的匹配模型,以SDs的满意度和SPs为优化目标,考虑了个体合理性和阻止对。最后,一种自适应遗传算法(AGA)旨在解决提议的双边匹配模型。实际应用和比较分析用于验证研究的有效性和优越性。

1。介绍

云制造(CMfg)是一种新的制造模式,组织在线服务发布的服务提供者(SPs)和分配他们服务需求者(SDs)需求1,2]。SDs希望配合SPs服务成本低和高服务质量。SPs还预计为SDs付款速度快和高信誉[3,4]。因此,SDs和SPs预期CMfg任务的匹配方案和服务。SDs对服务的期望之间的比较和服务的实际情况形式SDs的满意度5]。同样,对比SPs的预期任务和任务的实际情况形成了SPs的满足感。SDs和SPs的满意度越高,竞争力越强CMfg平台(6,7]。

许多研究关于CMfg匹配的任务和服务执行。研究可分为两类:单面匹配和双边匹配。单面匹配研究为双边匹配研究提供了重要的参考。例如,Lartigau等人优化生产成本、时间、可靠性、可维护性和可用性在CMfg服务组合研究8]。张等人开发了一个优化模型在CMfg服务配置,生产成本,时间和质量为优化目标(9]。谢长廷和林提出了一个动态调度方案复杂协作任务投入最少的时间和成本10]。熊等人最大化生产效率和负载平衡服务服务调度过程中(11]。Joglekar和福特提出了一个服务分配矩阵缩短项目时间(12]。王等人优化成本、时间、质量和风险的数学模型(13]。因为单面匹配研究主要考虑SDs的预期,但忽略了SPs的期望,和需要改进其有效性和可行性。补偿,赵和王提出了双边匹配模型CMfg任务和服务14]。首先,SPs和SDs对方基于语言信息,评估,评估结果转换成数值。然后,满意度计算通过使用可变模糊识别方法。最后,建立了多目标优化模型和多目标函数转化为单目标函数。李等人建立了双边匹配模型与犹豫模糊偏好信息配置CMfg任务和服务(15]。首先,SPs和SDs给他们的预期使用犹豫模糊元素。构建一个双边匹配模型,最优配置结果通过求解模型。任,任一对多的双边匹配模型,提出和期望效用理论应用于计算SDs和SPs的满意度16]。赵和丁研究CMfg双边资源匹配机制和稳定的平台(17]。

总之,CMfg服务和任务的双边匹配研究是目前在探索阶段。相关研究认为,满意度和期望之间的关系是线性的。越匹配方案超过SDs的期望和SPs,满意度越高。他们满意的值索引或价值观和期望之间的差异作为优化目标。然而,满意是一种心理感觉,形成预期与实际情况相比后。期望和满意度函数的非线性和分段5]。在某些领域,满意是0或固定数量,而在其他领域,满意度介于0和固定数量的增加或减少。

当评估满意度,一些信息,如预期,较低的阈值,阈值和上需要提前确定。满意度指标的复杂性和人类认知的局限性,犹豫,模糊性总是存在于表达信息的过程。在这种情况下,定性语言方面,而不是精确的定量数据更适合SDs和SPs表达信息的满意度指数(18]。因此,许多语言决策方法出现了,如概率语言术语集(PLT) (18),犹豫模糊语言集(HFLSs) [19,20.),区间值犹豫模糊语言集(IVHFLSs) [21,22),与自信(FPR-SC)[模糊偏好关系23)等。这些方法已经广泛应用于各个领域。在本文中,介绍了区间值犹豫模糊语言集(IVHFLSs),这是语言术语集和区间值的扩展犹豫模糊集(IVHFSs) [22]。相比PLT、HFLSs IVHFLSs使会员度不再只是相对于一些脆数量,从而描绘了SDs的犹豫和SPs,全面。IVHFSs相比,IVHFLSs表达SDs和SPs的偏好语言术语,从而定性地表示不确定的信息。一句话,IVHFLSs更方便SDs和SPs表达相关信息满意度和可以有效地描述不确定性,犹豫,矛盾中固有的决策过程。

的桥梁,一个双边匹配模型CMfg任务和服务提出了基于满意度的量化。相比之下,传统的匹配模型(如图1(一)),本文的主要贡献如下:(1)满意度和期望建立的非线性模型(如图1 (b)),达到准确量化的满意度和满意度的提高奠定了基础的匹配CMfg任务和服务。(2)双面的稳定匹配模型CMfg任务和服务提出(如图1 (b)),直接以SDs的满意度和SPs为优化目标,考虑了个体合理性和阻止对,从而使满意的优化更有效。

