一种面向大规模制造产业链的协同信任评估方法

1.本发明属于供应链、数据共享技术领域，特别涉及一种面向大规模制造产业链的协同信任评估方法。


背景技术：

2.随着我国大规模制造产业链的逐渐完善，针对产业链上下游的各方数据开展可信溯源变得日趋重要，但至今我国大规模制造产业链仍面临全域标识数据可信度低和高可信溯源困难问题，其中信任壁垒是一个重点问题，上下游存在信任约束。如何针对产业链各参与方不完全可信的风险，构建多个维度和多个层次的治理决策各方的信任机制是重要难题。目前，传统的溯源方法对上下游各方所提供的数据可信判定主要依赖于单一的上游或下游先验知识(如长期合作伙伴所提供的数据默认可信)，而对上下游各参与方的信任度无法做出量化评估，导致数据在流传共享过程中变得不再完全可信，并且没有从全产业链角度去分析信任评估的重要性，进而使得各参与方数据在溯源时无信任约束从而导致可信溯源困难。


技术实现要素：

3.为了解决上述问题，本发明的目的在于提供一种面向大规模制造产业链的协同信任评估方法。
4.为了达到上述目的，本发明提供的面向大规模制造产业链的协同信任评估方法包括按顺序进行的下列步骤：
5.s1确定被评估厂商属性的主观、客观权重，并根据主观、客观权重确定综合权重；
6.s2计算信任属性向量集；
7.s3利用s1得到的综合权重以及s2得到的信任属性向量集，得到综合信任向量集；
8.s4计算标准信任向量；
9.s5利用s3得到的综合信任向量集和s4得到的标准信任向量，计算被评估厂商的信任值；
10.s6针对不同的被评估厂商，循环执行上述s1-s5，获得各被评估厂商的信任值，并根据信任值对相应被评估厂商进行评估。
11.在s1中，所述确定被评估厂商属性的主观、客观权重，并根据主观、客观权重确定综合权重的方法是：
12.s11确定被评估厂商属性的主观权重；
13.s111可信第三方依据被评估厂商的特征确定被评估厂商的属性集，所述属性集中共有m个属性；
14.s112可信第三方利用s111中确定的属性集以及被评估厂商的特征得到属性的重要度pi，i∈1，2，...，m；
15.s113可信第三方利用s112所得重要度pi，采用下式计算得到属性间重要度比值ri：
16.ri＝p
i-1
/pi，i∈1，2，...，m
17.s114可信第三方利用s113所得重要度比值ri，采用下式计算得到第m个属性的主观权重um：
[0018][0019]
s115可信第三方利用s114所得第m个属性的主观权重um，采用下述递推公式计算得到其余属性的主观权重ui：
[0020]um-1
＝rm×
um[0021]
…
[0022]ui-1
＝ri×
ui[0023]
s12确定被评估厂商属性的客观权重：
[0024]
s121可信第三方方获取被评估厂商的业务相关数据；
[0025]
s122可信第三方利用s121所获数据，得到矩阵x，矩阵x中的元素用x
ij
表示，共有n行数据，对应m列属性，i∈1，2，...，n；j∈1，2，...，m；
[0026]
s123可信第三方利用s122所得矩阵x，采用下式对被评估厂商正向属性进行归一化处理，得到归一化正向属性
[0027][0028]
s124可信第三方剔除由s123计算得到的矩阵x中的归一化正向属性将矩阵x中剩余元素利用下式对被评估厂商负向属性进行归一化处理，得到归一化负向属性
[0029][0030]
s125可信第三方利用s123和s124所得归一化正向属性及归一化负向属性合并得到归一化矩阵x
′
，归一化矩阵x
′
中的元素用x
′
ij
表示，然后利用下列公式计算得到标准差sj：
[0031][0032]
s126依据各属性之间存在的不同关系，可信第三方设定表示属性i和j之间的相关系数r
ij
，利用下式得到冲突性程度rj：
[0033][0034]
s127可信第三方利用s125得到的标准差sj以及s126得到的冲突性程度rj，利用下式得到信息量cj：
[0035]cj
＝sj×rj
[0036]
s128可信第三方利用s127得到的信息量cj，采用下式得到不同属性的客观权重wj：
[0037][0038]
s13利用s11得到的主观权重和s12得到的客观权重确定综合权重：
[0039]
