萬年紅，王雪蓉

(1.浙江東方職業(yè)技術(shù)學(xué)院 數(shù)字工程學(xué)院,浙江 溫州 325000；2.浙江東方職業(yè)技術(shù)學(xué)院 教務(wù)處，浙江 溫州 325000)

0 引言

云計(jì)算技術(shù)與制造業(yè)的快速融合，催生了云制造這一新型業(yè)態(tài)[1-13]。云制造過程中會產(chǎn)生海量的具有混雜性、異構(gòu)性、用途各異、模糊性的多目標(biāo)事務(wù)，它是云制造服務(wù)組合的基本單元和基本要素[4]。云制造需求、任務(wù)通過不同類型、動態(tài)演化的多目標(biāo)事務(wù)匹配、組合相應(yīng)的制造服務(wù),快速響應(yīng)客戶需求,從而實(shí)現(xiàn)對制造資源的調(diào)度，縮短產(chǎn)品開發(fā)周期。因此，有效地對多目標(biāo)事務(wù)進(jìn)行分類、聚類分析[14-23]，識別多目標(biāo)事務(wù)的相似性及差異性，從而有效地實(shí)現(xiàn)云制造服務(wù)組合的目標(biāo)是一個(gè)熱點(diǎn)問題。

目前，關(guān)于云制造服務(wù)組合的研究方法已受到了學(xué)者關(guān)注，例如：SLA感知的事務(wù)型組合服務(wù)容錯(cuò)方法[1]、基于事務(wù)的分布式虛擬化環(huán)境下服務(wù)替換方法[2-3]、基于動態(tài)匹配網(wǎng)絡(luò)的制造服務(wù)組合自適應(yīng)方法[4-5]、基于區(qū)間的制造服務(wù)組合多目標(biāo)優(yōu)化方法[6]、基于雙層蟻群算法的云制造服務(wù)組合方法[7]、基于協(xié)同效應(yīng)的并行制造云服務(wù)組合算法[8]、云制造模式下面向加工設(shè)備的服務(wù)聚類與初選方法[9]、云制造環(huán)境下的知識服務(wù)組合優(yōu)化策略[10-11]、基于組合歷史的交互式服務(wù)推薦方法[12]、時(shí)空敏感的QoS預(yù)測方法[13]等。這些方法采用向前或向后恢復(fù)策略針對云制造服務(wù)組合的失效和QoS(quality of service，服務(wù)質(zhì)量)的變化更新，對多目標(biāo)事務(wù)進(jìn)行處理,對已執(zhí)行的事務(wù)進(jìn)行補(bǔ)償,準(zhǔn)確預(yù)測備選服務(wù)的QoS，在線選取、實(shí)時(shí)處理多種不同類型事務(wù)的動態(tài)服務(wù)組合方案，克服了服務(wù)組合負(fù)載能力不足的問題，提高了對動態(tài)云制造多目標(biāo)事務(wù)的應(yīng)變能力和服務(wù)組合執(zhí)行的可靠性、穩(wěn)定性和一致性，較好地實(shí)現(xiàn)了云制造服務(wù)組合的目標(biāo)[1-13]。因此以上方法均具有一定的借鑒意義。但是，在云制造模式下，事務(wù)通常是混雜、異構(gòu)、不確定、多目標(biāo)、動態(tài)演化的，僅從以上方法的角度來研究云制造服務(wù)組合，存在著只依賴于定期挖掘的初始數(shù)據(jù)和日志導(dǎo)致額外開銷，不能適應(yīng)服務(wù)組合的動態(tài)更新、負(fù)載均衡和服務(wù)隊(duì)列依賴關(guān)系，不能考慮需求和服務(wù)之間的變更等問題[1-13]，在云制造服務(wù)組合的收斂性、平穩(wěn)性、敏捷性、動態(tài)演化性、智能性等方面，效果明顯不能達(dá)到要求。

實(shí)際上，隨著云計(jì)算技術(shù)的發(fā)展，目前云制造的相關(guān)標(biāo)準(zhǔn)、架構(gòu)較為統(tǒng)一、成熟[1-13]，多目標(biāo)的云制造事務(wù)之間一般都具有看似非線性、離散、混沌、異構(gòu)但可以通過模糊理論和概率論處理得到一定程度相關(guān)的多目標(biāo)事務(wù)模糊關(guān)聯(lián)維屬性，如果綜合模糊聚類和關(guān)聯(lián)聚類分析方法[14-19]，結(jié)合概率論、遺傳算法就可以把看似混沌、不關(guān)聯(lián)的多目標(biāo)事務(wù)模糊關(guān)聯(lián)維屬性提取出來，基于此，可以較好地將模糊、混沌的云制造多目標(biāo)事務(wù)有效劃分到相應(yīng)聚類中心，使得云制造空間中多目標(biāo)事務(wù)具有簇間差異化分組和簇內(nèi)相似性分組，再通過集成機(jī)制實(shí)現(xiàn)云制造服務(wù)的全局組合。但是由于云制造環(huán)境的高度混雜性和動態(tài)演化性，從實(shí)際的聚類效果來看，以上傳統(tǒng)方法存在端到端QoS約束、制造服務(wù)組合變更率、制造任務(wù)變更率、制造服務(wù)組合執(zhí)行成功率、制造服務(wù)組合負(fù)載均衡度、制造服務(wù)組合負(fù)載隊(duì)列優(yōu)化能力、制造服務(wù)組合最大負(fù)載低[1-13]等需要解決的關(guān)鍵問題，關(guān)于多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類的云制造服務(wù)組合算法的更有效的研究并不多見。

因此，本文針對上述研究的不足，基于多目標(biāo)事務(wù)模糊聚類，改進(jìn)相關(guān)算法，開展多目標(biāo)事務(wù)的云模式通用解析、多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征的云模式通用表示、云制造服務(wù)組合多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類算法等方面研究，設(shè)計(jì)一種敏捷、智能、平穩(wěn)的云制造服務(wù)組合算法(SCACM,service composition algorithms in cloud manufacturing based on fuzzy correlation clustering of multi-objective transactions)。

