江笑妍　李芳

摘 要：動(dòng)態(tài)資源調(diào)度是云制造中的一個(gè)關(guān)鍵問題。通過對(duì)資源動(dòng)態(tài)在云制造環(huán)境下服務(wù)特點(diǎn)的了解，提出了基于蟻群算法的資源動(dòng)態(tài)調(diào)度函數(shù)，以云服務(wù)提供者找到相對(duì)應(yīng)的云服務(wù)使用者進(jìn)行任務(wù)封裝的時(shí)間最短為目標(biāo)。通過Matlab優(yōu)化了原有的資源動(dòng)態(tài)服務(wù)模型，達(dá)到了預(yù)期的效果，對(duì)以后云制造下資源動(dòng)態(tài)的調(diào)度具有指導(dǎo)意義。

關(guān)鍵詞：云制造；蟻群算法；資源動(dòng)態(tài)調(diào)度函數(shù)；Matlab

中圖分類號(hào)：F253.9 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： Dynamic resource scheduling is a key problem in cloud manufacturing. Based on resources dynamic characteristics under the environment of cloud manufacturing service，proposed based on ant colony algorithm resources dynamic scheduling function，aiming at the cloud service providers to find the corresponding task encapsulates the cloud service users the shortest time. The original resource dynamic service model was optimized by Matlab， reach the expected effect， under the cloud after manufacturing resources dynamic scheduling has a guiding significance.

Key words： cloud manufacturing； ant colony algorithm； resource dynamic scheduling function； Matlab

0 引 言

隨著現(xiàn)在科技的飛速發(fā)展，制造業(yè)開始逐步與新興云計(jì)算、物聯(lián)網(wǎng)等技術(shù)交叉融合，產(chǎn)生一種面向服務(wù)的制造新模式——云制造，它一改制造長(zhǎng)期以來面向設(shè)備、面向資源、面向訂單、面向生產(chǎn)等的形態(tài)，從而轉(zhuǎn)而真正面向服務(wù)、面向需求。在云制造中，一切能封裝和虛擬化的都作為制造云服務(wù)（包括制造資源作為服務(wù)、制造能力作為服務(wù)、制造知識(shí)作為服務(wù)等）這種大轉(zhuǎn)變是作為實(shí)現(xiàn)生產(chǎn)型企業(yè)向服務(wù)型企業(yè)轉(zhuǎn)變、實(shí)現(xiàn)制造即服務(wù)（Manufacturing-as-a-Service， MFGaaS）的基礎(chǔ)。在云制造中，通過物聯(lián)網(wǎng)、虛擬化等技術(shù)實(shí)現(xiàn)資源的封裝、發(fā)布、搜索、調(diào)度、執(zhí)行、檢測(cè)等功能，滿足云服務(wù)提供者（Cloud Sevice Provide， CSP）和云服務(wù)使用者（Cloud Service User， CSU）之間的資源對(duì)接。本文重點(diǎn)討論資源從CSP動(dòng)態(tài)調(diào)度到CSU的這個(gè)過程，爭(zhēng)取云制造資源的利用率達(dá)到最優(yōu)是我們的目標(biāo)。