s131可信第三方利用s11中得到的主观权重ui和s12中得到的客观权重wj，分别重新赋值为w1＝ui，w2＝wj，并设定一个系数ai，然后采用下列公式得到优化后的系数(a1，a2)：
[0040][0041]
s132可信第三方利用s131得到的优化后的系数(a1，a2)，进行归一化后得到最优分配比系数a
i*
；
[0042]
s133可信第三方利用s132得到的最优分配比系数a
i*
以及s131得到的不同属性的权重w1，w2，采用下式得到被评估厂商属性的综合权重
[0043][0044]
在s2中，所述计算信任属性向量集的方法是：
[0045]
s21选取z个其他厂商对被评估厂商进行评价，每个其他厂商对每个属性共有p个评价个数，对应m个属性，获得评价样本x
iz
(x
i1z
，x
i2z
，
…
，x
imz
)，i∈1，2，...，p；
[0046]
s22利用s21得到的评价个数p，采用下式得到被评估厂商的属性信任隶属度μi：
[0047][0048]
s23利用s22得到的属性信任隶属度μi，采用下列公式得到属性评价均值矩阵：
[0049][0050]
s24利用s23得到的属性评价均值矩阵，采用下列公式得到属性期望矩阵ex
mz
：
[0051][0052]
s25利用s24得到的属性期望矩阵ex
mz
以及s21得到的评价个数p和评价样本x
iz
，采用下列公式得到属性熵矩阵en
mz
：
[0053][0054]
s26利用s21得到的评价样本x
iz
、s22得到的属性信任隶属度μi和s25得到的属性熵矩阵，采用下列公式得到熵导矩阵en
′
imz
：
[0055][0056]
s27利用s26得到的熵导矩阵en
′
imz
，采用下列公式得到属性超熵矩阵he
mz
：
[0057][0058]
s28利用s24得到的属性期望矩阵ex
mz
、s25得到的属性熵矩阵en
mz
和s27得到的属性超熵矩阵he
mz
，设z个其他厂商对于被评估厂商属性评价的权重一样，采用下列公式得到其他厂商评价得到的各信任属性向量集(exi，eni，hei)，i∈1，2，
…
，m：
[0059][0060]
在s3中，所述利用s1得到的综合权重以及s2得到的各信任属性向量集，得到综合信任向量集的方法是：
[0061]
利用s1得到的综合权重以及s2得到的各信任属性向量集(exi，eni，hei)，i∈1，2，...，m，采用下列公式得到综合信任向量集：
[0062][0063]
在s4中，所述计算标准信任向量的方法是：
[0064]
s41规定存在t个被评估厂商的评价区间，区间上限值为区间下限值为
[0065]
s42利用s41得到的t个评价区间、区间上下限值采用下列公式得到期望值exi：
[0066][0067]
s43利用s42得到的期望值exi，采用下式得到熵eni：
[0068][0069]
s44利用s42得到的期望值exi以及s43得到的熵eni，并设超熵hei＝0.02，合并得到标准信任向量：
[0070]
在s5中，所述利用s3得到的综合信任向量集和s4得到的标准信任向量，计算被评估厂商的信任值的方法是：
[0071]
s51利用s3得到的综合信任向量集(ex，en，he)，任意选取其中一个元素(exi，eni，hei)生成一个以eni为期望和为方差的正态随机数
[0072][0073]
s52以exi为期望，以s51得到的正态随机数的平方为方差，得到另一个正态随机数xi：
[0074][0075]
s53利用s52得到的正态随机数xi，以及s4得到的标准信任向量，采用下式得到隶属度μ
′
：
[0076][0077]
s54重复s52、s53，生成c个隶属度μ
′i；
[0078]
s55利用s54得到的c个隶属度μ
′i，采用下式得到相似度δi：
[0079][0080]
s56利用s55得到的相似度δi，选出相似度最高的评价区间作为被评估厂商的评价区间[r
min
，r
max
]；
[0081]
s57利用s21得到的z个其他厂商和每个其他厂商对每个属性的评价个数p，以及s56得到的评价区间[r
min
，r
max
]，采用下式得到评价得分值a并作为被评估厂商的当前信任值：
[0082][0083]
s58将s57得到的当前信任值与历史信任值各占50％权重得到被评估厂商最终的信任值，如果没有历史信任值，则当前信任值权重占比100％。
[0084]