1 基于云模式的制造服務(wù)組合問題描述

1.1 多目標(biāo)事務(wù)的云模式通用解析

本文因篇幅所限，關(guān)于云和云滴的通用定義，請讀者參見文獻(xiàn)[4-10]。

定義1：云制造多目標(biāo)事務(wù)。

云制造多目標(biāo)事務(wù)是指云制造過程中在一個(gè)非線性時(shí)間間隔內(nèi)，有多個(gè)云池IP地址發(fā)出的非線性、任意形態(tài)、不同密度、用途各異的云制造事件序列。

由于云制造任務(wù)通過不同類型、動態(tài)變化的多目標(biāo)事務(wù)組合相應(yīng)的制造服務(wù)，因此，首先要對云制造多目標(biāo)事務(wù)進(jìn)行云模式通用解析。

假設(shè)：在制造需求下，在一個(gè)表示定量論域的有限變量集LD={LDi|i∈N}的約束下，一個(gè)事務(wù)Transi是由制造請求URi、事務(wù)編號TNi、事務(wù)地址IPi、事務(wù)粒度TLDi、事務(wù)組件TZJi、事務(wù)初始狀態(tài)TCZi、事務(wù)遷移狀態(tài)TRFi、事務(wù)結(jié)束狀態(tài)TEZi、制造Web日志W(wǎng)RZi、制造最低興趣度ZDXi、時(shí)間間隔TGi等事務(wù)單元TWDi組成的集合，即Trani={URi,TNi,IPi,TLDi,TZJi,TCZi,TRFi,TEZi,WRZi,ZDXi,TGi}。采用窮舉搜索算法[1]，對TCZi、TRFi、TEZi進(jìn)行賦值，將任意形態(tài)、不同密度、異構(gòu)的TZJi的串行執(zhí)行順序改進(jìn)為并行選擇，作為定性概念TWDi的一次隨機(jī)實(shí)現(xiàn)，且把TGi看成是有穩(wěn)定傾向的隨機(jī)數(shù)，在其解空間中,隨機(jī)、均勻地產(chǎn)生URi、TNi、IPi，且當(dāng)TGi→[0,1]，對?TLDi，TZJ，都有WRZi∈LD，ZDXi∈LD，改進(jìn)每個(gè)事務(wù)單元TWDi的N維狀態(tài)機(jī)向量XL(i)=〈xl(1),xl(2)，…，xl(i)〉，若對?TWDi，都有XL(i)→TCZixTRFixTEZi，且滿足TLDi=LDi，TZJi=LDi，則稱Transi在論域LD上的分布稱為云，記為Tre(i)，URi,TNi,IPi址,TLDi,TZJi,TCZi,TRFi,TEZi,WRZi,TGi稱為云滴，記為Tred(i)。

根據(jù)以上定義，多目標(biāo)事務(wù)的云模式通用解析函數(shù)如式(1)所示：

(1)

式(1)根據(jù)文獻(xiàn)[4-10]中關(guān)于云和云滴的通用定義，改進(jìn)事務(wù)組件TZJi的串行執(zhí)行順序?yàn)椴⑿羞x擇，可以在非線性、不可微、離散的云制造空間中全局尋優(yōu)多目標(biāo)事務(wù)，并通過Tre(i)、Tred(i)改進(jìn)、映射到N維狀態(tài)機(jī)向量XL(i)，從而實(shí)現(xiàn)了云制造多目標(biāo)事務(wù)的云模式通用解析。

1.2 多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征的云模式通用表示

定義2：多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征。

多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征是指云制造空間中看似非線性、離散、混沌、異構(gòu)但可以通過模糊理論和概率論處理得到一定程度相關(guān)的多目標(biāo)事務(wù)模糊關(guān)聯(lián)維屬性。

多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征是實(shí)現(xiàn)多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類以及基于此的云制造服務(wù)組合的關(guān)鍵。因此，需要對多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征進(jìn)行云模式通用表示。

(2)

1.3 云制造服務(wù)組合問題

2 云制造服務(wù)組合多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類算法

定義3：模糊關(guān)聯(lián)聚類。

模糊關(guān)聯(lián)聚類是指基于定義1、定義2、式(1)、式(2)，運(yùn)用模糊聚類和關(guān)聯(lián)聚類方法對應(yīng)用于云制造服務(wù)組合的多目標(biāo)事務(wù)進(jìn)行聚類分析，目的是使得云制造空間中多目標(biāo)事務(wù)具有簇間差異化分組和簇內(nèi)相似性分組。

多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類是云制造服務(wù)組合的關(guān)鍵，其算法步驟如下：

步驟1：設(shè)定云滴影響因素的第k個(gè)聚類樣本的第i個(gè)特征在TGi時(shí)刻的數(shù)值，把制造Web日志W(wǎng)RZi隨機(jī)分成N個(gè)事務(wù)粒度TLDi，為第i個(gè)TLDi的每個(gè)模糊關(guān)聯(lián)特征權(quán)重賦值為1,設(shè)定多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征決策方案集S={si|i∈N}，根據(jù)經(jīng)驗(yàn)貝葉斯方法[15]，初始化第i個(gè)TLDi的聚類中心點(diǎn)Ci，并使FCPH(Transi)各指標(biāo)具有不同的云滴量綱和屬性，計(jì)算當(dāng)前各聚類中心點(diǎn)Ci的模糊隸屬度加權(quán)和wi,得到模糊關(guān)聯(lián)特征提取矩陣FEZJi,創(chuàng)建(N+TGi)維權(quán)重向量WXLi,使TLDi的模糊特征絕對量之間的關(guān)聯(lián)距離disAi最小化，可得如式(3)所示的模糊關(guān)聯(lián)特征序列的提取函數(shù)：

(3)

通過式(3)，加速搜索以概率出現(xiàn)的聚類中心參數(shù)與實(shí)際值的波動距離,初始化云滴模糊關(guān)聯(lián)特征樣本矩陣，用來控制聚類中心的緊致度，從而實(shí)現(xiàn)多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征的提取。

(4)

根據(jù)式(4)，生成多目標(biāo)事務(wù)的新建議樣本，找到局部最優(yōu)解，進(jìn)一步篩選出更適合聚類的模糊關(guān)聯(lián)特征的代表點(diǎn)事務(wù)對象。