(一)
(一)
(b)
(b)
图1
双边匹配框架CMfg任务和服务的方法。(一)传统的匹配方法。(b)提议的双边匹配方法。

本文的其余部分组织如下:部分2建立了一个非线性模型的满意度和期望。部分3细节一个双边CMfg任务和服务的稳定匹配模型的基础上,部分2。部分4提供了一个示例应用程序和本文的比较分析。部分5提供的结论。

2。基于非线性关系量化的满意度

2.1。基于IVHFLSs表达的期望

具体问题,假设SDs出版我生产任务CMfg平台上,SPsJ匹配服务。 和 指示 CMfg任务和 分别CMfg服务。

让 是米th满意度指数的SDs难以直接量化, 是一种语言, 的语言评价结果CMfg任务D我对指数 ,和 成为会员的间隔 ,然后服务请求者发布任务的期望D我在索引 基于IVHFLSs可以表示为 。此外, ,在哪里 是时间间隔的数量。类似地,如果 SPs的满意度指数是难以直接量化,服务提供者发布的期望Pj在索引 基于IVHFLSs可以表示为 。

2.2。根据得分函数量化的期望

根据文献[21),期望函数 的 可以表示如下:

因此,得分函数 的 可以表示如下:

同样,得分函数 的 可以表示如下:

2.3。非线性模型的满意度和期望

通过拟合数据,刘等人提出的分段指数函数是函数表达式的客户满意度5]。尤其是满意度指标的值增加或减少,客户满意度的变化可以分为四个方面:没有反应区域,缺陷区域,溢出区和饱和区。在没有响应区域,客户满意度是0;在缺陷区域,顾客满意度指数迅速增加或减少;溢出区域,顾客满意度指数慢慢增加或减少;在饱和区,满意度达到最大和不会改变。再次通过拟合数据,周等人发现客户满意度指数关系满意度指数(24]。基于上述研究,满意度和期望建立的非线性模型。

如果 是一个正相关指数,满意度 服务请求者的出版任务D我与服务Pj对指数 可以表示为下面的方程(相应的满意度曲线如图2(一个)):

(一)
(一)
(b)
(b)
图2
满意度曲线。(一)满意度正相关指数曲线。(b)的满意度曲线负相关指数。

如果 是一个负相关指数,满意度 服务请求者的出版任务D我与服务Pj对指数 可以表示为下面的方程(相应的满意度曲线如图2 (b)):

在方程(4)和(5), , , ,和 代表预期值,容许值,上面的阈值,阈值越低的任务 对指数 ,分别。 意味着服务的实际值 对指数 。

类似地,如果SPs的满意度指数 是一个正相关指数,满意度 服务提供者发布的服务Pj与任务D我对指数 可以表示如下:

如果 是一个负相关指数,满意度 服务提供者发布的服务Pj与任务D我可以表示如下:

在方程(6)和(7), , , ,和 表示预期值,宽容值,上面的阈值,阈值较低的服务 对指数 ,分别。 意味着任务的实际值 对指数 。

在方程(4)- (7),K是满溢的满意度系数。根据文献[5),的价值K可以设置由专家,其范围通常是在1到1.2之间。基于方程(4)- (7),满意度 的D我与Pj和满意度 的Pj与D我可以表示为在接下来的第一和第二方程,分别为:

在方程(8)和(9), 和 满意度指标的权重吗 和 ,分别。

3所示。一个双边稳定CMfg任务和服务匹配模型

3.1。模型建设

CMfg任务可以分为不同的类型,如机械加工、热处理、焊接、金属成形。让问表示问th类型的任务 和0 - 1变量 , ,和 表示CMfg任务的类型,云服务的类型,分别和匹配的变量的任务和服务。如果任务D我属于问th任务类型 ;否则, 。如果服务Pj可以操作的问th任务类型, ;否则, 。如果任务D我与服务Pj,然后 ;否则, 。

定义1。CMfg任务之间的双边匹配方案和服务被定义为映射 : 。如果 , 满足下列条件:(1) ;(2) ;(3) ,然后 是一双匹配CMfg任务和服务。
如果一个服务提供者是无力的问th类型的任务,服务提供者将不提供服务问th类型的任务。这种现象被称为个人SPs的合理性。其具体定义如下所示。

定义2。如果服务 满足下列条件之一:(1) ;(2) , ,然后它叫做SPs的个人理性。

定义3。如果所有的SPs匹配的方案 是理性的,那么 是个体理性的SPs的匹配方案。
如果SDs宁愿不匹配服务匹配不可接受的服务,那么这个现象叫做SDs的个人理性。其具体定义如下所示。

定义4。如果任务 满足下列条件之一:(1) ;(2) , ,和 ;(3) (米是一个大型的数字), ,那么个人SDs的合理性。

定义5。如果所有SDs匹配的方案 是理性的,那么 是个体理性的SDs的匹配方案。

定义6。如果 是一个匹配方案的SPs的个人理性和SDs的个人理性、呢 是一个个人合理的匹配方案和满足以下方程: 如果有阻塞对匹配方案,匹配双方私下可能匹配,从而影响匹配方案的稳定性和有效性(25]。阻止对CMfg任务的匹配方案和服务定义如下。