在s6中，所述根据信任值对相应被评估厂商进行评估的方法是：
[0085]
最终将信任值处于[7.5，10]评价区间的被评估厂商认定为可信，处于[5.3，7.4]评价区间的被评估厂商认定为谨慎信任，处于[0.0，5.2]评价区间的被评估厂商认定为不可信。
[0086]
本发明提供的面向大规模制造产业链的协同信任评估方法具有如下有益效果：(1)增加一套基于协同的可信评估机制，打破了产业链上下游的信任壁垒，为后续可信溯源构建根基。(2)可信机制优化后使用协同方案，使产业链各参与方协同地参与评估机制当中，使得参与各方共识。
附图说明
[0087]
图1为本发明提供的面向大规模制造产业链的协同信任评估方法流程图。
具体实施方式
[0088]
下面结合附图对本发明进行详细说明。
[0089]
如图1所示，本发明提供的面向大规模制造产业链的协同信任评估方法包括按顺序进行的下列步骤：
[0090]
s1确定被评估厂商属性的主观、客观权重，并根据主观、客观权重确定综合权重；
[0091]
s11确定被评估厂商属性的主观权重；
[0092]
s111可信第三方依据被评估厂商的特征确定被评估厂商的属性集，所述属性集中共有m个属性；
[0093]
s112可信第三方利用s111中确定的属性集以及被评估厂商的特征得到属性的重要度pi，i∈1，2，...，m；
[0094]
s113可信第三方利用s112所得重要度pi，采用下式计算得到属性间重要度比值ri：
[0095]ri
＝p
i-1
/pi，i∈1，2，...，m
[0096]
s114可信第三方利用s113所得重要度比值ri，采用下式计算得到第m个属性的主观权重um：
[0097][0098]
s115可信第三方利用s114所得第m个属性的主观权重um，采用下述递推公式计算得到其余属性的主观权重ui：
[0099]um-1
＝rm×
um[0100]
…
[0101]ui-1
＝ri×
ui[0102]
s12确定被评估厂商属性的客观权重：
[0103]
s121可信第三方方获取被评估厂商的业务相关数据；
[0104]
s122可信第三方利用s121所获数据，得到矩阵x，矩阵x中的元素用x
ij
表示，共有n行数据，对应m列属性，i∈1，2，...，n；j∈1，2，...，m；
[0105]
s123可信第三方利用s122所得矩阵x，采用下式对被评估厂商正向属性进行归一化处理，得到归一化正向属性
[0106][0107]
s124可信第三方剔除由s123计算得到的矩阵x中的归一化正向属性将矩阵x中剩余元素利用下式对被评估厂商负向属性进行归一化处理，得到归一化负向属性
[0108][0109]
s125可信第三方利用s123和s124所得归一化正向属性及归一化负向属性合并得到归一化矩阵x
′
，归一化矩阵x
′
中的元素用x
′
ij
表示，然后利用下列公式计算得到标准差sj：
[0110][0111]
s126依据各属性之间存在的不同关系，可信第三方设定表示属性i和j之间的相关系数r
ij
，利用下式得到冲突性程度rj：
[0112][0113]
s127可信第三方利用s125得到的标准差sj以及s126得到的冲突性程度rj，利用下式得到信息量cj：
[0114]cj
＝sj×rj
[0115]
s128可信第三方利用s127得到的信息量cj，采用下式得到不同属性的客观权重wj：
[0116][0117]
s13利用s11得到的主观权重和s12得到的客观权重确定综合权重：
[0118]
s131可信第三方利用s11中得到的主观权重ui和s12中得到的客观权重wj，分别重新赋值为w1＝ui，w2＝wj，并设定一个系数ai，然后采用下列公式得到优化后的系数(a1，a2)：
[0119][0120]
s132可信第三方利用s131得到的优化后的系数(a1，a2)，进行归一化后得到最优分配比系数a
i*
；
[0121]
s133可信第三方利用s132得到的最优分配比系数a
i*
以及s131得到的不同属性的权重w1，w2，采用下式得到被评估厂商属性的综合权重
[0122][0123]
s2计算信任属性向量集；
[0124]
s21选取z个其他厂商对被评估厂商进行评价，每个其他厂商对每个属性共有p个评价个数，对应m个属性，获得评价样本x
iz
(x
i1z
，x
i2z
，
…