步驟3：采用優(yōu)選元胞遺傳模糊聚類方法[16]，以當(dāng)前馬爾科夫鏈狀態(tài)為中心，利用正向云[4-10]，以云滴相互迭代方式來優(yōu)化聚類目標(biāo)事務(wù)Transi,通過設(shè)定模糊隸屬的最小約束ZXYSi，確定存在兩種情況：肯定屬于聚類中心的集合CCi={cci|i∈N}和一定不屬于聚類中心的集合CNi={cni|i∈N}，即聚類應(yīng)用于云制造服務(wù)組合的多目標(biāo)事務(wù)時(shí)固定一個(gè)變量xi,按式(5)所示的模糊隸屬度函數(shù)計(jì)算代表點(diǎn)事務(wù)對象模糊隸屬度，求解得到多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征的模糊聚類簇。

(5)

(6)

通過式(6)，在模糊因子[14-16]約束下，將所有代表點(diǎn)事務(wù)對象都當(dāng)成向聚類中心Ci靠攏的云滴代表點(diǎn),可以獲取每個(gè)視角下的時(shí)空關(guān)聯(lián)軌跡跟蹤矩陣，動態(tài)、實(shí)時(shí)地實(shí)現(xiàn)多目標(biāo)事務(wù)對象檢測點(diǎn)之間的關(guān)聯(lián)。

步驟5：采用粒子群優(yōu)化算子[16]，對式(6)實(shí)施動態(tài)交叉和兩階段變異，消除多目標(biāo)事務(wù)對象代表點(diǎn)的差異性，反復(fù)迭代，使得具有代表點(diǎn)事務(wù)對象模糊隸屬度、代表點(diǎn)事務(wù)對象時(shí)空關(guān)聯(lián)度最大值的事務(wù)對象向聚類中心Ci靠攏，從而將代表點(diǎn)事務(wù)對象劃分到相應(yīng)的聚類簇，最終實(shí)現(xiàn)面向云制造服務(wù)組合的多目標(biāo)事務(wù)的模糊關(guān)聯(lián)聚類。

3 基于相關(guān)算法改進(jìn)的SCACM算法設(shè)計(jì)與建模

3.1 反向?qū)W習(xí)算法的改進(jìn)

反向?qū)W習(xí)算法[8-9]是SCACM算法的關(guān)鍵。但傳統(tǒng)的反向?qū)W習(xí)算法在對比當(dāng)前概率樣本之間的似然值時(shí),組合概率受到隸屬度參數(shù)向量不規(guī)則影響，未能使關(guān)聯(lián)距離disAi和增速距離ZDISi之間的誤差最小化，從而影響了對QoS的評估。因此，有必要對反向?qū)W習(xí)算法進(jìn)行如下改進(jìn)：

假設(shè)當(dāng)檢測到多目標(biāo)事務(wù)處于未更新云滴狀態(tài)時(shí)，改進(jìn)反向?qū)W習(xí)函數(shù)[8]，即將第k個(gè)聚類樣本的模糊關(guān)聯(lián)特征在t時(shí)刻的屬性值，引入到原始事務(wù)對象的權(quán)重YWi和代表點(diǎn)事務(wù)對象的權(quán)重DWi中，啟動下一次迭代中的反向?qū)W習(xí)過程，剩下的簇中代表點(diǎn)事務(wù)對象在回歸系數(shù)HGi的約束下，準(zhǔn)備轉(zhuǎn)至下一個(gè)云節(jié)點(diǎn)CJDi，將反向?qū)W習(xí)函數(shù)運(yùn)用到每個(gè)云滴節(jié)點(diǎn)CJDi的路徑選擇中,并在聚類中心點(diǎn)Ci的模糊隸屬度加權(quán)和wi的影響下,逐步向聚類中心Ci靠攏，并行實(shí)施任意兩個(gè)云滴節(jié)點(diǎn)之間不同服務(wù)的協(xié)同效應(yīng)，從而可以得到較好的制造服務(wù)組合。

改進(jìn)的反向?qū)W習(xí)函數(shù)形式如式(7)所示：

(7)

式(7)改進(jìn)的主要貢獻(xiàn)在于：將改進(jìn)的聚類樣本模糊關(guān)聯(lián)特征屬性值引入YWi和DWi，在迭代中的反向?qū)W習(xí)過程約束概率樣本似然值,可使不同視角下的對應(yīng)樣本獲得相同的聚類標(biāo)簽，保持一致的標(biāo)簽編號，使得disAi和ZDISi誤差最小化，從而解決組合概率不規(guī)則問題，從而可以準(zhǔn)確評估QoS。

3.2 可替換服務(wù)推薦算法的改進(jìn)

可替換服務(wù)推薦算法[7，12]是SCACM算法的關(guān)鍵。但傳統(tǒng)的可替換服務(wù)推薦算法在更新云滴節(jié)點(diǎn)時(shí)只考慮將新加入的邊和受影響的邊加入到制造服務(wù)組合中，當(dāng)云分布符合冪分布時(shí)，存在“無標(biāo)度”服務(wù)的問題，僅僅依靠多目標(biāo)事務(wù)間的相似度進(jìn)行服務(wù)的劃分和服務(wù)協(xié)同推薦，未能“擇優(yōu)”進(jìn)行制造服務(wù)組合。

基于云節(jié)點(diǎn)的加權(quán)度函數(shù)的改進(jìn)形式如式(8)所示：

JQDH(Transi)=

(8)

式(8)改進(jìn)的主要貢獻(xiàn)在于：通過不斷地交互構(gòu)造，從并行處理角度分析未選擇服務(wù)WXSi和已選擇服務(wù)YXSi節(jié)點(diǎn)的重要性，考慮將新加入的邊和受影響的邊加入到制造服務(wù)組合中，忽略服務(wù)替換上的差異值得到真正需要的組合方案，“擇優(yōu)”進(jìn)行制造服務(wù)組合，得到相似服務(wù)集，實(shí)現(xiàn)多目標(biāo)事務(wù)服務(wù)的協(xié)同推薦。