目前各學(xué)者對(duì)云制造進(jìn)行了相關(guān)研究，李伯虎院士為求解更加復(fù)雜的制造問題展開大規(guī)模協(xié)同制造，提出了一種面向服務(wù)的網(wǎng)絡(luò)化制造新模式——云制造。陶飛、張霖等人設(shè)計(jì)了制造云服務(wù)管理原型系統(tǒng)功能結(jié)構(gòu)， 對(duì)基于云制造全生命周期運(yùn)行的云服務(wù)組合需求進(jìn)行了闡述。對(duì)云服務(wù)組合建模/描述和一致性檢查、云服務(wù)關(guān)聯(lián)關(guān)系、云服務(wù)組合柔性、組合網(wǎng)絡(luò)及其動(dòng)力學(xué)特性、云服務(wù)組合建模與評(píng)估、組合優(yōu)選等實(shí)現(xiàn)云服務(wù)組合的關(guān)鍵問題進(jìn)行了研究， 為未來實(shí)現(xiàn)高效智能化的云制造服務(wù)管理提供理論支持[1]；張勇凱、李芳等人用ROV編碼對(duì)蝙蝠算法進(jìn)行了重新編碼和解碼，并且對(duì)其進(jìn)行了混沌序列初始化和自適應(yīng)變步長(zhǎng)的運(yùn)算步長(zhǎng)改進(jìn)，提高了原蝙蝠算法的收斂速度和最優(yōu)解的精度[2]，倪志偉、王會(huì)穎等人基于云計(jì)算技術(shù)和云服務(wù)技術(shù)研究了云服務(wù)的動(dòng)態(tài)選擇問題，給出了云制造服務(wù)層次化模型，提出了一種基于MapReduce和多目標(biāo)蟻群算法的制造云服務(wù)動(dòng)態(tài)選擇算法（CSSMA）[3]；武超然、江海濤通過改進(jìn)蝙蝠算法，實(shí)現(xiàn)了供需調(diào)度時(shí)間的最優(yōu)[4]；唐海波、黃瓊瓊等提出了基于負(fù)載資源的均衡的動(dòng)態(tài)調(diào)度策略，建立了以完成任務(wù)的總服務(wù)成本為最優(yōu)化目標(biāo)的模型，并實(shí)際驗(yàn)證了可行性[5]。以上對(duì)于云制造資源調(diào)度的研究還有很大的發(fā)展空間，本文將以云制造資源的利用率為目標(biāo)進(jìn)行研究討論。

1 云制造資源調(diào)度過程的描述

云制造資源的調(diào)度其實(shí)是實(shí)現(xiàn)云服務(wù)提供者CSP到云服務(wù)使用者CSU對(duì)接的過程。云服務(wù)提供者CSP包括原材料供應(yīng)商、加工生產(chǎn)商、物流配送商等，他們各自將自身可以提供的資源登記在云服務(wù)的平臺(tái)，等待云制造資源的出租銷售；而云制造資源這個(gè)虛擬的資源是游離在云服務(wù)平臺(tái)的，毫無序列而言，只等待搜索到相對(duì)應(yīng)的云服務(wù)使用者CSC后，封裝到某個(gè)生產(chǎn)生命周期，供云服務(wù)使用者USU使用；而云服務(wù)使用者CSU向云服務(wù)平臺(tái)提出自己的需求，等待平臺(tái)安排相應(yīng)的云制造資源供其使用。

1.1 質(zhì)量檢測(cè)機(jī)制。在已經(jīng)匹配好的一系列生命周期的生產(chǎn)工序中，前一個(gè)云服務(wù)提供者CSP完成這一項(xiàng)工序后要被檢測(cè)合格后才可轉(zhuǎn)交給下一個(gè)云服務(wù)提供者CSP進(jìn)行下一項(xiàng)工序，否則重新完成。這樣既可保證服務(wù)質(zhì)量，又可減少損失，如若沒有合格標(biāo)準(zhǔn)檢測(cè)機(jī)制，不光會(huì)導(dǎo)致整條服務(wù)的不合格，云服務(wù)使用者不滿意，而且無法完成這一項(xiàng)任務(wù)，整個(gè)生命周期需要的云服務(wù)提供者CSP都要重新來過，浪費(fèi)了其他云服務(wù)提供者CSP的時(shí)間，降低了整個(gè)云服務(wù)資源的利用率。

1.2 原始資源動(dòng)態(tài)調(diào)度過程。由于云服務(wù)平臺(tái)數(shù)據(jù)處理的冗雜性，將有相同需求的云服務(wù)使用者CSU作為同一批次進(jìn)行處理，通過關(guān)鍵詞搜索需要的一系列云制造資源，將它們進(jìn)行封裝，作為一個(gè)整體完成任務(wù)。只有當(dāng)所有的云服務(wù)使用者CSU的任務(wù)需求全部完成時(shí)，云服務(wù)提供者CSP才可以被釋放，成為原來的游離狀態(tài)，即可以繼續(xù)下一批次的任務(wù)所搜索，繼而封裝在另一個(gè)整體工作。endprint

從圖1可知，第一批次是有5個(gè)云服務(wù)提供者CSP1，2，3，4，5完成云服務(wù)使用者CSU1，2，3，4，5，6，7，8的任務(wù)，隨機(jī)產(chǎn)生的任務(wù)安排為2，4，1，3，3，5，1，2表示第一個(gè)任務(wù)由CSP2完成，第二個(gè)任務(wù)由CSP4完成，第三個(gè)任務(wù)由CSP1完成，第四、五個(gè)任務(wù)都由CSP3完成，第六個(gè)任務(wù)由CSP5完成，第七個(gè)任務(wù)由CSP1完成，最后一個(gè)任務(wù)由CSP2完成。

