基于改进遗传算法的QoS感知Web服务组合

传统遗传算法在种群初始化的时候,普遍采用均匀取种法或随机取种法,这些方法生成的种群的平均适应度比较低,难以保证算法的搜索效率。文中提出一种改进的遗传算法用于QoS敏感的Web服务组合,采用两种不同的算法进行服务选择,避免了随机生成初始种群给算法带来的负面影响。并且,该算法将路径模板化以减少服务组合的工作量,用染色体可变长的编码方式来解决组合服务的多路径选择问题。通过仿真实验,与传统的算法相比,所提出的算法在实现服务组合时收敛更快,最优解的适应度更高。     

基于遗传算法Web服务组合的一般过程

在以服务为主体的互联网下,单一的服务已经远远不能满足人们的需求。将多个服务组合来满足需求成为研究的重点。文章在研究现有方法的基础上,总结出此类问题的一般思路,并介绍每个环节中的各个方法,而后对各种方法进行对比。最后为今后的研究做出展望。     

基于改进遗传算法的 QoS 感知 Web 服务组合

传统遗传算法在种群初始化的时候,普遍采用均匀取种法或随机取种法,这些方法生成的种群的平均适应度比较低,难以保证算法的搜索效率.文中提出一种改进的遗传算法用于 QoS 敏感的 Web 服务组合,采用两种不同的算法进行服务选择,避免了随机生成初始种群给算法带来的负面影响.并且,该算法将路径模板化以减少服务组合的工作量,用染色体可变长的编码方式来解决组合服务的多路径选择问题.通过仿真实验,与传统的算法相比,所提出的算法在实现服务组合时收敛更快,最优解的适应度更高     

Web服务组合中基于 QoS的改进型遗传算法 *

提出了一种在 Web服务组合中基于 QoS的改进型遗传算法。该算法通过计算个体间服务质量的海明距离提高了服务组合的质量 ;通过指定用户总时间限制和实施优良解保留策略解决了算法运行时间对服务质量的影响问题。实验结果表明了算法的有效性。     

基于改进遗传算法的Web服务优化组合研究

为了获得更优的Web服务优化组合方案,提出一种基于改进遗传算法的Web服务优化组合方法。首先将Web服务组合优化方案的可行解看作遗传算法的个体。然后通过遗传算法模拟自然界的生物进化过程,找到Web服务组合的最优解,同时在标准遗传算法引入多尺度交叉算子和信息共享因子,提高问题的求解速度。最后进行仿真对比实验。结果表明,改进遗传算法可以快速、准确找到Web服务组合问题的最优解,为解决Web服务组合问题提出了一种新的解决思路。     

基于免疫遗传算法的Web服务组合方法

针对Web服务组合提出一种免疫遗传算法(IGA)。该算法将免疫原理引入遗传算法(GA)中,提高算法的整体特性。主要表现在免疫选择可有效地防止早熟,基于免疫记忆的子群体信息交换策略可加速收敛。GA在Web服务选择上存在不足,而IGA可以在备选的Web服务中进行有效的选择并最终组成Web服务组合,提高服务组合的质量和收敛速度。仿真实验结果表明IGA比GA更有效。     

基于动态QoS的Web服务组合

在Web服务组合中,现行的几种QoS衡量标准都将重点放在单个Web服务本身的质量上,而忽视了Web服务动态特性、组合特性以及服务组合中的网络特性。另外,在诸多服务组合的算法中,都只是强调组合服务的总体质量,却忽略了用户对某些质量属性的约束条件,从而导致服务重计算问题经常发生。为此,考虑了服务动态特性以及服务间的协作关系对组合服务质量的影响,提出了动态QoS模型;同时,综合了用户的质量约束以及组合服务的整体质量,将用户的质量约束引入服务组合流程中。最后通过实验证实了所提出的动态QoS模型能够根据服务实体的实时情况计算服务质量,同时将用户的质量约束引入服务组合流程中,有效地避免了服务重计算问题。     

基于用户视角的组合Web服务响应时间优化

针对响应时间,通过选择、调用合适的成员Web服务,对组合Web服务的QoS进行优化．该优化方法基于用户的视角,将组合Web服务运行时用户一次等待周期中需要执行的所有任务作为一个整体进行调度;同时根据组合Web服务流程的不同环节中用户对等待时间的不同敏感度,设置调度参数,降低关键环节超时的风险．实验表明,此方法可以有效地优化组合Web服务的响应时间,提高用户的满意度和QoS．     

基于位置矩阵QoS感知的Web服务组合研究

提出了一种基于位置矩阵QoS感知的Web服务组合方法。该方法使用遗传算法用位置矩阵对基因进行编码,使得该编码方式可以表示服务组合的所有组合路径和重计划信息,算法的一次执行就能完成所有路径QoS最优的全局搜索和动态重计划功能。实验结果证明了该方法的有效性和可行性。     

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。     

基于遗传算法的选播路由算法的研究

随着基于IPv6选播应用的研究与发展,选播路由算法已成为选播服务质量的关键.以遗传算法为基础,提出一种改进的交叉、变异遗传操作,在克服传统算法中早熟现象的基础上,加快了收敛速度;同时本算法以延时、带宽和服务器负载作为选择操作的依据.仿真结果显示,该算法能够在合理利用网络资源的同时找到最优解.     

