, 孙琳程2 1. 天津工业大学 控制科学与工程学院, 天津 300000;
2. 天津工业大学 计算机科学与技术学院, 天津 300000
收稿日期：2021-06-25
基金项目：国家重点研发计划资助项目(2018YFB1701802)；国家自然科学基金资助项目(41772123，61772365)。
作者简介：陈瀚宁(1979-)，男，辽宁本溪人，天津工业大学教授，博士生导师;
苏卫星(1980-)，男，辽宁沈阳人，天津工业大学教授。
摘要：针对云制造模式下分布式企业间迫切需要开展大规模开放式协作及资源共享的需求, 结合演化博弈理论, 建立分布式环境下资源共享激励机制, 分析了不同情况下资源共享的演化博弈趋势.通过理论分析及仿真实验可知: 资源可共享总量、资源共享水平、资源利用能力、协同收益系数、评价收益系数、共享激励系数及投机惩罚系数对资源共享起促进作用, 共享成本系数起阻碍作用, 直接收益系数无影响, 协同收益分配系数与资源共享演化稳定状态呈倒U型关系.本文研究内容为促进分布式资源共享, 加速未来云制造模式下产业创新研发提供借鉴意义.
关键词：云制造分布式研发环境资源共享激励机制演化博弈
Research on Distributed Resource Sharing Incentive Mechanism Under Cloud Manufacturing Mode
CHEN Han-ning1,2, HU Yong-qing1, SU Wei-xing2
, SUN Lin-cheng2 1. School of Control Science and Engineering, Tiangong University, Tianjin 300000, China;
2. School of Computer Science and Technology, Tiangong University, Tianjin 300000, China
Corresponding author: SU Wei-xing, E-mail: suweixing@tiangong.edu.cn.
Abstract: In response to the urgent need for large-scale open collaboration and resource sharing between distributed enterprises under the cloud manufacturing mode, this paper combines evolutionary game theory to establish an incentive mechanism for resource sharing in a distributed environment, and analyzes the evolutionary game trend of resource sharing in different situations. It can be known through theoretical analysis and simulation experiment that total shareable resources, resource sharing level, resource utilization capacity, synergy benefit coefficient, evaluation benefit coefficient, sharing incentive coefficient and speculative penalty coefficient play positive roles in promoting the resource sharing, while the shared cost coefficient plays a negative role and direct benefit level has no effect. There is an inverted U-shaped relationship between the allocation coefficient of synergy benefit and the stable state of resource sharing evolution. This study provides references for promoting distributed resource sharing and accelerating industrial innovation in the future cloud manufacturing mode.
Key words: cloud manufacturingdistributed research environmentresource sharingincentive mechanismevolutionary game
云制造作为一种面向服务的网络化制造模式[1], 借助云计算、网格计算等信息技术, 将企业内部及分布式企业间围绕产品开发、生产、销售、使用等全生命周期的相关资源进行优化整合和按需配置, 通过标准、规范、可共享的制造服务, 实现跨企业、跨行业间的资源整合、业务协作和互补共生, 进而有效提升产业链整体乃至整个制造业的整体竞争力和可持续发展能力[2].在云制造模式下, 产业链内或跨产业链的制造资源和制造能力被聚合到云平台以便消费者可以按需获得制造服务[3], 所以云制造模式的推广应用迫切需要产业链上下游或跨产业链企业间开展大规模开放式协作及高端产品研发所需资源(包括模型、信息、工具、技术等)的共享共用.这些具有多源、海量、异构特征的资源通常属于不同经营主体, 具有较高商业价值.企业缺乏对资源的共享意愿度和使用意愿度, 造成资源共享与重用效率低, 导致云制造推广应用缺少科学的运行机制和良好的商业模式, 其可持续发展受到影响[4].因此, 企业的参与对于云制造系统的开发和实施非常重要, 探索制造资源共享的推动模式以及有效的分布式企业间资源共享激励机制, 对促进云制造模式的良性、健康、可持续发展具有重要意义.