1.3 改進(jìn)后的資源動(dòng)態(tài)調(diào)度過程。通過原始的資源動(dòng)態(tài)調(diào)度過程圖解可以看出，CSP1在完成第七個(gè)任務(wù)后閑置了一個(gè)工序，CSP2一直要完成最后一次才可被釋放，CSP3在完成第五個(gè)任務(wù)后閑置了三個(gè)工序，CSP4在完成第二個(gè)任務(wù)后閑置了六個(gè)工序，CSP5在完成第六個(gè)任務(wù)后閑置了兩個(gè)工序。由此可知，大部分的CSP是閑置的。

現(xiàn)在就將封裝中的CSP進(jìn)行改進(jìn)優(yōu)化，如果某個(gè)CSP在完成整個(gè)封裝中的任務(wù)且通過質(zhì)量監(jiān)測(cè)后可變成游離狀態(tài)，即可開始搜索CSU進(jìn)行下一批次的封裝任務(wù)。假設(shè)：

CSP

在每個(gè)CSP從任務(wù)完成變成游離狀態(tài)時(shí)，它的相應(yīng)的編碼狀態(tài)也從1變成0，我們?cè)诿總€(gè)批次的封裝任務(wù)的最后一道工序設(shè)置一個(gè)可通過CSP狀態(tài)為0時(shí)通過，即可以進(jìn)行下一批次任務(wù)搜索，然后如此循環(huán)往復(fù)。所以改進(jìn)后的資源動(dòng)態(tài)調(diào)度過程如圖2所示：

2 云資源動(dòng)態(tài)調(diào)度函數(shù)

提高云制造資源的利用率實(shí)際上是盡量讓每個(gè)CSP都在任務(wù)中，即大部分時(shí)間都在工作，減少不必要的時(shí)間浪費(fèi)，所以我們通過CSP完成一定數(shù)量的任務(wù)時(shí)間來檢測(cè)云制造資源的利用率。

其中，R是云制造資源利用率，MaxR是我們的優(yōu)化目標(biāo)；t 是CSP 完成任務(wù)的時(shí)間，t 是CSP 通過質(zhì)量檢測(cè)的時(shí)間，t 包括CSP搜索到匹配的CSU的時(shí)間以及等待浪費(fèi)時(shí)間的兩部分時(shí)間；CSP 代表CSP狀態(tài)，為0時(shí)是閑置狀態(tài)，即此CSP在本次封裝任務(wù)中不需要，反之，若為1則是任務(wù)狀態(tài)，即此CSP不能進(jìn)行搜索本次封裝任務(wù)。這個(gè)時(shí)間的比率即可代表云制造資源的利用率。

下面，我們通過將t 最小化來達(dá)到整體提高云資源利用率的目標(biāo)，因?yàn)樵谝欢〝?shù)量任務(wù)前提下，完成任務(wù)的時(shí)間越短，其浪費(fèi)的等待時(shí)間就越少，云資源的利用率就越高。

3 通過蟻群算法進(jìn)行優(yōu)化

3.1 蟻群算法的基本思想。蟻群算法（Ant Colony Algorithm， ACA）是由意大利學(xué)者M(jìn).Dorigo等人提出的一種模擬進(jìn)化算法，其真實(shí)的模擬了自然界螞蟻群體的覓食行為。螞蟻在尋找食物時(shí)，會(huì)在其經(jīng)過的路上釋放一種信息素，并能夠感知其他螞蟻釋放的信息素。信息素的濃度的大小表征路徑的遠(yuǎn)近，信息素濃度越高，表示對(duì)應(yīng)的路徑距離越短。螞蟻在路徑上前進(jìn)時(shí)會(huì)根據(jù)前邊走過的螞蟻所留下的分泌物選擇其要走的路徑。其選擇一條路徑的概率與該路徑上分泌物的強(qiáng)度成正比。因此，由大量螞蟻組成的群體的集體行為實(shí)際上構(gòu)成一種學(xué)習(xí)信息的正反饋現(xiàn)象：某一條路徑走過的螞蟻越多，后面的螞蟻選擇該路徑的可能性就越大。螞蟻的個(gè)體間通過這種信息的交流尋求通向食物的最短路徑。

