基于MMAS的多目标优化算法研究

针对多目标优化问题求解过程中多个目标相互制约难以求解的特点,为了多目标的协调优化,提出了一种基于最大最小蚁群算法(MMAS)的多目标优化蚁群算法.将蚁群算法的离散搜索机制映射到连续空间,修改了离散蚁群算法的行进规则和信息素的存留策略,使蚁群算法能够应用于解决解空间连续的问题.最大最小蚂蚁系统信息素取值方式的引入,极大地改善了蚁群算法搜索过程中容易陷入停滞的问题,尤其改善了蚁群算法在解空间的全局搜索能力.通过对两组测试函数求解的结果与其它方法比较,仿真结果表明所获得的最优解更多,分布范围更广,所求得的最优解集更加逼近真实的最优前沿.     

蚁群算法在Web服务组合中的应用

为了在服务组合过程中高效地发现、选择满足用户要求的Web服务,提出基于蚁群算法的多目标优化组合用以实现用户对组合服务质量的需求。该方法根据不同Web服务的QoS属性指标,选择相应的Web服务得到Pareto最优解集合,用户根据实际需要或对目标函数的偏好,从Pareto最优解集中挑选一个或多个解作为组合服务质量问题的最优解,从而形成最后的决策方案。从理论和实验2个方面与相关研究成果进行分析比较。     

连续空间优化问题的自适应蚁群系统算法

蚁群算法是进化计算中一种新型优化算法,其基本算法用于求解排序类型的组合优化问题本文提出一种用于连续空间优化问题求解的蚁群算法,采用了新的基于目标函数值的启发式信息素分配算法,以及搜索过程中最优解的筛选方法.根据目标函数来自适应调整蚂蚁的路径搜索行为,从而保证算法快速找到全局最优解.一个多极值点的连续优化问题求解实例证明了该方法的有效性     

基于用户需求特征的Web服务动态组合方法研究

为了解决以满足用户需求为目标的动态服务组合问题,适应Web服务组合过程中的动态性、不稳定性,提出了一种基于用户需求的改进蚁群算法。算法包括两个优化的过程,局部优化规则和全局优化规则,分别保证得到局部的最优解和全局的最优解,保证服务选择过程的趋优性,尽可能满足用户对服务的多个需求特征要求。另外,改进了蚁群算法的信息素更新策略。本文还通过模拟实验测试,证明本文中提出的算法性能高于普通蚁群算法应用于该领域的性能。     

基于MapReduce改进蚁群算法的Web服务组合优化

对于Web服务组合优化的问题,蚁群算法的求解主要是串行进行,收敛时间长,容易收敛于非最优解。在云计算环境中,将蚁群算法并行化,可对Web服务组合优化问题进行分布式并行求解。根据多目标优化模型给出基于多信息素的蚁群算法,使用MapReduce并行编程框架对蚁群算法中最耗时的部分——蚂蚁独立求解的过程并行化,给出了使用MapReduce改进的基于多信息素的蚁群优化算法,有效地对Web服务组合进行全局优化,弥补传统的蚁群算法求解过程的缺点。     

基于蚁群算法的多目标优化

针对多目标优化问题,提出一种用于求解多目标优化问题的蚁群算法。该算法定义连续空间内求解多目标优化问题的蚁群算法的信息素更新方式,根据信息素的概率转移和随机选择转移策略指导蚂蚁进行搜索,保证获得的Pareto前沿的均匀性以及Pareto解集的多样性。对算法的收敛性进行分析,利用2个测试函数验证算法的有效性。     

两阶段式的物流配送路径优化方法

根据组合优化理论,充分利用遗传算法、蚁群算法的优化点,提出了一种两阶段式的物流配送路径优化方法(GA-ACO)。利用遗传算法迅速找到物流配送路径优化问题的初始解,初始解生成蚁群算法的初始信息素分布,通过蚁群算法找到物流配送路径的最优方案。采用实例对GA-ACO的性能进行测试,测试结果表明,GA-ACO可以获得较好的物流配送路径优化方案,是一种高效率、鲁棒性好的物流配送路径优化问题求解方法。     