1 相关研究资源共享激励机制一直是共享环境下企业保持核心竞争力的关键及协调通用技术研发及创新的重要问题[5].在云制造领域, Simeone等[6]建立了一个智能云制造平台框架, 支持制造服务的动态共享来提高制造网络中的资源利用率.Sun等[7]针对云数据中心特点, 基于众筹思想建立资源共享激励机制, 提高了工作效率.Jin等[8]针对移动云计算资源设计了以双向拍卖机制为主导的高效资源共享激励机制.Nayak等[9]建立了一个新的基于资源共享的RSBF框架, 促进各类制造资源的动态整合.Assis等[10]提出了一种新的多云锦标赛的云联盟方法, 鼓励资源共享行为, 减少“搭便车”的投机行为.
企业间关于资源共享策略的选择相互影响, 资源共享发展过程可视为企业在有限理性情况下的博弈过程[11].利用演化博弈理论对资源共享激励机制进行建模, 目前已有研究成果.Yang等[12]利用演化博弈理论对市场多个主体之间知识产权合作共享行为的博弈演化过程进行探讨, 为知识产权共享激励机制的建立提供参考.Wang等[13]基于进化博弈理论制定了师徒模式下知识共享激励机制, 促进师徒模式下组织内的知识资源共享.Li等[14]为了解决代理商之间的合作困境, 提出了以演化博弈理论为基础的推荐激励机制.Wang等[15]在共享网络中为鼓励机会主义社会网络节点间信息传递, 运用演化博弈理论构建激励机制.Du等[16]结合演化博弈理论对集成项目交付(IPD)中促进一体化项目团队内部知识共享演化机制进行了探讨.
演化博弈理论应用于云制造领域中制造资源共享与决策分配.Carlucci等[17]利用少数博弈理论实现云制造环境下资源分配决策, 提高整体环境资源利用率.赵道致等[18]研究了云制造模式下两个企业之间剩余资源分享的问题, 分析了资源共享过程中的收益及决策情况.乔国通等[19]利用演化博弈理论对制造资源共享进行了博弈分析并探讨了不同参数对共享过程的影响.基于演化博弈理论的云制造领域资源共享激励机制虽然受到关注, 但相关研究相对较少.现有研究很多是从共享双方完全理性的角度出发, 但在实际情况下, 参与博弈的双方是根据对方策略实时调整自己的策略, 属于有限理性行为.除此之外, 已有研究主要将影响资源共享行为的因素局限在对称型资源共享双方的角度, 忽视了资源共享行为的倡导者或服务商在共享过程中起到的作用, 而没有考虑到资源本身价值对资源共享良性发展的影响.
针对以上问题, 从资源共享的有限理性角度出发, 基于演化博弈理论, 分别从资源共享双方水平、共享行为影响及共享资源价值的角度抽象提取出分布式资源共享过程中各影响因素, 建立云制造模式下资源共享演化博弈模型, 对资源共享双方所采用的基本策略进行博弈分析, 基于系统动力学理论讨论各因素对资源共享行为演化趋势的影响.最后进行仿真验证, 为实际生产过程中资源共享的实施及相应的策略制定提供借鉴.
2 分布式资源共享激励机制2.1 分布式资源共享演化博弈模型将分布式资源共享行为抽象为双方互动行为, A, B表示资源共享双方, 分别表示参与资源共享的企业A和企业B.企业A和B不仅代表一家企业, 还可以代表资源共享决策相同的企业集群.
分布式资源共享过程中各影响因素的参数假设如表 1所示.
表 1(Table 1)
 表 1 分布式资源共享演化博弈模型参数假设Table 1 Parameter hypothesis of distributed resource sharing evolutionary game model
| 表 1 分布式资源共享演化博弈模型参数假设 Table 1 Parameter hypothesis of distributed resource sharing evolutionary game model |
为了促进资源共享行为的良性发展及高质量资源的最大化利用, 本文将共享资源的评价结果作为资源共享行为的影响因素引入激励机制, 以资源评价收益系数φi的形式表达.
