技术领域
本发明属于云3D打印领域,具体地说,尤其涉及一种基于直觉模糊数的云3D打印服务评价多属性决策方法。
背景技术
云3D打印服务完成之后,提供云3D打印服务的平台会向用户发出针对所提供的云3D打印服务的服务质量进行评价,由于服务质量评价指标的特征选择和抽取过程中,部分特征不易被具体量化,无法用精确的语言和数量进行描述,需要通过使用一些模糊性的词语进行评价,例如:“很好”、“较好”、“很差”、“极差”等。而如何将一些无法具体量化的指标进行模糊化处理,成为行业需要解决的技术问题。
发明内容
本发明的目的在于提供一种基于直觉模糊数的云3D打印服务评价多属性决策方法,其能够将云3D打印服务评价指标中的数据进行模糊化处理,以得到较为确切的评价结果。
为达到上述目的,本发明是通过以下技术方案实现的:
一种基于直觉模糊数的云3D打印服务评价多属性决策方法,包括以下步骤,
步骤一,获取云3D打印评价指标中的连续型数据指标、离散型数据指标;
步骤二,若用户针对云3D打印评价指标中的连续型数据指标进行评价,则连续型数据指标中提供云3D打印服务的一方对评价指标的期望数值区间为
步骤三,对步骤二中获取的各项服务评价结果进行归一化处理,连续型数据指标的量化处理采用如下公式进行
其中,
步骤四,根据计算结果从下述表格获取对应的直觉模糊数评价P
进一步地讲,本发明中所述的步骤二中若用户针对云3D打印评价指标中的离散型数据指标进行评价时,则离散型评价指标中提供云3D打印服务的一方对评价指标的期望数值区间为[V
进一步地讲,本发明中所述的云3D打印评价指标包括时间T、成本C、质量Q、响应R、可靠性Rel、容错性Ft、匹配度Mat、柔性Flex、安全性SF和综合满意度Sa,其中时间T、成本C、匹配度Mat属于离散型数据指标,质量Q、响应R、可靠性Rel、容错性Ft、柔性Flex、安全性SF和综合满意度Sa为连续型数据指标。
进一步地讲,本发明中所述的直觉模糊数评价P
进一步地讲,本发明中所述的直觉模糊数评价
进一步地讲,本发明中所述的直觉模糊数评价
与现有技术相比,本发明的有益效果是:
本发明能够将某一定性评价性能指标特征中存在的不确定性因素利用各自子特征的模糊数进行加权算子的运算计算处最优指标集合和隶属度,从而将各评价指标进行模糊化处理,最终得到评价结果。
具体实施方式
下面结合实施例对本发明所述的技术方案作进一步地描述说明。
云3D打印服务评价的核心指标,指的是云3D打印服务质量评价指标和平台综合性能评价指标中的十维目标分量的云3D打印服务评价指标,主要包括云3D打印QoS评价指标中的七大指标和平台综合性能评价指标的三个重要指标。所述云3D打印QoS和综合性能评价指标包括时间T、成本C、质量Q、响应R、可靠性Rel、容错性Ft、匹配度Mat、柔性Flex、安全性SF和综合满意度Sa。上述十个评价性能指标的特点及其主要的环境影响类型,可灰色模糊综合评判计算评价性能指标,其中时间T、成本C和匹配度Mat属于离散型指标,质量Q、响应R、可靠性Rel、容错性Ft、柔性Flex、安全性SF和综合满意度Sa属于连续型数据指标,对于上述两种类型的数据指标,分别依据灰色模糊综合评判方法进行处理。
在对数据指标进行处理前,需要定义9级语言变量直觉模糊值,如下表所示。
对连续型数据指标,如质量Q、响应R、可靠性Rel、容错性Ft、柔性Flex、安全性SF、综合满意度Sa,进行评价时。
基于层次分析法的权重分配计算
取因素指标集X={x
U={U
因此基于层次分析法的权重分配计算F:
s=1,2,3,…,m。
其中,F
s=1,2,3,…,m。
综上所述,利用灰色模糊综合评判P
假设某连续型数据指标P
其中,P
例如,某制造任务评价指标中连续型数据指标的期望数值区间为[20%,100%],在完成云3D打印订单任务执行制造过程中的服务资源配置后,其获得的P
根据服务评价结果可知,对各项服务评价结果进行归一化计算处理,归一化计算处理采用下述公式进行,以获取对应的隶属度数值:
计算出的隶属度为
依据所定义的9级语言变量直觉模糊值中所展示的数值区间,所计算的数值0.625归属于[0.55,0.65]区间,即获得的直觉模糊数评价P
对于离散型指标来讲,如果某个任务评价指标V的期望数值区间在[20,50],在完成云3D打印采购商采购打印产品后,对制造任务进行服务评价,给出评价结果如下:
服务质量:效果很不错,8分;
送货速度:打印速度三天完成,6分;
快递包装:包装采用纸箱,附加泡沫起到保护作用,8分;
配送员服务:快递送货人员将快递送达代收商店,7分;
售后服务:暂时未出现问题,5分。
也就是在订单任务执行制造过程中的服务志愿配置完成后,其评价指标的具体值约为34分。
根据服务评价结果可知,对各项服务评价结果进行归一化计算处理,具体的离散型数据指标的量化公式如下:
其中
根据上述表格可知,隶属度计算结果为0.467的数值属于V
以上不同类型的评价指标量化后数据,可做为基于Baldwin效应的混合多目标粒子群算法(Hybrid muti-objective particle swarm optimization based on Baldwineffect Model,BM-MOPSO)的数据源进行模型求解,一方面混合多目标粒子群算法已经被验证了对解决服务评价问题的有效性,另一方面是当前的混合多目标粒子群算法存在容易陷入局部最优、和收敛精度低的问题。
最后,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
机译: 基于多属性机制属性的加密方法,用于跟踪云辅助的内容
机译: 基于云的机器学习系统,用于测量人力资源技能的直觉,情感和认知技能
机译: 基于云的排名传递服务的决策方法及系统