Web服务QoS组合优化研究

Web服务的服务质量是选择服务的重要因素,但求解最优服务的选择较为困难。本文基于多目标组合优化提出了一种服务选择方法,根据不同服务QoS属性指标选择得到非劣解集合,再由用户的效用函数评价用户满意度。这种选择方法可以推广到服务组合过程。     

融合遗传蚁群算法的Web 服务组合研究

为了提高Web服务组合流程中服务选择技术的收敛性能,提出了一种基于遗传算法与蚁群算法相融合的多目标优化策略,用于解决基于QoS的Web服务组合问题。本文首先将Web服务组合的全局最优化问题转化为寻求一条QoS最优解的路径问题,并通过改进遗传算法得到蚁群算法中初始路径的信息素分布,再通过改进蚁群算法来求得最优解。仿真实验结果表明,该改进算法能在较少的进化代数下得到最优路径,提高了Web服务组合的快速全局搜索能力。     

多目标觅食-返巢机制连续域蚁群算法

受自然界蚂蚁的觅食—返巢生物学特征启发,同时深入了解蚂蚁信息素成分,提出了一种能够解决函数多目标优化问题的改进蚁群算法——多目标觅食—返巢机制连续域蚁群算法(MO-FHACO)。该算法与传统蚁群算法相比,将信息素分为蚁巢信息素和食物信息素,并根据不同信息素设立了不同的释放和寻优机制。通过BNH和TNK问题验证,MO-FHACO算法在Pareto最优前端连续的情况下具有极佳的多目标优化能力;在Pa-reto最优前端不连续的情况下,也能得到较多且散布性较好的Pareto最优解。因此,MO-FHACO算法是一种有效的函数多目标优化算法。     

QoS全局最优的多目标Web服务选择算法*

针对现有方法的不足,提出一种基于QoS全局最优的多目标动态Web服务选择算法。在给出动态服务组合模型的基础上,以“抽象服务规划”为输入,以用户的非功能性需求为全局约束,将动态服务选择问题转换为一个带QoS约束的多目标服务组合优化问题;利用多目标蚁群算法,多个目标函数被同时优化并产生一组满足约束条件的Pareto优化解。通过运用实验与基于多目标遗传算法的Web服务选择算法进行对比,证明了该方法的可行性和有效性。     

基于改进蚁群算法的服务组合研究

在服务计算过程中,服务组合问题是其中关键的技术之一。在原子候选服务数目巨大的情况下,经典的算法一般都是寻找问题的最优解,存在运算量大,运行时间长的缺点,蚁群算法并不是寻找服务组合问题的最优解,而是得到用户能够认同的可行解。为了能够更有效的为用户提供各种服务,在静态的服务组合建立过程中,以服务发现的候选原子服务集合中的服...     

A decision-making method for personalized composite service

Web services are emerging technologies that enable application to application communication and reuse of autonomous services. Web services composition is a concept of integrating component services to conduct complex business transactions based on functionality and performance constraints. With the rapid growth of Web services on the Internet, the services owing the same functionality and different performance become more and more, and different users care for different quality. Therefore, designing effective decision-making method for the personalized composite service has become a fundamental problem for the application based on Web service. In this paper, oriented to the user need with single optimization objective, an efficient algorithm, which consists of Particle Swarm Optimization (PSO) and Niche technology, is presented to solve the Web service selection problem. Furthermore, in view of the practical composition requirements including multiple optimization objectives, an algorithm used to resolve the service selection with multi-objective multi-constraint is designed based on NPSO and the intelligent optimization theory of multi-objective PSO, which can produce a set of Pareto optimal composite services by means of optimizing various objective functions simultaneously. Experimental results show that NPSO algorithm owns better global convergence ability with faster convergence speed. Meanwhile, multi-objective multi-constraint NPSO is both feasible and efficient.     