3.3 SCACM算法設(shè)計(jì)與建模

根據(jù)多目標(biāo)事務(wù)的云模式通用解析函數(shù)、多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征的云模式通用表示函數(shù)、云制造服務(wù)組合多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類算法和改進(jìn)的反向?qū)W習(xí)算法、可替換服務(wù)推薦算法，設(shè)計(jì)敏捷、智能、平穩(wěn)的云制造服務(wù)組合算法。

SCACM算法模型如圖1所示。

圖1 SCACM算法模型

SCACM算法步驟如下：

步驟1：基于式(1)、式(2)，根據(jù)云制造事件序列，采用擴(kuò)展層次化有色網(wǎng)[2]，通過Tre(i)、Tred(i)改進(jìn)、映射到N維狀態(tài)機(jī)向量XL(i)，準(zhǔn)確描述組合服務(wù)中層次結(jié)構(gòu)及控制關(guān)系，使得云制造空間中多目標(biāo)事務(wù)的模糊關(guān)聯(lián)特征具有一致性分布，構(gòu)建服務(wù)組合的組件及其消息交互模型，從而對云制造多目標(biāo)事務(wù)進(jìn)行云模式通用解析和對多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征進(jìn)行云模式通用表示。

步驟2：基于式(3)，采用動態(tài)匹配網(wǎng)絡(luò)理論模型[4],構(gòu)造制造任務(wù)網(wǎng)絡(luò)和制造服務(wù)網(wǎng)絡(luò)，以動態(tài)優(yōu)化QoS為目標(biāo)，創(chuàng)建(N+TGi)維權(quán)重向量WXLi，加速搜索以概率接受的聚類中心參數(shù)與實(shí)際值的波動距離,根據(jù)不同類型的制造服務(wù)變更，將最優(yōu)制造服務(wù)組合問題轉(zhuǎn)化為制造服務(wù)網(wǎng)絡(luò)中最短路徑的搜索，初始化多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征樣本矩陣，控制云滴的緊致度，用于表達(dá)制造服務(wù)與制造任務(wù)之間的動態(tài)匹配關(guān)系，從而實(shí)現(xiàn)模糊關(guān)聯(lián)特征的提取。

動態(tài)匹配網(wǎng)絡(luò)理論模型可用如式(9)所示的函數(shù)表示：

(9)

馬爾科夫鏈蒙特卡洛模型可用如式(10)所示的函數(shù)表示：

(10)

步驟4：基于式(10)，采用制造服務(wù)組合自適應(yīng)方法[4]對篩選出的模糊關(guān)聯(lián)特征的代表點(diǎn)事務(wù)對象進(jìn)行變更預(yù)處理、動態(tài)調(diào)度，完成事務(wù)對象間云滴匹配邊的更新。但是，傳統(tǒng)制造服務(wù)組合自適應(yīng)方法只計(jì)算事務(wù)對象在某一個(gè)時(shí)刻的動態(tài)匹配，缺乏對事務(wù)對象的全程匹配的描述，比較難適應(yīng)動態(tài)多變的云制造環(huán)境，它實(shí)際上是一種靜態(tài)調(diào)度方法。因此，需要對傳統(tǒng)的制造服務(wù)組合自適應(yīng)方法做如下改進(jìn)：

假設(shè)：根據(jù)任務(wù)序列(A1→A2→A3→A4),改進(jìn)三角模糊函數(shù)，即分別用P1、P2、P3、P4表示任務(wù)序列多目標(biāo)事務(wù)的執(zhí)行成本、執(zhí)行時(shí)間、執(zhí)行狀態(tài)、執(zhí)行質(zhì)量，確定當(dāng)前最優(yōu)的多目標(biāo)事務(wù)的增加、刪除和修改,然后按照綁定的模糊聚類方案一步步執(zhí)行,實(shí)現(xiàn)多目標(biāo)事務(wù)的更新，在P1、P2、P3、P4區(qū)間規(guī)劃中，其云滴數(shù)序關(guān)系可用左隸屬度函數(shù)LLSD(i)和右隸屬度函數(shù)RLSD(i)來定性地表示，并在模糊因子的約束下，根據(jù)當(dāng)前云滴環(huán)境調(diào)用綁定多目標(biāo)事務(wù)，若需增加事務(wù)節(jié)點(diǎn)Transji，則在當(dāng)前執(zhí)行區(qū)間中更改執(zhí)行狀態(tài)P3為待執(zhí)行狀態(tài),通過判斷左隸屬度和右隸屬度之間的優(yōu)劣，將P1、P2、P4修改為最優(yōu)形式。

三角模糊函數(shù)的改進(jìn)形式如式(11)所示：

SJFH(Transi):

(11)

式(11)改進(jìn)的主要貢獻(xiàn)在于：將多目標(biāo)事務(wù)屬性轉(zhuǎn)換成易于識別的三角模糊數(shù)形式，并進(jìn)行規(guī)范化處理，然后按照綁定的模糊關(guān)聯(lián)聚類方案一步步執(zhí)行,對篩選出的模糊關(guān)聯(lián)特征的代表點(diǎn)事務(wù)對象進(jìn)行更新更、動態(tài)調(diào)度,在得到每個(gè)目標(biāo)事務(wù)的同時(shí)獲得模糊關(guān)聯(lián)特征的最優(yōu)解，從全局上對事務(wù)對象的匹配過程進(jìn)行描述，并將不確定的多目標(biāo)事務(wù)優(yōu)化為兩個(gè)確定性的左隸屬度函數(shù)LLSD(i)和右隸屬度函數(shù)RLSD(i)，從而為多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征的模糊聚類簇打下基礎(chǔ)。

步驟5：基于式(5)、式(10)、式(11)采用廣義關(guān)聯(lián)聚類模型[18]，以相互迭代的方式來優(yōu)化聚類目標(biāo)事務(wù)Transi,融合模糊關(guān)聯(lián)特征的代表點(diǎn)事務(wù)對象檢測點(diǎn)和軌跡片段,利用逆向云[4-10]，設(shè)定最小約束ZXYSi來確定表示事務(wù)A和事務(wù)B之間的結(jié)構(gòu)關(guān)系權(quán)重并固定為一個(gè)變量xi,計(jì)算多目標(biāo)事務(wù)對象代表點(diǎn)的模糊隸屬度，求解并行服務(wù)的協(xié)同效應(yīng)值，作為云滴啟發(fā)函數(shù)參數(shù)，得到多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征的模糊聚類簇。