定义7。CMfg任务的匹配方案和服务 ,如果 满足下列条件之一:(1) , ,和 ;(2) , , ,和 ,然后 是一双阻塞在匹配方案 。

定义8。如果CMfg任务的匹配方案和服务 是个人理性和不包含阻塞对,然后呢 是一个稳定的匹配方案,满足以下方程: 基于上述分析,CMfg任务和服务的双边匹配模型可以建立在方程(13)。第一次和第二次的优化目标是最大化的满足SDs SPs和满意度,分别。第三个优化目标是最大化匹配CMfg任务和服务的数量。约束是指定义的意义6和8,

3.2。模型的解决方案

提出解决双边模型,设计了一种自适应遗传算法(AGA)。

3.2.1之上。编码

真正的编码是采用这个算法。D我=j(j= 0、1、2、…J)表示的任务D我和服务Pj形成一个匹配的一对。

3.2.2。适应度函数

的目标 和 在方程(13)是相互限制。优化解决方案满足两个目标是很难获得,但理想的最优解和每个目标的理想糟糕的解决方案很容易得到。为此,顺序偏好的技术相似,一个理想的解决方案(TOPSIS)采用转换的优化 和 到以下方程:

在方程(14), 代表了tth的目标函数值rth个人人口。 和 显示的理想最优值和理想的最大的价值t分别th目标函数。

3.2.3。选择操作

鉴于锦标赛选择具有更好的收敛性比其他选择操作(26,27),采用锦标赛选择策略。首先,选择N年代个人从人口。接下来,比较这些选中的个体之间的健身价值。最后,最高的个人健身值放入一个交叉池。循环上述过程,直到交叉池已满。

3.2.4。自适应交叉

采用两点交叉这里(28]。首先,选择要越过个人作为父母根据交叉的可能性个人电脑。第二,随机生成两个积分点,rnd1和rnd2在个人两个交叉点的长度。最后,交换两个积分点之间的基因,rnd1和rnd2,两个父母。在此,两个孩子的人。为了避免早熟和局部最优,采用自适应交叉概率,而不是一个固定的。表达的自适应交叉概率的计算方法如下:

在方程(16),个人电脑表示一种自适应交叉概率,个人电脑最小值显示的最小交叉概率,个人电脑马克斯表示最大的交叉概率,f最小值表明最低的健身价值在当代人群,favg表示在当代种群平均适应度值,f′表示更大的健身参与交叉的两个个体的价值观。

3.2.5。自适应变异

同样,采用一种自适应变异策略。表达的自适应交叉概率的计算方法如下:

在方程(17),点表示一种自适应变异概率,点最小值表明最小变异概率,点马克斯意味着最大的变异概率,f最小值表示最低的健身价值在当代人群,favg表示在当代种群平均适应度值,f′表示更大的健身价值的两个突变的个体。

4所示。示例应用程序和比较分析

4.1。示例应用程序

有6金属成形任务CMfg平台上。经过初步筛选,共有9个服务可以操作这些焊接任务。焊接任务的设置和服务表示为 和 ,分别。SDs的满意度指标包括成本(z1),交货时间(z2),和信誉(z3);SPs的满意度指标包括支付时间( )和信誉( )。所需的交货时间代表了天加工和运输;付款时间是多少天SPs焊接后会得到全额的95%的任务是接受(通常是一个保证存款另5%)。

以下4.4.1。基于IVHFLSs表达的期望

首先,SDs和SPs评估他们的期望和在心。成本、交货时间和付款时间,很容易直接量化、SDs和SPs可以评估他们的数字。直接的可信度难以量化,SDs, SPs评估seven-level语言变量:l={贫穷,贫穷,贫穷,将军,好,更好,最好}。然后,SDs和SPs的会员使用间隔来表达语言的水平。评价结果如表所示1和2,分别。专家的讨论后,成本更低的阈值,交货时间,和付款时间设置为200,10日,分别和3。满溢的系数的满意度K= 1.2。

表1
评价结果的满意度指标的SDs。
表2
评价结果的满意度指标的SPs。
4.1.2。根据得分函数量化的期望

根据语言功能 与方程(2)- (7),SDs的满意度D1- - - - - -D6与服务提供商P1可以获得,如表所示3。

表3
满意程度的D 1- - - - - -D 6与P 1。

同样,SDs的满意度D2- - - - - -D6与SPsP1- - - - - -P9和SPs的满意度P1- - - - - -P9与SDsD1- - - - - -D6可以获得。如果成本的重量,交货时间,和信誉将 ,分别。付款时间的权重设置和可信度 ,分别。然后,满意度矩阵 和 可以获得,如表所示4和5。