將蟻群算法應(yīng)用于解決優(yōu)化問題的基本思路為：用螞蟻的行走路徑表示優(yōu)化問題的可行解，整個(gè)螞蟻群體的所有路徑構(gòu)成優(yōu)化問題的解空間，路徑較短的螞蟻釋放的信息素較多，隨著時(shí)間的推進(jìn)，較短的路徑上累積的信息素濃度逐漸提高，選擇該路徑的螞蟻個(gè)數(shù)也愈來愈多。最終，整個(gè)螞蟻群體會(huì)在正反饋的作用下集中到最佳路徑上，此時(shí)對(duì)應(yīng)的便是待優(yōu)化問題的最優(yōu)解。

3.2 改進(jìn)后螞蟻個(gè)數(shù)的設(shè)定。螞蟻群在覓食時(shí)，分開各自尋找食物，并通過釋放信息素通知其他螞蟻的路徑情況，由于螞蟻個(gè)體尋找路徑的不同，尋找到食物的先后順序是不同的，先找到食物的螞蟻，會(huì)在其經(jīng)過的路徑上釋放較高濃度的信息素來通知其他螞蟻，在其找到食物到達(dá)巢穴的最佳途徑后便不再外出覓食，此時(shí)還在外面覓食的蟻群數(shù)量則會(huì)相應(yīng)減少，但整個(gè)蟻群的數(shù)量是一定的。

原始的蟻群算法在整個(gè)過程中，螞蟻的數(shù)量是一成不變的。在本文中，假設(shè)在一定的時(shí)間內(nèi)，云資源使用者CSU的個(gè)數(shù)是一定的，云資源提供者CSP（即虛擬的螞蟻）的個(gè)數(shù)是不定的，即隨著搜索封裝任務(wù)的進(jìn)行，有一部分的CSP是在任務(wù)狀態(tài)的，不能參與搜索任務(wù)，但是總的CSP的個(gè)數(shù)上限是一定的，即在所有的CSP開始和結(jié)束任務(wù)搜索時(shí)的個(gè)數(shù)是一定的，即CSP沒有任務(wù)搜索時(shí)的個(gè)數(shù)是一定的。

3.3 算法過程描述。云制造環(huán)境下應(yīng)用蟻群算法解決云資源的動(dòng)態(tài)調(diào)度過程可以在圖形的幫助下轉(zhuǎn)化為蟻群覓食網(wǎng)絡(luò)。由CSP1，2，3，4，…，m的集合組成螞蟻群，與之相對(duì)應(yīng)的是由一系列小節(jié)點(diǎn)組成的CSU大節(jié)點(diǎn)，按照任務(wù)類型的不同，分成不同的小節(jié)點(diǎn)，而其中的每一個(gè)小節(jié)點(diǎn)都是要求類似的CSU群，這一系列的CSU群按照在云平臺(tái)登記的時(shí)間先后排列。CSP集合中的每個(gè)個(gè)體對(duì)CSU群進(jìn)行搜索，然后按照時(shí)間順序進(jìn)行任務(wù)封裝。S代表虛擬起點(diǎn)，E代表虛擬終點(diǎn)，所以本文的云資源的動(dòng)態(tài)調(diào)度問題就轉(zhuǎn)化為了尋找從S到E的最短路徑問題。蟻群算法對(duì)云制造下資源調(diào)度過程的描述如圖3所示。

3.4 蟻群算法解決云制造下資源調(diào)度問題的基本原理。設(shè)整個(gè)螞蟻群體中的螞蟻數(shù)量為m，即云制造環(huán)境中云制造資源的提供者CSP的數(shù)量為m，云制造資源的使用者CSU的數(shù)量為n，使用者CSU 與CSU 之間的先后到達(dá)時(shí)間差為t ，t時(shí)刻CSU 與CSU 連接過程中的信息素濃度為τ t。初始時(shí)刻，各個(gè)CSU之間連接過程中的信息素濃度相同，設(shè)為τ 0= τ 。