在对共享资源进行评价时, 需要以较高的用户满意度为基本指向, 对于产品研发所需的各类资源(包括科技资源、信息资源、技术资源等)的评价要保证全面可靠, 设置的评价体系须科学完善.根据企业研发设计资源特点及资源共享行为流程, 结合Morville等[20]提出的用户体验蜂巢模型, 资源共享整体评价研究从以下几个角度展开: 找到资源, 获得资源, 使用资源, 评价反馈.其中, 找到资源即资源的可见性, 主要表示资源本身及资源拥有者基本信息的公开及齐全程度; 获得资源即资源的可得性, 表示资源内容及其功能可正常获取的易操作性及资源获取的便利程度; 使用资源即资源可用性, 主要指资源是否可以正常使用及对应用任务的适用性; 评价反馈主要指用户在资源使用期间及使用完成后的主观满意度, 除了资源功能角度的满意程度外, 还包括资源的非功能角度评价, 例如资源拥有方提供的共享服务及未来的资源使用意向等.以上几个方面可以基本表达资源共享过程中各个环节资源的状态, 实现对企业研发设计资源全方位、多维度及细粒度的评价.从以上4个角度出发建立4维评价模型, 如图 1所示.
图 1(Fig. 1)
 | 图 1 评价结构模型Fig.1 Evaluation structure model |
共享资源评价的核心思想: 以图 1所示的4维评价模型为基础, 针对各类资源特点, 建立相应的评价指标体系, 在资源共享过程中通过专家评分或用户反馈等评价方式获得共享资源各指标得分情况, 利用赋权方法确定各评价指标相应权重, 与各评价指标得分加权计算出共享资源的综合评价结果.
在资源共享过程中, 企业A和B均有共享(S)及不共享(N)2种策略, 根据表 1所示的资源共享影响因素设置, 不同策略下共享双方收益以支付矩阵的形式表示, 如表 2所示.
表 2(Table 2)
表 2 支付矩阵Table 2 Payment matrix
| 表 2 支付矩阵 Table 2 Payment matrix | |||||||||||||||
表 2中:
 | (1) |
企业A在S策略下的期望收益为
 | (2) |
 | (3) |
 | (4) |
 | (5) |
 | (6) |
 | (7) |
 |
 | (8) |
 |
 | (9) |
 | (10) |
表 3(Table 3)
表 3 平衡点处Det(J)及Tr(J)的情况Table 3 Det(J)and Tr(J)at equilibrium points
| 表 3 平衡点处Det(J)及Tr(J)的情况 Table 3 Det(J)and Tr(J)at equilibrium points |
当Det(J)>0, Tr(J) < 0时, 对应的局部平衡点为演化稳定点; 当Det(J)>0, Tr(J)>0时, 对应的局部平衡点为不稳定点; 当Det(J) < 0时, 对应的局部平衡点为鞍点.
局部平衡点稳定性如表 4所示.本文分析了
表 4(Table 4)
表 4 局部平衡点稳定性Table 4 Stability of local equilibrium points
| 表 4 局部平衡点稳定性 Table 4 Stability of local equilibrium points |
演化相位图如图 2所示.
图 2(Fig. 2)
 | 图 2 演化相位图Fig.2 Evolutionary phase diagrams (a)—情况1；(b)—情况2；(c)—情况3；(d)—情况4. |
由图 2a可知, 初始共享概率(p1, p2)落在区域OCPA中时, (N, N)为演化稳定策略ESS; 落在区域APCB中, (S, S)为演化稳定策略ESS, 即APCB区域面积越大, 资源共享双方在演化学习之后, 选择资源共享的概率就越大.在图 2b~图 2d中, 资源共享概率演化结果与初始概率无关, 经过不断演化学习, 演化稳定策略ESS均为(N, N), 博弈双方最终均不会参与资源共享.