廣義關(guān)聯(lián)聚類模型可用如式(12)所示的函數(shù)表示：

(12)

步驟6：基于式(6)、式(12)，采用閾值確定機(jī)理[17]，對多目標(biāo)事務(wù)模糊關(guān)聯(lián)特征的模糊聚類簇進(jìn)行優(yōu)選，通過引入兩個(gè)閾值參數(shù)θi1、θi2，定義多目標(biāo)事務(wù)對象代表點(diǎn)間的可能關(guān)系和集合,確定模糊關(guān)聯(lián)特征的代表點(diǎn)事務(wù)對象關(guān)聯(lián)度似然值的增速距離ZDISi，替換為灰色關(guān)聯(lián)聚類的非此即彼結(jié)構(gòu)，使之呈現(xiàn)不同類型和屬性權(quán)重的代表點(diǎn)事務(wù)對象時(shí)空關(guān)聯(lián)問題。

閾值確定機(jī)理可用如式(13)所示的函數(shù)表示：

(13)

約束傳播機(jī)制可用如式(14)所示的函數(shù)表示：

(14)

步驟8：基于式(14)，采用制造服務(wù)組合優(yōu)化算法[6]進(jìn)行云制造服務(wù)組合優(yōu)化。但是傳統(tǒng)的制造服務(wù)組合優(yōu)化算法受制造資源自身?xiàng)l件的所限，存在多目標(biāo)事務(wù)之間互斥性與可信度不高的問題，限制了服務(wù)執(zhí)行隊(duì)列和等待隊(duì)列的長度，一般只能獲取一組非支配解,可靠性、能耗最小化未必能得到保證。因此，需要對傳統(tǒng)的制造服務(wù)組合優(yōu)化算法進(jìn)行如下改進(jìn)：改進(jìn)非支配排序遺傳公式，即設(shè)定多目標(biāo)事務(wù)對象候選代表點(diǎn)的制造工藝路線，初始化表示任務(wù)要求的加工的零件或毛胚數(shù)量(種群規(guī)模)ZQGMi、最大能耗交叉概率為RSTJi、成本變異概率為RSTBi，從滿足要求的候選模糊關(guān)聯(lián)特征云滴資源池中，隨機(jī)產(chǎn)生一個(gè)初始種群ZQGMi(x)，執(zhí)行子任務(wù)候選云服務(wù)編號，并按照可執(zhí)行加工順序組合云服務(wù)，通過選擇、交叉、變異等操作得到最佳工藝路線，最后，從合并后的候選工藝路線中依序選擇M個(gè)ZQGMi(x)個(gè)體進(jìn)入下一次迭代，并在服務(wù)調(diào)用過程中保持服務(wù)時(shí)間不變，按照擁塞度比較RSTJi和RSTBi，若RSTJi和RSTBi保持穩(wěn)定不變，則認(rèn)為云制造服務(wù)組合得到了優(yōu)化。

非支配排序遺傳公式的改進(jìn)形式如式(15)所示：

(15)

式(15)改進(jìn)的主要作用在于：解決了云制造服務(wù)組合優(yōu)化過程中多目標(biāo)事務(wù)聚類的運(yùn)算速度慢、穩(wěn)健性低、魯棒性低、離散性、互斥性與可信度的問題，可以對非支配關(guān)系執(zhí)行快速的排序，可靠性、能耗最小化得到了保證，進(jìn)而得到服務(wù)組合目標(biāo)的最優(yōu)解。

步驟9：基于式(15)，采用式(7)改進(jìn)的反向?qū)W習(xí)函數(shù)，引入原始事務(wù)對象的權(quán)重YWi和代表點(diǎn)事務(wù)對象的權(quán)重DWi，根據(jù)多目標(biāo)事務(wù)模糊關(guān)聯(lián)維屬性搜索的結(jié)果，動態(tài)分步綁定服務(wù)組合，當(dāng)服務(wù)組合執(zhí)行隊(duì)列處于空閑狀態(tài)時(shí),啟動下一次迭代中的反向?qū)W習(xí)過程，并在聚類中心點(diǎn)Ci的模糊隸屬度加權(quán)和wi的影響下,服務(wù)組合等待隊(duì)列進(jìn)入執(zhí)行狀態(tài)，逐步向聚類中心Ci靠攏，合理調(diào)度云滴資源，實(shí)現(xiàn)各制造服務(wù)云滴節(jié)點(diǎn)負(fù)載均衡，并行實(shí)施任意兩個(gè)云節(jié)點(diǎn)之間不同服務(wù)的協(xié)同效應(yīng)，從而將不同類型、動態(tài)變化的多目標(biāo)事務(wù)匹配、組合到相應(yīng)的制造服務(wù)。

步驟10：基于式(7)，采用式(8)改進(jìn)的可替換服務(wù)推薦算法，基于最短路徑算法從并行處理角度分析未選擇服務(wù)WXSi和已選擇服務(wù)YXSi節(jié)點(diǎn)，從云制造服務(wù)網(wǎng)絡(luò)中選出滿足制造任務(wù)約束代價(jià)最小的服務(wù)組合，并將向初始聚類中心靠攏的敏感度MGDi和局部極值JBJZi劃入可替換服務(wù)集KTHFi，將模糊關(guān)聯(lián)的制造服務(wù)動態(tài)綁定，得到相似云滴服務(wù)集,通過不斷地迭代過程，自動為下一個(gè)服務(wù)尋找合適的聚類中心，“擇優(yōu)”實(shí)現(xiàn)多目標(biāo)事務(wù)服務(wù)的協(xié)同推薦，反復(fù)地將具有模糊關(guān)聯(lián)特征的所有服務(wù)都?xì)w入同一個(gè)制造服務(wù)組合集合中，從而最終實(shí)現(xiàn)多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類的云制造服務(wù)組合。

至此，算法結(jié)束。

4 實(shí)驗(yàn)驗(yàn)證

4.1 實(shí)驗(yàn)數(shù)據(jù)收集與算法性能參數(shù)指標(biāo)