表4
满意度矩阵 SDs的D 1- - - - - -D 6与SPsP 1- - - - - -P 9。
表5
满意度矩阵 SPs的P 1- - - - - -P 9与SDsD 1- - - - - -D 6。
4.1.3。获得最合理的选择

基于稳定的双边匹配模型方程所示(13)和AGA提出最合理的选择。

拟议的将军在Matlab编程2014 a。初始种群设置为100,最大一代到200年,最小交叉概率为0.7,最大交叉概率为0.9,最小变异概率0.08,最大变异概率为0.1。解决方案后,理想的最优值 和 分别为6.517和6.670。理想的最差值 和 分别为2.761和1.990。后的解决方案,每一代的最好的健身价值图所示3。


图3
每一代最好的健身价值。

当算法收敛,适应度函数的最优值 为0.837,适应度函数的最优值吗 6,相应的最优解是什么 ,和相应的优化目标 。

4.2。比较和讨论

进一步验证了优势,提出了双边匹配模型相比,传统的匹配模型提出的李et al。15),以满意度指标的值为优化目标。让 代表服务的满意度表达要求者出版任务D我在服务Pj对指数 基于IVHFLSs, 显示服务提供者发布的服务的满意的表情Pj在任务D我对指数 基于IVHFLSs, 和 平均分数 和 ,分别。因此,SDs的满意优化目标的基础上,认为李等人提出的。15可以表示为 。同样,SPs的满意优化目标可以表示为 。最优匹配数的函数可以表示为 。李的约束相结合等。15),而匹配模型描述如下:

然后,提出了AGA是编程来解决匹配模型提出的李et al。15]。这里的参数设置的参数时使用解决本文提出的匹配模型。解决后,最佳的解决方案 。相应的优化结果 。具体来说,SDs的满意度SPs的匹配方案 , , , , , 和SPs的满意度在SDs匹配方案 , , , , , 。

如图4SDs的满意优化,本文就等于SDs优化的满意李et al。(15]。然而,本文优化SPs的满意度是0.099比SPs优化的满意度增加了李et al。15]。这表明本文提出的匹配模型优于传统模式提出的李et al。15]。


图4
比较不同的方法。

总的来说,满意度SDs和SPs为提高竞争力是一个重要的属性CMfg平台。尽管CMfg任务和服务的双边匹配问题研究在一些文章中,他们把满意度指标或期望匹配模型的优化目标。然而,与预期满意度不是线性的。事实上,是有限度的满意度,满意度指数越大,满意度越高并不一定是在一个范围内。在本文中,满意度和期望建立的非线性模型。SDs和SPs的满意度作为CMfg的双边匹配模型的优化目标任务和服务,从而使满意的优化更有效。

第二,稳定是构建双边匹配模型时需要考虑,否则SDs和SPs可能放弃当前匹配结果(15]。在本文中,稳定的匹配条件被认为是当建立匹配模型,不仅可以最大限度的满意程度的SDs和SPs还可以获得稳定的匹配结果。

第三,介绍了IVHFLSs SDs和SPs表达他们的期望,宽容的价值,等等,这将有效地描述不确定性,犹豫,矛盾中固有的决策过程。

因此,该匹配模型丰富了CMfg任务的匹配研究和服务。然而,这篇文章也有一些限制。首先,它不能用于处理条件时需要一些复杂的语言表达式,如multigranular语言表达式(不平衡29日]。其次,它假定满意度指标的权重是由脆提前数字。然而,有时SDs和SPs可能倾向于提供标准重量信息与语言表达,如“满意度指数比指数b”更重要

5。结论

CMfg任务的匹配和服务CMfg领域是一个重要的问题。改善SDs的满意度和SPs CMfg平台的提高竞争力具有重要意义。满意度和期望的非线性模型和一个稳定的双边匹配CMfg模型本文提出了任务和服务。提出了非线性模型达到满意的准确量化。提议的双边匹配模型不仅以SDs的满意度和SPs为优化目标,但也认为SDs的合理性和SPs和阻止对匹配方案,从而提高了效率。

在未来的研究中,可以进一步开展以下研究:(1)CMfg匹配的任务和服务,由于不同的文化和知识背景的SDs和SPs,复杂的语言表达就像multigranular不平衡可能需要语言表达。因此,有必要开发新模型与复杂的语言表达式。(2)在提出匹配模型中,满意度指标的权重由SDs和SPs的数字。然而,有时SDs和SPs可能倾向于提供标准体重与语言表达现实世界的应用程序的信息。因此,如何处理满意度指标的权重与语言表达需要进一步研究。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(71971130)。