面向大數據的新能源汽車復雜聯盟云評價研究?

尹 蕾，蔣建國，路瑞剛，尹安東

(1.合肥工業大學計算機與信息學院，合肥 230009； 2.中國汽車工程學會，北京 100055；3.合肥工業大學汽車與交通工程學院，合肥 230009)

前言

新能源汽車產業具有資金與技術密集、產業鏈長和關聯度高等特點,沒有一家企業能夠擁有產品研發所必須的全部資源和能力[1],聯盟成為其重要組織形式。由于新能源汽車是實現汽車智能化、網絡化的最佳載體,吸引了信息技術產業、傳統能源產_業、新能源產業、金融產業等的加入,使新能源汽車產業聯盟結構復雜且成員多元化,有些成員同時參與承擔不同任務的多個聯盟,而形成一個具有分布式復雜系統特征的規模龐大的多任務聯盟網絡,即多任務復雜聯盟(簡稱復雜聯盟)。隨著新能源汽車產業的發展,新能源汽車聯盟機制的理論研究越來越受到高度關注。

大數據是一種重要的戰略資源,自2008年9月《Nature》雜志推出“大數據”(big data)的專欄[2]以來,大數據的研究與應用已得到世界范圍內的廣泛重視。近年來隨著各種新興網絡技術的發展,大數據技術的崛起,各類需求數據更加容易收集獲取,面向大數據的新能源汽車聯盟評價成為學術界和企業界的研究熱點。

目前聯盟評價方法主要有：定性評價方法、定量評價方法和定性與定量相結合的評價方法等[3-4]。定性評價方法主觀性強,但存在缺乏數據支撐、評價對象適應范圍受到限制等缺陷；定量評價方法是通過降維方式使評價結果更加客觀與合理,但需要進行大量的前期研究工作,相對較為復雜；定性與定量相結合的評價方法則是將定性評價與定量評價有機結合。由于新能源汽車聯盟的數據難以獲得,當今學術界的研究大部分以定性研究為主,定量研究較少,鑒于在新能源汽車聯盟評價過程中存在模糊性和不確定性,采用定性與定量相結合的評價方法是必然選擇,但如何處理模糊性和不確定性,實現定量評價與定性評價相互轉化是聯盟評價急需解決的問題關鍵。

云模型是研究自然語言從定性概念到定量表示之間相互轉化的一種模型,為研究不確定性人工智能提供了新的方法[5-6]。云模型已應用于網上交易信任評價[7]、決策分析[8]和數據挖掘[9]等領域,但目前云模型理論運用于新能源汽車復雜聯盟評價的研究還很少涉及。

鑒于多Agent系統(multi-agent system,MAS)的聯盟理論在聯盟形成策略[10-11]、效用分配[12]等方面取得了豐碩成果,且對新能源汽車聯盟的研究具有較強的適應性,因此本文中基于MAS聯盟理念,引入云模型理論,提出一種面向大數據的新能源汽車復雜聯盟云評價方法。首先建立面向大數據的新能源汽車復雜聯盟評價模型,并根據新能源汽車聯盟大數據處理分析平臺獲取聯盟成員基本評價指標的評價數據,應用逆向云發生器生成相應的評價云；其次利用云綜合運算產生聯盟評價指標的評價云；然后在確定評價指標權重云的基礎上,運用云運算規則得到單任務聯盟評價云；再結合任務權重云和單任務聯盟評價云,運用云運算規則獲得多任務復雜聯盟評價云,并對所形成的新能源汽車多任務復雜聯盟備選方案進行評價和選優。

1 云模型理論

1.1 云模型概念

定義1 設U是一個用精確數值表示的定量論域,T是U上的定性概念,若定量值x∈U,且x是定性概念T的一次隨機實現,x對T的確定度(隸屬度)μ(x)∈[0,1]是具有穩定傾向的隨機數。即：μ：U→[0,1],?x∈U,x→μ,則x在論域U上的分布稱為云,記為C(X)。每一個(x,μ)稱為一個云滴。

云模型是通過期望Ex、熵En和超熵He 3個特征數字有效地整合來刻畫定性概念的隨機性和模糊性,一般將云模型記為C(Ex,En,He)。由期望Ex和熵En可確定云的數學期望曲線(mathematical expected curve,MEC)方程,即確定度(隸屬度)μ(x)為