根據(jù)SCACM算法及圖1模型，所有的實(shí)驗(yàn)驗(yàn)證結(jié)果均選用Tomcat7.0為Web服務(wù)器，使用Matlab軟件來仿真求解。實(shí)驗(yàn)數(shù)據(jù)來自電信Hadoop云平臺中關(guān)于飛機(jī)制造的10 000余條任意形狀、不同密度、離散的云服務(wù)歷史數(shù)據(jù)，數(shù)據(jù)收集的截止時(shí)間為2022年3月31日，并采用數(shù)據(jù)分解方法[4]對數(shù)據(jù)降噪、減維、規(guī)范格式，得到平面直角坐標(biāo)系中7個(gè)并行的機(jī)身制造、機(jī)翼尾翼制造、起落架制造、發(fā)動機(jī)引擎制造、航空電子系統(tǒng)制造、機(jī)載設(shè)備制造和其他零部件制造服務(wù)組合的點(diǎn)云數(shù)據(jù)。

通過對文獻(xiàn)[1-18]的分析，歸納出評價(jià)算法性能的8個(gè)參數(shù)指標(biāo)，如表1所示，其計(jì)算公式按從上到下的順序分別用式(16)～(23)所示的公式表示(具體推導(dǎo)過程見文獻(xiàn)[1-18])：

PJDL(Transi)=FZPYH(Transi)θi1-ZQGMiθi2

(16)

QoSS(Transi)=

PJDL(Transi)θi1-RSTBiP⊕JDL(Transi)θi

(17)

ZZFR(Transi)=PJDL(Transi)+QoSS(Transi)α

(18)

(19)

(20)

(21)

FZDLY(Transi)=

(22)

ZZFZD(Transi)=

(23)

由于式(16)～式(23)沒有考慮權(quán)重系數(shù)約束的影響，可能導(dǎo)致與真實(shí)結(jié)果出現(xiàn)偏差，因此需要進(jìn)一步采用面向時(shí)間的優(yōu)化模型[6]、模糊互補(bǔ)判斷矩陣權(quán)重公式[7]、有效性度量方法[8]，通過一個(gè)統(tǒng)一的加權(quán)賦值函數(shù)對評價(jià)算法性能的8個(gè)參數(shù)指標(biāo)的值進(jìn)行加權(quán)賦值，融合計(jì)算誤差，確定算法性能參數(shù)指標(biāo)值的有效區(qū)間(具體推導(dǎo)過程見文獻(xiàn)[6-8]),見表1所示。

表1 算法性能參數(shù)指標(biāo)設(shè)置[4]

加權(quán)賦值函數(shù)如式(24)所示：

JQFZ(Transi)=FZJHD(Transi)wi+ZZFZD(Transi)θi2-

(24)

4.2 實(shí)驗(yàn)設(shè)計(jì)和結(jié)果分析

實(shí)驗(yàn)從3個(gè)方面來實(shí)施：驗(yàn)證改進(jìn)算法的性能優(yōu)勢；驗(yàn)證SCACM算法敏捷性優(yōu)勢；驗(yàn)證SCACM算法智能性和動態(tài)演化性。

4.2.1 改進(jìn)算法的性能分析

1)實(shí)驗(yàn)過程與結(jié)果：

步驟1：采用面向質(zhì)量的優(yōu)化模型[6]，設(shè)定質(zhì)量約束值，引入多目標(biāo)事務(wù)的權(quán)重YWi和模糊關(guān)聯(lián)特征的權(quán)重DWi，其綜合質(zhì)量不低于允許的最低評價(jià)值，若所有制造

子任務(wù)均選擇轉(zhuǎn)至下一個(gè)云節(jié)點(diǎn)CJDi，應(yīng)當(dāng)考慮選用權(quán)重系數(shù)較小的服務(wù)進(jìn)行組合，使得disAi和ZDISi誤差最小化，從而驗(yàn)證式(7)的性能優(yōu)勢。

步驟2：采用面向成本的優(yōu)化模型[6]，通過不斷地交互構(gòu)造多目標(biāo)事務(wù)，設(shè)置候選制造服務(wù)的執(zhí)行成本矩陣，優(yōu)化面向成本的多目標(biāo)事務(wù)，將向初始聚類中心靠攏的敏感度MGDi和局部極值JBJZi劃入可替換服務(wù)集KTHFi，最小化服務(wù)組合的總體執(zhí)行成本，得到真正需要的組合方案，統(tǒng)一表示為區(qū)間數(shù)或模糊關(guān)聯(lián)數(shù)，“擇優(yōu)”進(jìn)行制造服務(wù)組合，實(shí)現(xiàn)多目標(biāo)事務(wù)服務(wù)的協(xié)同推薦，從而驗(yàn)證式(8)的性能優(yōu)勢。

步驟3：采用核密度估計(jì)方法[22]，按照綁定的模糊關(guān)聯(lián)聚類方案一步步執(zhí)行，保證加工順序滿足要求并在模糊因子的約束下，通過判斷左隸屬度和右隸屬度兩個(gè)區(qū)間數(shù)之間的優(yōu)劣，實(shí)現(xiàn)動態(tài)變化的協(xié)同效應(yīng)最大化，通盤考慮順序、并行、選擇、循環(huán)等各種組合結(jié)構(gòu)，將不確定的多目標(biāo)事務(wù)優(yōu)化為兩個(gè)確定性的LLSD(i)和RLSD(i)，尋求最優(yōu)的基于模糊關(guān)聯(lián)聚類的服務(wù)組合，從而驗(yàn)證式(11)的性能優(yōu)勢。

步驟4：采用服務(wù)組合優(yōu)選法[8]，按云制造服務(wù)的產(chǎn)品級粒度，通過選擇、交叉、變異等操作得到ZQGMi、RSTJi、RSTBi最佳工藝路線，并分解為能夠被完成的子服務(wù)，依序選擇M個(gè)ZQGMi(x)個(gè)體進(jìn)入下一次迭代，追求最大化的服務(wù)組合協(xié)同效應(yīng)，進(jìn)而得到服務(wù)組合的最優(yōu)解，從而驗(yàn)證式(15)的性能優(yōu)勢。