APCB区域面积可表示为S:
 | (11) |
3 实验分析实验在MATLAB 2018b环境下进行, 验证各因素对资源共享概率演化趋势的影响.随机选取100个初始进化点, 资源共享演化路径如图 3所示, 图中每条曲线均代表一条进化路径.当cA=2.5, cB=2.5时, 仿真结果如图 3a所示, 所有初始点的进化路径最后均稳定在(0, 0)和(1, 1)两个稳定点, 资源共享演化趋势与图 2a一致; 当cA=2.5, cB=4;cA=4, cB=2.5;cA=4, cB=4时, 仿真结果分别如图 3b~图 3d所示, 资源共享演化趋势分别与图 2b~图 2d一致, 所有进化路径最后均稳定在(0, 0)点, 双方最终均会选择不共享策略.
图 3(Fig. 3)
 | 图 3 资源共享演化路径Fig.3 Evolution path of resource sharing (a)—cA=2.5, cB=2.5; (b)—cA=2.5, cB=4; (c)—cA=4, cB=2.5; (d)—cA=4, cB=4. |
随机选取投机惩罚系数ωi(i=A, B)、资源共享成本系数ci(i=A, B)及协同收益分配系数θ作为待调整参数, 分别改变其取值情况, 演化时间用t表示, 资源共享概率用p表示, 通过实验仿真对第2节中各因素对资源共享演化趋势的影响分析进行验证.
投机惩罚系数ωi对资源共享演化趋势的影响: 设ωA和ωB的范围均为0.5~2.5, 步长为0.5, 资源共享博弈双方演化仿真结果如图 4、图 5所示.当ωA为0.5, 1, 1.5，ωB为0.5时, 资源共享博弈双方最终会选择(N, N)策略.由于惩罚成本太小, 资源共享过程中的投机行为无法得到有效抑制, 导致整体环境下资源共享行为的劣性发展, 企业双方最终都会放弃资源共享, 合作失败.惩罚系数越大, 博弈双方参与资源共享概率收敛到0的速度越慢.在其余情况下, 资源共享双方会选择(S, S)策略, 惩罚系数越大, 资源共享概率演化曲线收敛到1的速度越快.投机惩罚力度较大时, 投机行为需要承担较大的心理预期风险, 资源共享行为可得以良性发展.“搭便车”行为是阻碍资源共享持续性发展的重要因素, 投机惩罚系数对资源共享行为起正向促进作用, 增加惩罚系数对减少投机行为的产生具有积极影响.
图 4(Fig. 4)
 | 图 4 ωA对资源共享演化趋势的影响Fig.4 The influence of ωA on the evolution trend of resource sharing |
图 5(Fig. 5)
 | 图 5 ωB对资源共享演化趋势的影响Fig.5 The influence of ωB on the evolution trend of resource sharing |
资源共享成本系数ci的影响: 在资源参与共享的过程中, 资源共享方不可避免地会付出一定成本, 包括资源共享转移及资源获取过程中花费的成本, 比如时间成本、风险成本、操作成本(包括人力、技术等)[7].设置cA, cB的范围均为1~5, 步长为1, 所得资源共享双方博弈演化结果如图 6、图 7所示.当cA, cB均取1, 2时, 资源共享双方最终会选择(S, S)策略, 共享成本系数越大, 博弈双方参与资源共享概率演化曲线收敛到1的速度越慢.当cA, cB均取3, 4, 5时, 资源共享双方最终会选择(N, N)策略, 且共享成本系数越大, 资源共享概率曲线收敛到0的速度越快.随资源共享成本的增加, 资源共享行为的意愿降低, 共享成本对资源共享行为具有显著的负面影响, 通过技术手段降低共享成本也是吸引分布式环境下各企业加入云制造资源共享的有效途径.