1.2 逆向云發生器

給定云滴(xi,μi)作為樣本,產生描述云模型所對應的定性概念的3個數字特征(Ex,En,He)稱為逆向云發生器。不含確定度信息的逆向云發生器算法如下[13]。

(1)通過云滴xi(i＝1,2,…,N)計算樣本均值

(2)計算樣本方差

(3)計算云滴的熵和超熵

1.3 綜合云

綜合云是將兩個或兩個以上的同類型語言值綜合為一個層次更高的概念語言值。若兩個基云模型為C1(Ex1,En1,He1)和C2(Ex2,En2,He2),則由兩個基云構成的綜合云數字特征定義為

該定義既適用于論域空間為一維的情況,也適用于論域空間為二維或多維的情況。

1.4 云的運算規則

定義2 設給定論域U中任意兩朵正態云C1(Ex1,En1,He1)和C2(Ex2,En2,He2),C1和C2的加、乘、除運算法則分別如下：

2 面向大數據的新能源汽車聯盟評價模型

2.1 基于MAS的新能源汽車聯盟描述

將新能源汽車聯盟中各企業視為獨立的Agent成員,則基于MAS的新能源汽車聯盟可描述如下：

(3)實際資源貢獻量 對應?ai∈A,?tk∈T都具有實際資源貢獻向量表示ai在任務tk中的實際貢獻量；

(4)單任務聯盟 任務tk對應的聯盟Ctk,且具有一個能力資源向量為 BCtk＝,其中表示 Ctk對第j種資源的擁有量,單任務聯盟Ctk承擔任務tk的資源約束條件為

(6)聯盟收益值 聯盟Ck的收益值用一個特征函數V(Ck)≥0給出[14]：

式中：P(tk)為承擔任務tk所獲得的效用；F(Ck)＝為聯盟成員總資源貢獻折合的成本,包括開發成本、生產成本、使用成本及其它開支等。

多任務聯盟C的總收益定義為

因此,新能源汽車復雜聯盟形成實質就是針對多任務T＝{t1,t2,…,tk,…,tm}在滿足給定的資源約束條件下(見式(10)和式(11))求解相應的聯盟C＝{Ct1,Ct2,…,Ctk,…,Ctm},使其總收益 VMAS(如式(14))最大化。

2.2 面向大數據的新能源汽車復雜聯盟評價模型

2.2.1 面向大數據的新能源汽車復雜聯盟架構

將新能源汽車聯盟中各個企業(Agent成員)作為不同的網絡節點,以大數據處理分析平臺為中心,形成功能一體化的復雜聯盟網絡體系,其中大數據處理分析平臺是聯系各個企業的中介,提供包括數據采集、數據處理、數據分析、數據更新、軟件計算等各種服務,實現新能源汽車聯盟中各個企業之間的數據交流、資源整合和信息共享(包括評價信息)。建立面向大數據的新能源汽車復雜聯盟架構如圖1所示。

圖1 面向大數據的新能源汽車復雜聯盟架構

2.2.2 面向大數據的復雜聯盟評價模型

設有n個企業A＝{a1,a2,…,ai,…,an},為了承擔m項任務T＝{t1,t2,…,tk,…,tm},在滿足資源約束條件下形成新能源汽車多任務復雜聯盟為C＝{Ct1,Ct2,…,Ctk,…,Ctm}；并設V(Ctk)表示承擔單個任務tk所形成聯盟Ctk的收益,V(C)表示承擔多任務而形成的復雜聯盟C的綜合收益。

針對新能源汽車產業聯盟的特點,將多任務復雜聯盟評價分解為基本指標評價、單任務聯盟評價和多任務復雜聯盟評價3個層次,并以V(C)作為多任務復雜聯盟評價的總體目標,以V(Ctk)作為單任務聯盟評價的子目標,以影響聯盟收益評價的主要因素作為基本指標。在構建面向大數據的新能源汽車復雜聯盟架構的基礎上,建立面向大數據的新能源汽車復雜聯盟評價模型,如圖2所示。圖中：U1,U2,…,Uq分別表示影響單任務聯盟收益評價的各種因素；q為評價指標個數。