為消除容易陷入局部最優(yōu)解導(dǎo)致的數(shù)值差異的問題，實(shí)驗(yàn)次數(shù)設(shè)定為100次，每次實(shí)驗(yàn)的迭代次數(shù)依次遞增1(從1開始)。因此，算法改進(jìn)前后的性能指標(biāo)值以通過對式(16)～式(23)多次計(jì)算后的平均值形式來衡量，以式(24)加權(quán)賦值函數(shù)進(jìn)行加權(quán)賦值，融合計(jì)算誤差，并按式(25)所示的無量綱處理方差函數(shù)[7]來將實(shí)驗(yàn)結(jié)果歸一化到區(qū)間為[0,1](具體推導(dǎo)過程參見文獻(xiàn)[1-18])。算法改進(jìn)前后的性能對比如圖2所示。

圖2 算法改進(jìn)前后的性能對比

(25)

2)改進(jìn)算法性能可行性分析：

由圖2可知：算法改進(jìn)前后的性能指標(biāo)的平均值經(jīng)過式(25)無量綱處理方差函數(shù)處理后均落在歸一化區(qū)間為[0,1]。但是改進(jìn)前的算法曲線呈現(xiàn)不規(guī)則的變化規(guī)律，波峰和波谷起伏較大，這說明改進(jìn)前的算法平穩(wěn)趨勢不明顯，原因在于端到端QoS約束系數(shù)和制造服務(wù)組合最大負(fù)載低、不能較好地適應(yīng)吞吐量變化，收斂速度慢，容易陷入局部最優(yōu)解，導(dǎo)致最優(yōu)解空間小，收斂的偶然性比較大、概率比較低。然而，即使經(jīng)過多次實(shí)驗(yàn)、多次迭代，改進(jìn)后的算法曲線呈現(xiàn)規(guī)則的變化趨勢，波峰和波谷起伏的相位相差很小，使得多目標(biāo)事務(wù)的disAi和ZDISi誤差最小化，這說明收斂速度快，沒有出現(xiàn)數(shù)據(jù)混亂和丟失的情況，將向初始聚類中心靠攏的敏感度MGDi和局部極值JBJZi劃入可替換服務(wù)集KTHFi，可以避免局部最優(yōu)解、得到全局最優(yōu)解，尋求最優(yōu)的基于多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類的服務(wù)組合。因此驗(yàn)證了算法改進(jìn)的有效性。

4.2.2SCACM敏捷性分析

基于云服務(wù)集合的初選方法[9]，建立云服務(wù)請求與服務(wù)類簇的物元模型，以相互迭代方式來融合模糊關(guān)聯(lián)特征的代表點(diǎn)事務(wù)對象檢測點(diǎn)和軌跡片段；采用項(xiàng)目協(xié)同方法[9]校正指標(biāo)數(shù)值，求解并行服務(wù)的協(xié)同效應(yīng)值，分析最大屬性值和最小屬性值差異，確定模糊關(guān)聯(lián)特征的代表點(diǎn)事務(wù)對象關(guān)聯(lián)度似然值的增速距離ZDISi和服務(wù)的相似性度量，在和α約束下使得模糊隸屬度最優(yōu)解限定在可以接受的范圍內(nèi)，使得對不同云制造服務(wù)屬性評價(jià)的高低趨勢一致，動態(tài)、實(shí)時(shí)地實(shí)現(xiàn)多目標(biāo)事務(wù)對象檢測點(diǎn)之間的關(guān)聯(lián)。反復(fù)迭代，通過映射函數(shù)傳播至其他視角以進(jìn)行協(xié)同學(xué)習(xí)，從而驗(yàn)證SCACM算法的敏捷性優(yōu)勢。

其中敏捷性以制造任務(wù)平均到達(dá)速率、制造服務(wù)組合變更率來衡量，分別通過式(16)、式(18)來計(jì)算。實(shí)驗(yàn)次數(shù)設(shè)定為150次，每次實(shí)驗(yàn)的迭代次數(shù)依次遞增1(從1開始)，計(jì)算結(jié)果以平均值形式來衡量，以式(24)加權(quán)賦值函數(shù)進(jìn)行加權(quán)賦值，融合計(jì)算誤差。通過與文獻(xiàn)[4]、文獻(xiàn)[6-9]、文獻(xiàn)[12]提出的算法的對比，敏捷性驗(yàn)證結(jié)果如表2所示。

表2 SCACM算法敏捷性驗(yàn)證結(jié)果

表2結(jié)果表明：各種算法的制造任務(wù)平均到達(dá)速率、制造服務(wù)組合變更率均符合預(yù)定的要求。相比傳統(tǒng)算法，SCACM以相互迭代方式來優(yōu)化聚類目標(biāo)事務(wù)Transi,能夠增強(qiáng)組合服務(wù)之間的協(xié)同合作與反饋，以最小約束ZXYSi來確定表示事務(wù)A和事務(wù)B之間的結(jié)構(gòu)關(guān)系權(quán)重，隨著制造任務(wù)平均到達(dá)速率的增加，多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類的時(shí)間周期越短，通過引入的閾值參數(shù)θi1、θi2定義多目標(biāo)事務(wù)對象間的可能關(guān)系和集合，制造服務(wù)組合變更率表現(xiàn)出相同的變化趨勢，多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類簇內(nèi)組合服務(wù)間關(guān)聯(lián)程度越大，使之呈現(xiàn)不同類型和屬性權(quán)重的代表點(diǎn)事務(wù)對象時(shí)空關(guān)聯(lián)問題，僅僅產(chǎn)生幅度不大的波動，響應(yīng)時(shí)間、響應(yīng)速度都比較滿意，云制造任務(wù)發(fā)送到云制造服務(wù)組合的平均速率、云制造需求平穩(wěn)轉(zhuǎn)換為制造任務(wù)的比率高，可快速準(zhǔn)確地得到云制造服務(wù)組合的QoS和協(xié)同效應(yīng)值,從而快速響應(yīng)全局最優(yōu)解的求精過程。因此驗(yàn)證了SCACM算法的敏捷性優(yōu)勢。

4.2.3SCACM智能性和動態(tài)演化性分析

1)實(shí)驗(yàn)過程與結(jié)果:

采用累計(jì)概率密度函數(shù)[23]，準(zhǔn)確描述組合服務(wù)中層次結(jié)構(gòu)及控制關(guān)系，剔除影響多目標(biāo)事務(wù)的模糊關(guān)聯(lián)特征一致性分布的消極指標(biāo)和局部學(xué)習(xí)因素，以動態(tài)優(yōu)化QoS為目標(biāo)，創(chuàng)建(N+TGi)維權(quán)重向量WXLi，設(shè)定智能交叉因子和動態(tài)演化變異因子為0.14和0.32，比較每一個(gè)模糊關(guān)聯(lián)特征樣本矩陣隸屬度向量LSDXLi的接受率和累積概率密度曲線，從全局角度動態(tài)設(shè)定制造任務(wù)節(jié)點(diǎn)和制造服務(wù)節(jié)點(diǎn)的時(shí)間狀態(tài)屬性，在不考慮開銷的情況下，動態(tài)調(diào)整各個(gè)子任務(wù)的影響差距，并將云制造多目標(biāo)事務(wù)關(guān)聯(lián)度閾值設(shè)置為θi，智能分步組合制造服務(wù)，從而驗(yàn)證SCACM算法的智能性和動態(tài)演化性優(yōu)勢。

其中智能性和動態(tài)演化性主要以制造任務(wù)變更率、制造服務(wù)組合執(zhí)行成功率、制造服務(wù)組合負(fù)載均衡度、制造服務(wù)組合負(fù)載隊(duì)列優(yōu)化能力來衡量，分別通過式(19)～式(22)來計(jì)算。計(jì)算結(jié)果以平均值形式來衡量，以式(24)加權(quán)賦值函數(shù)進(jìn)行加權(quán)賦值，融合計(jì)算誤差。

由于云制造環(huán)境的復(fù)雜性，在服務(wù)組合的過程中，不同的實(shí)驗(yàn)過程總會產(chǎn)生難以避免的噪音干擾，因此，為了盡量減少噪音干擾，還需采用如式(26)所示的噪音過濾函數(shù)來過濾噪音(具體計(jì)算過程見文獻(xiàn)[1-18])。

FWZHC(Transi))-WLGF(Transi)TGi

(26)

通過與文獻(xiàn)[4]、文獻(xiàn)[6-9]、文獻(xiàn)[12]提出的算法的對比，SCACM算法智能性和動態(tài)演化性驗(yàn)證結(jié)果見表3所示。噪音過濾曲線如圖3所示。

表3 SCACM算法智能性和動態(tài)演化性驗(yàn)證結(jié)果

圖3 噪音過濾曲線

2)智能性和動態(tài)演化性可行分析:

分析表3、圖3可知：隨著實(shí)驗(yàn)次數(shù)和迭代次數(shù)的增加，噪音過濾曲線呈現(xiàn)遞增趨勢，表明通過式(26)所示的噪音過濾函數(shù)，最大程度地過濾了噪音，制造任務(wù)變更率、制造服務(wù)組合執(zhí)行成功率、制造服務(wù)組合負(fù)載均衡度、制造服務(wù)組合負(fù)載隊(duì)列優(yōu)化能力等性能指標(biāo)的平均值受噪音影響較小。因此在盡量減少噪音的情況下，各種算法的制造任務(wù)變更率、制造服務(wù)組合執(zhí)行成功率、制造服務(wù)組合負(fù)載均衡度、制造服務(wù)組合負(fù)載隊(duì)列優(yōu)化能力均符合預(yù)定要求。相比傳統(tǒng)算法，SCACM算法從云制造服務(wù)組合的協(xié)同效應(yīng)角度出發(fā)，能自動調(diào)整模糊關(guān)聯(lián)特征的多目標(biāo)事務(wù)對象代表點(diǎn)，使服務(wù)組合的優(yōu)勢放大，將模糊指數(shù)約束于[0.5，1]區(qū)間，服務(wù)組合的接受率更高，在累積概率密度曲線和模糊置信度為FZXDi的指引下，在解空間內(nèi)搜索到最優(yōu)解的概率大，在事務(wù)粒度種群數(shù)不變的情況下，通過增大特征樣本關(guān)聯(lián)度的似然值，云制造需求平穩(wěn)轉(zhuǎn)換為制造任務(wù)的比率大，實(shí)時(shí)更新制造任務(wù)網(wǎng)絡(luò)和制造服務(wù)網(wǎng)絡(luò)，制造服務(wù)組合執(zhí)行成功率、多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類簇間區(qū)分度和服務(wù)組合精度高，云制造服務(wù)各節(jié)點(diǎn)制造資源局部優(yōu)化的協(xié)同過濾程度高，云制造服務(wù)各節(jié)點(diǎn)制造資源全局負(fù)載隊(duì)列的優(yōu)化程度高，表達(dá)了制造服務(wù)與多目標(biāo)事務(wù)之間的動態(tài)匹配關(guān)系。因此，SCACM算法具有較高的魯棒性、動態(tài)演化性和智能性。

5 結(jié)束語

云制造是目前的一個(gè)重要研究課題，其海量的具有混雜性、異構(gòu)性、用途各異的多目標(biāo)事務(wù)具有可聚類的模糊關(guān)聯(lián)特征，是云制造服務(wù)組合基本要素。本文基于多目標(biāo)事務(wù)模糊關(guān)聯(lián)聚類提出的云制造服務(wù)組合算法，在制造任務(wù)平均到達(dá)速率、端到端QoS約束系數(shù)、制造服務(wù)組合變更率、制造任務(wù)變更率、制造服務(wù)組合執(zhí)行成功率、制造服務(wù)組合負(fù)載均衡度、制造服務(wù)組合負(fù)載隊(duì)列優(yōu)化能力、制造服務(wù)組合最大負(fù)載等關(guān)鍵性能指標(biāo)上均符合預(yù)定的要求，因此SCACM算法具有一定的實(shí)用價(jià)值。但是，鑒于云制造非常復(fù)雜，云制造服務(wù)組合實(shí)際上受軟件、硬件、網(wǎng)絡(luò)環(huán)境、云計(jì)算平臺的限制，效率未必是最優(yōu)的，本文提出的SCACM算法只是一個(gè)參考模型，在許多方面還有待作者進(jìn)一步深入研究。