提供者Kk=1，2，3，…，m根據(jù)各個(gè)與使用者之間連接過程中的信息素濃度決定下一個(gè)搜索的使用者，設(shè)P t表示t時(shí)刻提供者K從使用者i轉(zhuǎn)移到使用者j的概率，其計(jì)算公式為：

其中，μ t為啟發(fā)函數(shù)，μ t=1/t ，表示提供者從使用者i轉(zhuǎn)移到使用者j的期望程度；allow k=1，2，3，…，m為提供者K待訪問使用者的集合，開始時(shí)，allow 中有n-1個(gè)元素，即包括除了提供者K除搜索使用者之外的其他使用者，隨著時(shí)間的推進(jìn)，allow 中的元素不斷減少，直至為空，即表示所有的使用者搜索完畢；α為信息素重要程度因子，其值越大，表示信息素的濃度在轉(zhuǎn)移中起的作用越大；β為啟發(fā)函數(shù)重要程度因子，其值越大，表示啟發(fā)函數(shù)在轉(zhuǎn)移中的作用越大，即提供者會(huì)以較大的概率轉(zhuǎn)移到距離較短的使用者。endprint

如上所述，在提供者釋放信息素的同時(shí)，各個(gè)使用者之間的連接過程上的信息素逐漸消失，設(shè)參數(shù)ρ（0<ρ<1）表示信息素的揮發(fā)程度。因此，當(dāng)所有提供者完成一次循環(huán)后，各個(gè)使用者之間連接過程上的信息素濃度需進(jìn)行實(shí)時(shí)更新，即：

其中，Δτ 表示第k個(gè)提供者在使用者i與使用者j搜索過程中釋放的信息素濃度；Δτ 表示所有提供者在使用者i與使用者j搜索過程中釋放的信息素濃度之和。

3.5 蟻群算法的優(yōu)化結(jié)果。第一次迭代時(shí)，云資源提供者CSP的個(gè)數(shù)是滿值30個(gè)，隨著CSP在搜索匹配的云資源使用者CSU的過程中，有部分CSP已經(jīng)搜索到匹配的CSU，即從不匹配的CSU 轉(zhuǎn)移到匹配的CSU ，所以剩下的還未搜索到匹配的CSU的CSP的個(gè)數(shù)就產(chǎn)生了變化，在本文中，對(duì)云資源提供者CSP的個(gè)數(shù)（螞蟻數(shù)量）采用實(shí)時(shí)更新機(jī)制，使其更符合實(shí)際的云資源調(diào)度過程。

下面是改進(jìn)后CSP搜索匹配到匹配的CSU的過程：

圖4、圖5是改進(jìn)前、后迭代最短距離與平均距離對(duì)比。

通過Matlab進(jìn)行仿真實(shí)驗(yàn)后，得出兩個(gè)結(jié)論：

①最短距離的對(duì)比

②局部最優(yōu)的改進(jìn)

改進(jìn)前，在100次迭代中，第40次已達(dá)到最優(yōu)，但此時(shí)的最優(yōu)往往是局部最優(yōu)，未能找到全局最優(yōu)；改進(jìn)后，大概在第72次迭代達(dá)到最優(yōu)，避免局部最優(yōu)，找到更好的最優(yōu)解。

我們?cè)诔跏荚O(shè)置了以月（30）為單位和以天（24）為單位的30組數(shù)據(jù)，以蟻群算法為基礎(chǔ)進(jìn)行仿真，在100次迭代后，得到了100.8135這個(gè)最短距離的最優(yōu)解，比之前的105.3275的更優(yōu)化，迭代次數(shù)由40增加到72，能夠更大可能的找到全局最優(yōu)解，達(dá)到了優(yōu)化的目的。

通過在Matlab中的仿真實(shí)驗(yàn)，發(fā)現(xiàn)了改進(jìn)后，云服務(wù)提供者CSP搜索到匹配的云服務(wù)使用者CSU的最短距離縮短了，相應(yīng)的所耗時(shí)間也減少了，因?yàn)閠wi包括CSP搜索到匹配的CSU的時(shí)間以及等待浪費(fèi)時(shí)間的兩部分時(shí)間，所以在這里我們便減少了搜索的時(shí)間，即減小了twi，在云資源利用率最大化中，成功的提高了利用率R，達(dá)到了預(yù)期的目標(biāo)。