圖2 面向大數據的復雜聯盟評價模型

面向大數據的新能源汽車復雜聯盟評價模型包括以下方面：(1)依托大數據處理分析平臺,基于隨機采樣法采集相關企業(Agent成員)的基本指標數據,并應用逆向云發生器生成相應的評價云；(2)利用云綜合運算產生新能源汽車聯盟評價指標評價云；(3)基于云運算規則分別生成單任務聯盟評價云和多任務復雜聯盟評價云,進而對新能源汽車復雜聯盟備選方案進行評價和選優。

在對影響新能源汽車多任務復雜聯盟評價的諸多因素進行分析和篩選基礎上,將聯盟能力匹配度、信任度、交易開支、可持續性等作為聯盟基本評價指標：(1)能力匹配度是聯盟成員提供一定比例能力與任務的能力需求之間相匹配的程度,可用歐氏距離公式來度量[15]；(2)信任度是直接信任度和間接信任值的綜合,由直接信任度和間接信任值共同決定[16]；(3)交易開支為聯盟中各成員之間交易的代價之和；(4)可持續性是指聯盟在滿足當前任務需求的前提下還能承擔后續任務的能力。

3 基于云理論的新能源汽車復雜聯盟評價

基于云模型理論面向大數據的新能源汽車復雜聯盟評價主要包括：建立指標評價集,確定評價等級標準云和評價指標評價云,確定評價指標權重云和任務權重云,確定單任務聯盟評價云、多任務聯盟評價云以及對所形成的新能源汽車聯盟備選方案的評價與選優等流程,如圖3所示。

圖3 基于云模型理論的新能源汽車復雜聯盟評價流程

3.1 建立評價指標的評價集

以影響新能源汽車聯盟評價的主要因素作為評價指標。構建評價指標集U＝{U1,U2,…,Uq},并將評價指標的評價劃分為5個等級,評價等級由“好”、“較好”、“中等”、“較差”和“差”等語言值來描述。

3.2 建立評價等級標準云模型

選用“好”、“較好”、“中等”、“較差”和“差”等5個定性語言值作為評價等級進行新能源汽車復雜聯盟評價。首先基于新能源汽車聯盟大數據處理分析平臺獲取相關評價數據,然后運用逆向云發生器算法分別確定各個評價等級標準的論域區間和云特征參數,如表1所示。

表1 評價等級標準的論域區間和云特征參數

3.3 確定聯盟評價指標的評價云

依托新能源汽車聯盟大數據處理分析平臺,基于隨機采樣法獲取相關聯盟成員的基本指標的評價數據,運用逆向云發生器算法生成相應的評價指標評價云；并運用云綜合運算產生聯盟評價指標評價的云特征參數,進而確定聯盟評價指標評價云矩陣為

3.4 確定聯盟評價指標權重云

根據聯盟評價指標U1,U2,…,Uq影響聯盟收益評價的重要程度,設定評價指標權重云集為λ＝{λ1,λ2,…,λi,…,λq},其中 λi表示聯盟評價指標Ui的權重云(Exλi,Enλi,Heλi)。 將聯盟評價指標的重要程度劃分為極不重要、較不重要、一般重要、較重要和極重要5個等級,并依托新能源汽車聯盟大數據處理分析平臺,獲取各聯盟評價指標的重要程度相關數據,運用逆向云發生器算法確定聯盟各評價指標 Ui相應的權重云

3.5 確定任務權重云

針對多任務復雜聯盟C＝{Ct1,Ct2,…,Ctm},根據單任務tk對多任務T的影響程度,設定任務云權重集為 ω＝{ω1,ω2,…,ωk,…,ωm},其中 ωk表示單任務聯盟Ctk對多任務復雜聯盟C影響的權重云ωk(Exωk,Enωk,Heωk)。 將任務重要程度劃分為不重要、較不重要、一般、較重要和重要5個等級。依托新能源汽車聯盟大數據處理分析平臺,獲取各個任務的重要程度相關數據,并運用逆向云發生器算法生成各個任務 tk相應的權重云 ωk(Exωk,Enωk,Heωk)。

3.6 確定單任務聯盟評價云

依托新能源汽車聯盟大數據處理分析平臺,確定聯盟評價指標評價云矩陣(式(15)),并得到單任務聯盟Ctk各評價指標評價云ECtki；再結合各評價指標權重云λi,采用云運算規則進行合成,計算得到單任務聯盟Ctk的評價云VCtk(ExCtk,EnCtk,HeCtk)：