图 6(Fig. 6)
 | 图 6 cA对资源共享演化趋势的影响Fig.6 The influence of cA on the evolution trend of resource sharing |
图 7(Fig. 7)
 | 图 7 cB对资源共享演化趋势的影响Fig.7 The influence of cB on the evolution trend of resource sharing |
协同收益分配系数θ的影响: 当θ为0.1, 0.3, 0.5, 0.6, 0.8时, 所得资源共享双方演化博弈仿真结果如图 8所示, 当θ为0.1, 0.3及0.8时, 博弈双方最终会选择(N, N)策略, 其中当θ=0.8时, 企业A将获得总体协同收益的80%, 导致资源共享概率大幅上升, 然而由于收益分配不均, 企业B共享概率下降, 企业A也将被动降低资源共享概率, 最终导致共享双方采取(N, N)策略.当θ为0.5, 0.6时, (S, S)策略为演化稳定状态.可知, θ的大小反映了分布式共享环境下对合作行为产生协同收益分配的公平性, θ取值过大或者过小均会导致协同收益分配不均, 进而使协同收益分配较少的一方共享积极性受到抑制.随时间的推移, 企业双方都将拒绝资源共享, 只有当收入分配公平时, 共享环境下的各企业才会保持或增加共享热情[7], 资源共享过程中协同收益分配系数与共享行为的演化结果呈倒U型关系.
图 8(Fig. 8)
 | 图 8 θ对资源共享演化趋势的影响Fig.8 The influence of θ on the evolution trend of resource sharing |
本文通过理论分析及实验仿真验证, 探索分布式环境下各企业间资源共享行为的长期演化规律及各因素影响, 可以为激励企业采取共享策略提供指导, 从长远来看, 整体共享环境下将形成资源共享的良性循环, 这将有利于促进云制造环境下分布式企业间的协同创新水平.
4 结论1) 资源可共享总量、资源共享水平、资源利用能力、协同收益系数、评价收益系数、共享激励系数及投机惩罚系数对资源共享起正向促进作用; 共享成本系数对资源共享起负向阻碍作用; 直接收益系数对资源共享演化过程不产生影响; 协同收益分配系数与资源共享演化稳定状态呈倒U型关系.
2) 对于资源共享行为倡导者(如云制造平台、第三方资源集成管理组织等), 本文或许可以为分布式环境下对资源共享相关政策的制定提供参考.
3) 对于资源共享的参与企业, 本文提出的激励机制可考虑作为实际情况下共享行为实施的方向指导, 从而降低博弈过程所带来的效率损失.
4) 在激励模型中引入价值信息: 一方面可以促进高价值资源共享进而提高总体环境下资源共享的积极性; 另一方面会使资源共享者更加谨慎, 有效抑制无用资源的盲目共享行为, 促进云制造环境下分布式资源共享行为的良性发展.本文研究内容对于云制造模式全面支撑企业一体化协同研制, 促进我国高端装备研制创新, 提高装备制造企业的核心竞争力均具有重要意义.
参考文献
| [1] | 李伯虎, 张霖, 王时龙, 等. 云制造——面向服务的网络化制造新模式[J]. 计算机集成制造系统, 2010, 16(1): 61-7, 16. (Li Bo-hu, Zhang Lin, Wang Shi-long, et al. Cloud manufacturing: a new service-oriented networked manufacturing model[J]. Computer Integrated Manufacturing System, 2010, 16(1): 1-7, 16.) |
| [2] | Wan C C, Zheng H L, Guo L, et al. Cloud manufacturing in China: a review[J]. International Journal of Computer Integrated Manufacturing, 2020, 33(3): 229-251. DOI:10.1080/0951192X.2020.1718768 |
| [3] | Liu Y K, Wang L H, Wang X V, et al. Cloud manufacturing: key issues and future perspectives[J]. International Journal of Computer Integrated Manufacturing, 2019, 32(9): 858-874. DOI:10.1080/0951192X.2019.1639217 |
| [4] | Tao F, Zuo Y, Zhang L. IoT-based intelligent perception and access of manufacturing resource toward cloud manufacturing[J]. IEEE Transactions on Industrial Informatics, 2014, 10(2): 1547-1557. DOI:10.1109/TII.2014.2306397 |
| [5] | Zhang H, Wang M, Cheng Z, et al. Technology-sharing strategy and incentive mechanism for R&D teams of manufacturing enterprises[J]. Physica A, 2020, 124546: 1-15. |
| [6] | Simeone A, Caggiano A, Boun L, et al. Intelligent cloud manufacturing platform for efficient resource sharing in smart manufacturing networks[J]. Procedia CIRP, 2019, 79: 233-238. DOI:10.1016/j.procir.2019.02.056 |
| [7] | Sun Y, Zhang N. A resource-sharing model based on a repeated game in fog computing[J]. Saudi Journal of Biological Sciences, 2017, 24(3): 687-694. DOI:10.1016/j.sjbs.2017.01.043 |
