服务组合“优化”与“优选”
看文献时不时看到这俩词，有的是优化，有的是优选，本来没往这方面想还没觉得有啥，完全是突然冒出的念头，然后就给绕进去了（淦），所以先让我把这俩玩意辨一辨不然我睡不着。
谷歌翻译把“服务组合优化”翻译成“Service portfolio/composition optimization”（portfolio和composition两个词都有文献在用，不过一般文献标题更多是用composition，所以我后边涉及到的话都用composition），把“服务组合优选”翻译成“Service composition selection”，但是标题里一般不会出现selection这个词，正文中也通常是“select service”这样的表达，所以一番查找下来，给我感觉是“Service composition optimization”才更像是正儿八经的专业术语。不过英文好像不太区分这个，因为即使是“selectin”也是要依赖“optimization algorithm”的。
下面是一段根据AI回复所做的总结：
- 服务组合优化：“优化”通常指通过应用算法寻找最优解的过程。通过整合多个不同领域、不同地域的制造资源，实现分布式制造资源的优化配置。其目标函数通常是提高资源利用率、降低总成本、缩短总完工时间等，更倾向于选择不同的优化算法进行求解。
- 服务组合优选：“优选”更侧重从多个可选服务中选额最合适的组合。针对特定任务或者需求，从海量服务中挑选出满足多方利益的最佳服务组合。其目标往往涉及对不同服务提供者的性能、信誉度等方面的评估和比较，多采用不同的决策分析方法辅助进行选择。
我自己的理解是，服务组合优选就从指服务组合优化得出的方案集合中选择更加合适的方案，也就是说，服务组合优选实质上是基于服务组合优化结果的一种决策过程，它不仅仅关注技术层面上的“最优解”，还包括对业务需求、用户偏好等多维度因素的考量。但是感觉在我目前看到的中文文献里，这俩词的意思差别不大，标题为“优化”的文献里也有对Paretro解的决策选择过程，所以貌似也不用那么纠结（我也不知道我在纠结啥，总总之后文统一用“优选”这个词）？
服务组合优选流程
我将服务组合优选流程简单概括为3个步骤：（确定多目标问题时的）指标评估——算法求解——（选择最优方案时的）指标评估。下面主要关注前后两次的评估过程。
第一次指标评估（确定多目标问题）
这次评估是为了确定多目标问题的优化目标和评价指标。它主要关注于确定哪些指标是重要的，以及如何将这些指标结合起来形成一个多目标优化问题。
- 目的：这一阶段的目的是确定多目标问题的优化目标和评价指标。它主要关注于确定哪些指标是重要的，以及如何将这些指标结合起来形成一个多目标优化问题。
- 侧重点：侧重于评价单个服务或初步组合的性能指标，如成本、响应时间、可靠性等，这些指标通常是量化的。
- 方法：通常采用量化的评价方法，如基于特定标准或模型计算每个服务或服务组合的性能得分。
- 结果应用：结果主要用于筛选候选服务或服务组合，并作为优化算法的输入，以求解最佳服务组合。
在服务筛选与初步评价阶段，指标的确定往往关注于量化和客观衡量服务的能力，以确保服务能满足基本的要求和标准。常用的方法包括：
- 性能基准：确定服务必须达到的最低性能标准。例如，在物流服务中，可能包括最长配送时间、最低准时率等。
- 成本效益分析：通过比较成本与效益（如服务速度、可靠性等），找出性价比最高的服务。这要求确定成本相关指标和效益相关指标。
- 服务质量（QoS）指标：根据服务的质量属性，如响应时间、可用性、吞吐量等，来评价服务。
第二次指标评估（选择最优方案）
- 目的：在得到Pareto最优解集之后，这一阶段的评估目的是在多个非劣解之间进行选择，以确定最终实施的解决方案。它主要关注于对每个 Pareto 最优解进行具体评估，确定其在各个目标维度上的性能表现，并进行权衡分析。
- 侧重点：侧重于根据决策者的偏好和实际应用场景中的约束条件，对多个目标进行权衡和折中。
- 方法：可能包括定性的方法和定量的方法，如为不同目标分配权重、进行偏好排序、使用理想点方法等，这些方法更多地依赖于决策者的主观判断和偏好。
- 结果应用：结果用于从Pareto最优解集中选择一个最终的解决方案，这通常需要考虑除性能指标外的其他因素，如成本预算、实施难度等。
总的来说，初始阶段的指标评估更多地关注于服务性能的量化评价，为算法提供量化的输入；而决策阶段的指标评估则更加关注于在多个优化目标之间进行权衡和选择，这需要综合考虑量化指标以外的因素，如决策者的偏好和实际约束。
在最终决策阶段，指标的确定更多地考虑到决策者的偏好、目标之间的权衡，以及实际的约束条件。常用的方法包括：
- 权重分配：为不同的指标分配权重，以反映它们对最终决策的相对重要性。这种方法要求决策者能明确地表达出不同指标的优先级。
- 多准则决策分析（MCDM）：例如，层次分析过程（AHP）可以帮助决策者通过构建层次结构模型和进行成对比较，来确定不同指标的相对重要性。TOPSIS方法则是基于每个方案与理想解的距离来进行排名和选择。
- 偏好调查：通过问卷调查、访谈等方式，直接收集决策者或用户群体的偏好信息，以辅助决策。这可以帮助明确哪些指标对用户满意度影响更大。
- 情景分析：在不同的假设条件下（如不同的市场环境、用户需求变化等），评估各个选项的表现，以确定在特定情境下最重要的指标。
总结
- 第一次评估的指标确定侧重于量化测量和客观标准，以确保服务或产品能够满足基本的要求或性能标准。
- 第二次评估的指标确定则更侧重于根据决策者的偏好和实际的约束条件，对多个指标进行权衡和折中，以便做出最适合的选择。
