1.一种基于D‑HS的低碳相似实例检索方法，包括如下步骤：S1：低碳实例库区间等概率离散化及索引规则：对各属性i的各实例按照属性值从小到大排序，ci(c1), ci(c2),…,ci(cN)；划定每区间段的实例数Int(N/Li)，区间段的上下界为区间内实例属性i最大值和最小值，索引规则如公式（1）所示：   (1)

式中，N为实例库中产品实例总数，Li为自定义的第i维属性区间数； 为实例库中第 ( ) 个实例c的第i维属性ci的属性量值；

所述的实例库，由N个实例c组成，每个实例包含M个质量特征属性c；

S11：依据M维质量特征属性的量值，对实例库中N个实例进行M次升序排序，同时确定各维度属性区间数L，构建实例库虚拟网格化特征属性坐标(Li, Lj, Lk,…)；

S12：依据实例库中各个实例自身M维属性量值，生成单个实例ci的虚拟网格坐标(li(ci), lj(ci), lk(ci),…);S2：目标实例检索：将目标索引实例落入区域按S1中的索引规则，得到索引集S；

S21：输入目标检索实例q，依据qi(q)的属性量值定位坐标(li(q), lj(q), lk(q),…)，并记录相同属性区间坐标下的产品实例ci的标识号；

S22：将与目标实例q的M维属性均在同一区间的各维坐标相同的实例构成相似索引集S;

S3：实例集补充：构建实例匹配度准则，对S2中获得的索引集S进行补充，避免边缘相似实例的遗漏，如公式（2）所示，获得补充集Sb;   (2)

式中，cj(ci)表示实例ci的第j个属性cj的量值，qj(q)表示目标实例q的第j个属性qj的量值；函数Match具备以下特性：；

；

S31：索引集S为空集的情况下，为提供与目标实例拥有较多相同属性区间的实例库实例作为索引实例，定义属性匹配度常数Const，根据实际检索条件值设置Const值，获得补充集Sb，如公式（3）所示，获得索引集S0，如公式（4）所示：       （3）

               （4）S4：相似度与修改难度计算：索引集 中的实例进行相似度与修改难度计算：对实例进行相似度和修改难度的计算，得到合适的可重用的相似实例或相似实例集；

S41：基于需求的模糊性，构建不同数据类型特征属性的局部相似度计算模型如公式（5）‑（8）所示，及全局相似度如公式（9）所示；

                     (5)式中，m1表示属性量值为精确值的属性数目， 为第j个精确值特征属性的权重；

                     (6)                     (7)式中，m2表示属性量值为模糊数值型的属性数目，k(ck)为属性ck的一维关联函数值，为第k个模糊数值型特征属性的权重；

                        (8)式中，m3表示属性量值为语义型的属性数目， 表示属性cl的模糊值， 为第l个语义型特征属性的权重；

     (9)

式中，m1+m2+m3=M，  ，i=1,2,…,N；

S42：采用模糊公理化方法，建立实例特征属性修改信息模型，作为评定相似实例可修改性准则，构建实例检索相似度和修改信息的双重标准；

S5：实例库更新：将成功修改后的重用实例进行标识码的编码，作为新的实例添加到实例库中，并依据其属性量值定位坐标；

S6：区间划分更新与坐标更新：若当前实例库中实例数N’≥(1+10%) N，则需要对M维属性重新划分区间，构建新的网格化坐标，并更新实例库中各实例的坐标。