，x
imz
)，i∈1，2，...，p；
[0125]
s22利用s21得到的评价个数p，采用下式得到被评估厂商的属性信任隶属度μi：
[0126][0127]
s23利用s22得到的属性信任隶属度μi，采用下列公式得到属性评价均值矩阵：
[0128][0129]
s24利用s23得到的属性评价均值矩阵，采用下列公式得到属性期望矩阵ex
mz
：
[0130][0131]
s25利用s24得到的属性期望矩阵ex
mz
以及s21得到的评价个数p和评价样本x
iz
，采用下列公式得到属性熵矩阵en
mz
：
[0132][0133]
s26利用s21得到的评价样本x
iz
、s22得到的属性信任隶属度μi和s25得到的属性熵矩阵，采用下列公式得到熵导矩阵en
′
imz
：
[0134][0135]
s27利用s26得到的熵导矩阵en
′
imz
，采用下列公式得到属性超熵矩阵he
mz
：
[0136][0137]
s28利用s24得到的属性期望矩阵ex
mz
、s25得到的属性熵矩阵en
mz
和s27得到的属性超熵矩阵he
mz
，设z个其他厂商对于被评估厂商属性评价的权重一样，采用下列公式得到其他厂商评价得到的各信任属性向量集(exi，eni，hei)，i∈1，2，
…
，m：
[0138][0139]
s3利用s1得到的综合权重以及s2得到的信任属性向量集，得到综合信任向量集；
[0140]
利用s1得到的综合权重以及s2得到的各信任属性向量集(exi，eni，hei)，i∈1，2，...，m，采用下列公式得到综合信任向量集(ex，en，he)：
[0141][0142]
s4计算标准信任向量；
[0143]
其他厂商对于被评估厂商不同属性进行评价的时候，作为人的习惯常常采用几个评语，例如
‘
好
’‘
不好’，而不是直接打分，所以，为提高被评估厂商属性等级评价结果可区分性，对于评价进行量化，设立评价区间，比如被评估厂商的评价区间[1，3]，[4，6]，[7，10]分别对应于评语“差”，“一般”，“好”。
[0144]
s41规定存在t个被评估厂商的评价区间，区间上限值为区间下限值为
[0145]
s42利用s41得到的t个评价区间、区间上下限值采用下列公式得到期望值exi：
[0146][0147]
s43利用s42得到的期望值exi，采用下式得到熵eni：
[0148][0149]
s44利用s42得到的期望值exi以及s43得到的熵eni，并设超熵hei＝0.02，合并得到标准信任向量：
[0150]
s5利用s3得到的综合信任向量集和s4得到的标准信任向量，计算被评估厂商的信任值；
[0151]
s51利用s3得到的综合信任向量集(ex，en，he)，任意选取其中一个元素(exi，eni，hei)生成一个以eni为期望和为方差的正态随机数
[0152][0153]
s52以exi为期望，以s51得到的正态随机数的平方为方差，得到另一个正态随机数xi：
[0154][0155]
s53利用s52得到的正态随机数xi，以及s4得到的标准信任向量，采用下式得到隶属度μ
′
：
[0156][0157]
s54重复s52、s53，生成c个隶属度μ
′i；
[0158]
s55利用s54得到的c个隶属度μ
′i，采用下式得到相似度δi：
[0159][0160]
s56利用s55得到的相似度δi，选出相似度最高的评价区间作为被评估厂商的评价区间[r
min
，r
max
]；
[0161]
s57利用s21得到的z个其他厂商和每个其他厂商对每个属性的评价个数p，以及s56得到的评价区间[r
min
，r
max
]，采用下式得到评价得分值a并作为被评估厂商的当前信任值：
[0162][0163]
s58将s57得到的当前信任值与历史信任值各占50％权重得到被评估厂商最终的信任值，如果没有历史信任值，则当前信任值权重占比100％。
[0164]
s6针对不同的被评估厂商，循环执行上述s1-s5，获得各被评估厂商的信任值，并根据信任值对相应被评估厂商进行评估。
[0165]
针对不同的被评估厂商，循环执行上述s1-s5，最终将信任值处于[7.5，10]评价区间的被评估厂商认定为可信，处于[5.3，7.4]评价区间的被评估厂商认定为谨慎信任，处于[0.0，5.2]评价区间的被评估厂商认定为不可信。