| [8] | Jin A L, Song W, Wang P, et al. Sharing for cloudlets in mobile cloud computing[J]. IEEE Transactions on Services Computing, 2016, 9: 895-909. DOI:10.1109/TSC.2015.2430315 |
| [9] | Nayak A, Levalle R R, Lee S, et al. Resource sharing in cyber-physical systems: modelling framework and case studies[J]. International Journal of Production Research, 2016, 54(23): 6969-6983. DOI:10.1080/00207543.2016.1146419 |
| [10] | Assis M R M, Bittencourt L F. MultiCloud tournament: a cloud federation approach to prevent free-riders by encouraging resource sharing[J]. Journal of Network and Computer Applications, 2020, 166: 1-19. |
| [11] | Feng T, Tai S, Sun C, et al. Study on cooperative mechanism of prefabricated producers based on evolutionary game theory[J]. Mathematical Problems in Engineering, 2017, 2017: 1-6. |
| [12] | Yang Z L, Shi Y Y, Li Y C. Analysis of intellectual property cooperation behavior and its simulation under two types of scenarios using evolutionary game theory[J]. Computers & Industrial Engineering, 2018, 125: 739-750. |
| [13] | Wang R H. Evolutionary game of knowledge sharing in master-apprentice pattern of innovative organization[J]. International Journal of Innovation Science, 2019, 11(3): 436-453. DOI:10.1108/IJIS-11-2018-0125 |
| [14] | Li M C, Jin X, Guo C, et al. RIMNet: recommendation incentive mechanism based on evolutionary game dynamics in peer-to-peer service networks[J]. Knowledge-Based Systems, 2019, 166: 156-169. DOI:10.1016/j.knosys.2018.12.024 |
| [15] | Wang E K, Chen C M, Yiu S M, et al. Incentive evolutionary game model for opportunistic social networks[J]. Future Generation Computer Systems, 2020, 102: 14-29. DOI:10.1016/j.future.2019.07.034 |
| [16] | Du Y C, Zhou H Y, Yuan Y B, et al. Explore knowledge-sharing strategy and evolutionary mechanism for integrated project team based on evolutionary game model[J]. Advances in Civil Engineering, 2019, 2019: 1-23. |
| [17] | Carlucci D, Renna P, Materi S, et al. Intelligent decision-making model based on minority game for resource allocation in cloud manufacturing[J]. Management Decision, 2020, 58(11): 2305-2325. DOI:10.1108/MD-09-2019-1303 |
| [18] | 赵道致, 李润. 云制造模式下企业剩余资源分享决策研究[J]. 工业工程与管理, 2018, 23(2): 33-39. (Zhao Dao-zhi, Li Run. Research on enterprise residual resource sharing decision under cloud manufacturing mode[J]. Industrial Engineering and Management, 2018, 23(2): 33-39.) |
| [19] | 乔国通, 齐二石, 李天博, 等. 云制造环境下企业制造资源共享的演化博弈分析[J]. 运筹与管理, 2017, 26(2): 25-34. (Qiao Guo-tong, Qi Er-shi, Li Tian-bo, et al. Evolutionary game analysis of enterprise manufacturing resource sharing in cloud manufacturing environment[J]. Operations Research and Management, 2017, 26(2): 25-34.) |
| [20] | Morville P, Rosenfeld L. Information architecture for the world wide web[M]. Sebastopol: O'Reilly Media, 2002. |
| [21] | Friedman D. On economic applications of evolutionary game theory[J]. Journal of Evolutionary Economics, 1998, 8(1): 15-43. DOI:10.1007/s001910050054 |