4 結(jié) 論

本文針對(duì)云平臺(tái)上云資源提供者CSP搜索匹配云資源使用者CSU并進(jìn)行任務(wù)封裝的過程，提出了基于蟻群算法的解決方法。通過Matlab的仿真實(shí)驗(yàn)，量化數(shù)據(jù)的前后對(duì)比，表明本文對(duì)于云資源調(diào)度過程的改進(jìn)是可行的，能夠在更短的時(shí)間內(nèi)對(duì)云資源提供者CSP和云資源使用者CSU進(jìn)行匹配，并且避免了局部最優(yōu)，使得出的最優(yōu)解更具有說服力，對(duì)以后的云資源動(dòng)態(tài)調(diào)度過程有一定指導(dǎo)意義。

參考文獻(xiàn)：

[1] 陶飛，張霖，郭華，等. 云制造特征及云服務(wù)組合關(guān)鍵問題研究[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2011，17（3）：477-486.

[2] 張勇凱，李芳，等. 改進(jìn)蝙蝠算法在云制造供應(yīng)鏈中的應(yīng)用[J]. 數(shù)學(xué)理論與應(yīng)用，2015，35（2）：83-94.

[3] 倪志偉，王會(huì)穎，等. 基于MapReduce和多目標(biāo)蟻群算法的制造云服務(wù)動(dòng)態(tài)選擇算法[J]. 中國(guó)機(jī)械工程，2014，10（20）：2751

-2760.

[4] 武超然，江海濤，等. 云制造平臺(tái)下基于蝙蝠算法的供需調(diào)度時(shí)間優(yōu)化[J]. 現(xiàn)代情報(bào)，2014，10（10）：35-40.

[5] 唐海波，黃瓊瓊，等. 云制造環(huán)境下資源動(dòng)態(tài)調(diào)度系統(tǒng)研究[J]. 機(jī)械工程與自動(dòng)化，2014，12（6）：4-6.

[6] 付超，肖明. 云制造環(huán)境下的云服務(wù)組合優(yōu)選方法[J]. 計(jì)算機(jī)應(yīng)用研究，2014，6（6）：1744-1751.

[7] 李芳，單大亞，馬婷. 基于多智能體的虛擬企業(yè)群協(xié)同生產(chǎn)調(diào)度模式研究[J]. 計(jì)算機(jī)應(yīng)用研究，2013，30（6）：1624-1629.

[8] 吳昊，倪志偉，王會(huì)穎. 基于MapReduce的蟻群算法[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2012，16（7）：1503-1509.

[9] 李伯虎，張霖，王時(shí)龍，等. 云制造——面向服務(wù)的網(wǎng)絡(luò)化制造新模式[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2010，16（1）：1-7，16.

[10] 李伯虎，張霖，任磊，等. 云制造典型特征、關(guān)鍵技術(shù)與應(yīng)用[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2012，18（7）：1345-1356.

[11] 蔡坦，劉衛(wèi)寧，等. 一種新的基于直覺模糊集的制造云服務(wù)優(yōu)選方法[J]. 中國(guó)機(jī)械工程，2014，2（3）：352-356.

[12] 劉衛(wèi)寧，李一鳴，劉波. 基于自適應(yīng)粒子群算法的制造云服務(wù)組合研究[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2012，18（10）：2869-2874.

[13] 李京生，王愛民. 基于動(dòng)態(tài)資源能力服務(wù)的分布式協(xié)同調(diào)度技術(shù)[J]. 計(jì)算機(jī)集成制造系統(tǒng)，2012（7）：1563-1574.

[14] 葛江華，孫月洲. 云制造車間資源調(diào)度與配置模型及優(yōu)化研究[D]. 哈爾濱：哈爾濱理工大學(xué)（碩士學(xué)位論文），2012：59.

[15] Udhayakumar P， Kummana N N S. Sequencing and scheduling of job and tool in a flexible manufacturing system using ant colony optimization algorithm[J]. International Journal of Advanced Mancturing Technology， 2010，50（9-12）：1075-1084.

[16] TAO Fei， ZHAO Dongmi ng， ZHANG Lin. Resource service optimal-selection based on intuitionistic fuzzy set and non-functionality QoS in manufacturing grid system[J]. Knowledge and Informai on Systems， 2010，25（1）：185-208.endprint