云计算环境下基于多目标优化的虚拟机放置研究

云数据中心的规模日益增长导致其产生的能源消耗及成本呈指数级增长。虚拟机的放置是提高云计算环境服务质量与节约成本的核心。针对传统的虚拟机放置算法存在考虑目标单一化和多目标优化难以找到最优解的问题,提出一种面向能耗、资源利用率、负载均衡的多目标优化虚拟机放置模型。通过改进蚁群算法求解优化模型,利用其信息素正反馈机制和启发式搜索寻找最优解。实验结果表明,该算法综合性能表现良好,符合云环境对高效率低能耗的要求。     

基于用户延迟感知的移动边缘服务器放置方法

物联网和5G网络的快速发展产生了大量数据,通过将计算任务从移动设备卸载到具有足够计算资源的边缘服务器上,可有效减少网络拥塞和数据传播延迟等问题。边缘服务器放置是任务卸载的核心,高效的边缘服务器放置方法能有效满足移动用户访问低时延、高带宽等需求。为此,文中以最小化访问延迟和最小化负载差异为优化目标,建立边缘服务器放置优化模型;然后,提出了一种基于改进启发式算法的移动边缘服务器放置方法ESPHA(Edge Server Placement Based on Heuristic Algorithm),实现多目标优化。首先将K-means算法与蚁群算法相结合,通过效仿蚁群在觅食过程中共享信息素,将信息素反馈机制引入边缘服务器放置方法中,然后,通过设置禁忌表对蚁群算法进行改进,提高算法的收敛速度;最后,用改进的启发式算法求解模型的最优放置方案。使用上海电信真实数据集进行实验,结果表明提出的ESPHA方法在保证服务质量的前提下取得了低延迟和负载均衡之间的优化平衡,其效果优于现有的其他几种代表性的方法。     

基于多目标蚁群优化的交通路径优化研究

路径优化是智能交通网络的重要组成部分。如今,仅仅要求出发地与目的地之间的距离最短在实际交通网络中已经不能满足人们的出行需求。本文引入危险品运输(transportation of dangerous goods)概念建立多目标路径优化模型。同时采用蚁群优化算法(Ant colony algorithm,ACA)作为解决多目标优化问题的方法。在分析蚂蚁算法运行机理的基础上,应用MAXMIN方法解决多目标优化模型中候选解的评价问题,并以MAXMIN方法得出的解的适应度(fitness)作为参数改进信息素定义规则,指导蚂蚁算法的搜索方向。最后,在GIS(Geographical Information System)决策系统的支持下,把该模型和算法应用于香港路径优化的实际问题中。实验结果表明模型是有效的,优化算法的收敛速度和优化结果都达到了预期效果。     

基于模糊QoS和偏好权重的Web服务组合方法研究

为了充分体现服务质量(QoS)的不确定性和用户偏好的模糊性,本文将模糊集理论引入基于QoS的Web服务组合中,将不适合精确表示的QoS属性和用户偏好等信息用三角模糊数表示.然后基于权重和法计算模糊总目标,通过设计新的模糊数比较方法,改写Pareto支配关系,将基于模糊数比较的单目标优化问题转化为多目标优化问题,并设计模糊多目标遗传算法(FMOGA)求得Pareto最优解集.该方法不仅能够得到更加贴近实际情况的优化解,同时也解决了多属性决策方法无法对大量候选服务进行全局优化的问题.最后通过实验验证了该算法的有效性和优越性.     

Web服务组合QoS全局优化算法

Web服务技术的发展使得组合Web服务的应用成为可能,组合服务的QoS优化问题的重要性越来越明显。遗传算法与蚁群算法是解决QoS全局优化的两种方法,针对采用蚁群算法进行优化时易出现的收敛速度缓慢及遗传算法易陷入局部最优解、效率不高的问题,结合两种算法的优势,充分发挥蚁群算法正反馈特性与遗传算法的快速全局搜索能力,改善QoS全局优化算法,提高了算法的优化能力,从而更好地解决了Web服务的QoS全局优化问题。