3.7 確定多任務復雜聯盟的評價云

針對復雜聯盟C＝{Ct1,Ct2,…,Ctk,…,Ctm}的評價是在獲得各個單任務聯盟Ctk評價云VCtk的基礎上,結合與各單任務相應的權重云ωk,采用云運算規則計算獲得多任務復雜聯盟C評價云VC(ExC,EnC,HeC)：

3.8 多任務復雜聯盟備選方案的云評價與選優

在滿足給定的資源約束條件下,選取r個新能源汽車多任務復雜聯盟備選方案：

式中：CAl為第l個復雜聯盟的備選方案；CCtk,Al為第l個復雜聯盟備選方案中為承擔單任務tk∈T對應形成的單任務聯盟。針對r個新能源汽車聯盟備選方案進行評價與選優的步驟如下。

(1)各個單任務聯盟Ctk,Al的評價

首先確定備選方案CAl中各個單任務聯盟Ctk,Al相對應的聯盟評價指標評價云及其指標權重云λi,然后按式(16)計算得到單任務聯盟Ctk,A評價

l

(2)多任務復雜聯盟方案CAl的評價

根據式(18)確定方案CAl中各個單任務聯盟Ctk,Al對應的評價云VCtk,Alk,并結合與其對應的任務權重云ωk,按式(17)計算得到各個多任務復雜聯盟方案CAl綜合評價云VCAl(ExCAl,EnCAl,HeCAl),即

(3)新能源汽車多任務復雜聯盟備選方案選優

在獲得各個新能源汽車多任務復雜聯盟備選方案CAl綜合評價云VCAl(l＝1,2,…,r)的基礎上,基于MATLAB仿真平臺,采用正向云發生器算法生成云圖[17],并對新能源汽車多任務復雜聯盟備選方案進行排序和選優,最后確定最優新能源汽車多任務復雜聯盟方案。

4 實例分析

依托某新能源汽車產業聯盟,以需要承擔5項新能源汽車產品開發任務為例,對其所形成的新能源汽車多任務復雜聯盟方案進行綜合評價與選優,以驗證面向大數據的新能源汽車復雜聯盟云評價方法的有效性,具體要求如下。

(1)產品開發任務T＝{t1,t2,t3,t4,t5}中各任務的底盤車身及控制系統、驅動電機及控制系統和動力電池及管理系統等關鍵總成部件的需求量如表2所示,其對應的資源需求向量分別為：(50,41,38),(35,36,34),(22,24,27),(25,25,23),(31,30,36)。

表2 各任務的資源需求量

(2)擬參加新能源汽車產品開發任務企業集合為A＝{a1,a2,a3,a4,a5,a6,a7,a8,a9,a10},各個企業的底盤車身及控制系統、驅動電機及控制系統和動力電池及管理系統等總成部件所能提供的資源量如表3所示,其對應的能力資源向量分別為：(18,12,11),(13,16,12),(20,14,21),(16,12,15),(21,16,15),(15,20,8),(17,15,15),(18,17,25),(15,18,17),(22,25,26)。

表3 各個企業所能提供的資源量

(3)在滿足給定的資源約束條件所形成的新能源汽車多任務復雜聯盟方案中,選取4個能夠承擔5項產品開發任務的復雜聯盟備選方案A1(CA1),A2(CA2),A3(CA3)和A4(CA4),各多任務復雜聯盟備選方案對應的聯盟成員及其實際貢獻量如表4所示。

采用本文中提出的面向大數據的新能源汽車復雜聯盟云評價方法對各個備選復雜聯盟方案進行評價與選優,具體流程如下。

(1)確定評價指標權重云

將影響新能源汽車聯盟評價的聯盟能力匹配度、信任度、交易開支、可持續發展性等因素作為聯盟基本評價指標,依托新能源汽車聯盟大數據處理分析平臺獲取各聯盟評價指標重要程度的相關數據,運用逆向云發生器算法分別生成能力匹配度U1、信任度U2、交易開支U3、可持續性U4等指標對應的權重云 λ1,λ2,λ3,λ4分別為：λ1(0.913,0.034,0.002),λ2(0.763,0.028,0.002),λ3(0.599,0.034,0.003),λ4(0.698,0.034,0.002)。