一种基于遗传算法的QoS多播路由算法

深入研究基于遗传算法的QoS多播路由算法,建立支持QoS的多播路由模型.对已有的QoS多播路由算法进行优化,提出适用于下一代网络的基于遗传算法的QoS多播路由算法.采用定长的染色体编码和预处理机制降低算法复杂度.仿真试验表明,该算法收敛速度快,可靠性高,能够更好地满足多播业务的需要.     

基于服务关系图的Web服务组合算法

在Web服务组合过程中,保证服务质量的组合服务建模成为关键问题,为此,提出一种基于服务关系图的Web服务组合算法。首先根据Web服务的接口描述,将服务集构造成为服务关系图,从而获取Web服务间的输入/输出依赖关系。同时在用户需求基础上,将服务关系图中的服务操作节点与数据节点分别形式化为与节点及或节点,从而将服务关系图形式化为与/或图。最后,对与/或图反复应用搜索算法,直至查找到满足用户需求的最小成本组合服务模板。通过仿真实验评估了服务关系图与用户请求两者在复杂度变化的情况下搜索算法的性能,并验证了算法有效性。     

基于遗传算法的SVM参数组合优化

核函数类型、核函数参数及错误惩罚因子是影响SVM学习能力和泛化能力的关键因素.实际应用中选择上述SVM参数组合多依赖经验或人工尝试,通常很难选择到最优参数组合.提出一种基于遗传算法的SVM优化技术,针对优化对象设计二进制编码基因串和相应遗传算子,能够实现同时对上述三个参数组合的优化.在UCI标准数据库上的实验结果说明了提出方法的有效性.     

基于任务本体的地理信息Web服务组合研究

讨论基于特定任务本体的地理信息Web服务自动组合问题.通过特定任务本体概念间的语义关系对Web服务进行匹配,给出了服务组合执行匹配度的定义及计算表达式,详细地探讨了地理信息Web服务自动组合算法推导步骤,能够满足用户在已有的Web服务中自动地找出能满足需要的所有服务组合方案,并通过服务组合执行匹配度的比较,求解出最佳服务组合方案.该研究对人机之间、机器和机器之间的语义理解具有一定的实用价值.     

基于自适应遗传算法的实现服务质量优化

服务质量优化问题是多维服务质量参数映射有限的资源问题,这个优化问题是一个NP－hard问题,我们采用通过改进流行遗传算法来解决这一棘手问题,于是提出了基于权的自适应遗传算法（weighted based adaptiv genetic algorithm) 通过实验说明这一算法优于目前为止最好的启示式算法和普通的遗传算法,算法运算时间短,鲁棒性强。     

基于树型编码遗传算法的Web服务组合

提出一种基于QoS的Web服务组合的遗传算法(TGA).该算法采用树型编码,携带流程的静态模型结构信息,可实现染色体的自动编解码和存储适应值计算的中间结果.通过仿真实验,验证了在同等优化效果下,TGA比一维编码遗传算法获得更快的速度.     

在Web Services动态组合方面的OWL-S语义扩展

Web服务的日益广泛和语义Web研究的不断深入,使得利用本体语言自动处理各种Web服务任务成为可能.回顾了Web服务的主要思想和基本概念,指出了其在描述Web服务的语义信息方面的不足,从而说明在Web服务研究中引入语义Web的目的.介绍了描述Web服务语义信息的本体语言OWL-S,并针对OWL-S在描述Web服务动态组合方面能力的不足,尝试利用情形演算理论扩展其该方面的语义描述能力,使本体语言能够满足Web服务动态组合的需要.对最终实现基于语义的Web服务的动态组合具有积极意义.     

基于遗传-狮群算法优化的独立分量分析算法

针对传统独立分量分析算法存在过度依赖梯度信息、容易陷入局部最优等缺陷,提出一种基于遗传-狮群算法(GA LSO)优化的独立分量分析算法.以信号的峭度绝对值之和作为目标函数,结合遗传算法较强的全局搜索能力和狮群算法良好的进化机制,对目标函数进行求解,提高了独立分量分析算法的精度,实现了对混叠信号的盲分离.仿真实验结果表明...     

基于改进遗传算法的智能组卷系统研究

试题组卷是考试系统的重要组成部分.通过在编码策略、适应度函数、遗传算子、控制参数等方面的研究提出一种适应于试题智能组卷的改进遗传算法.对适应度函数的适当定标和建立自适应的交叉概率和变异概率,有利于克服未成熟收敛和遗传漂移现象,同时能在维持群体多样性的情况下,防止群体进入局部最优.实验证明改进遗传算法比传统的遗传算法能更有效地提高组卷的效率.