(2)確定任務權重云

依托新能源汽車聯盟大數據處理分析平臺獲取任務重要程度的相關數據,運用逆向云發生器算法分別生成任務t1,t2,t3,t4,t5相應的權重云ω1,ω2,ω3,ω4,ω5分別為：ω1(0.243,0.023,0.008),ω2(0.231,0.043,0.018),ω3(0.185,0.023,0.008),ω4(0.179,0.039,0.017),ω5(0.162,0.035,0.011)。

表4 新能源汽車多任務復雜聯盟的成員及其實際貢獻量

(3)計算各評價指標評價云

由于篇幅受限,僅以方案A1(CA1)中單任務聯盟Ct1,A1為例,依托新能源汽車聯盟大數據處理分析平臺獲取相關聯盟成員(企業)的基本指標的評價數據,運用逆向云發生器算法分別生成相應的評價云,并應用云綜合運算分別產生聯盟能力匹配度U1、信任度U2、交易開支U3、可持續性U4等指標所對應的評價云如表5所示。同理,分別得到方案A1(CA1)中其它任務t2,t3,t4,t5對應的單任務聯盟Ct2,A1,Ct3,A1和Ct4,A1的各評價指標的評價云。

表5 方案A1中各單任務聯盟的評價指標評價云

(4)備選方案中單任務聯盟評價(以A1為例)

依據單任務聯盟Ct1,A1,Ct2,A1,Ct3,A1,Ct4,A1和Ct5,A1的評價指標評價云及其對應的指標權重云λ1,λ2,λ3,λ4,并按式(18)計算得到方案A1中任務t1,t2,t3,t4,t5對應的單任務聯盟Ct1,A1,Ct2,A1,Ct3,A1,Ct4,A1和Ct5,A1的評價云分別為：VCt1,A1(0.861,0.027,0.003),VCt2,A1(0.750,0.025,0.003),VCt3,A1(0.653,0.022,0.002),VCt4,A1(0.718,0.025,0.002)和 VCt5,A1(0.827,0.035,0.003)。

(5)多任務復雜聯盟備選方案的云評價

依據方案A1中任務t1,t2,t3,t4,t5對應的單任務聯盟的評價云VCt1,A1,VCt2,A1,VCt3,A1,VCt4,A1,VCt5,A1和任務權重云 ω1,ω2,ω3,ω4,ω5,根據式(19)計算方案A1的評價云VCA1(0.766,0.082,0.031)。

同理,分別計算多任務聯盟備選方案A2,A3和A4對應的評價云分別為：VCA2(0.861,0.090,0.036),VCA3(0.796,0.084,0.028)和VCA4(0.637,0.068,0.026)。

(6)多任務復雜聯盟備選方案的選優

基于MATLAB仿真平臺,采用正向云發生器分別生成4個新能源汽車復雜聯盟備選方案的評價云VCA1,VCA2,VCA3和VCA4對應的評價云圖,如圖4所示。圖 4中“好”、“較好”、“中等”、“較差”和“差”分別表示新能源汽車聯盟各個評價等級對應的標準云圖。

圖4 復雜聯盟備選方案的評價云圖

由圖4可知,聯盟備選方案A1,A2,A3和A4的排列順序為：VCA2＞VCA3＞VCA1＞VCA4,聯盟備選方案 A2為最佳聯盟方案。與評價等級標準云圖相比：備選方案A1,A2和A3的評價云圖在評價等級標準云圖的較好和好之間,且A1偏向較好、A2偏向好；備選方案A4的評價云圖在評價等級標準云圖的中和較好之間,且偏向較好。因此聯盟備選方案A2可擬定為承擔新能源汽車產品開發任務的聯盟實施方案。

5 結論

新能源汽車產業聯盟得到迅速發展,但相關的理論研究仍比較匾乏。基于大數據是一種重要的戰略資源,針對新能源汽車復雜聯盟評價過程中存在模糊性和不確定性,本文中引入云模型理論,提出了一種面向大數據的新能源汽車復雜聯盟的云評價方法。

構建了面向大數據的新能源汽車聯盟架構,建立了面向大數據的新能源汽車復雜聯盟評價模型,并依托新能源汽車聯盟大數據處理分析平臺獲取聯盟相關評價數據；運用云模型理論確定聯盟指標評價云、指標權重云和任務權重云,并讓權重云參與多任務復雜聯盟評價和優選；通過對新能源汽車產品開發所形成的聯盟實例評價與選優,驗證了所提出的面向大數據的新能源汽車復雜聯盟云評價方法的有效性和合理性。