基于多目标粒子群优化算法的Web服务组合

基于服务质量(QoS)的Web服务组合是一个非线性、多目标优化求解问题,属于NP难问题.提出一种多目标粒子群优化算法来求解基于QoS的Web服务组合问题,在Web服务组合模型中考虑了服务执行代价、时间、可用性等五方面的因素.针对基于QoS的Web服务组合特点,借鉴运动学速度分解原理对粒子每维的速度进行相应分解,采用多目标指导粒子的飞行;基于Pareto支配关系来更新粒子的个体极值,采用精英归档技术维持种群多样性,粒子的全局极值由外部档案库中的非劣最优解提供;针对粒子群易陷入局部最优问题,采用了变异策略来改善.与基于遗传算法的Web服务组合算法相比,基于多目标粒子群优化的Web服务组合算法可以快速收敛,并获得综合QoS较好的解.     

QoS全局最优动态Web服务选择算法

Web服务作为一种新型的分布式计算模式近年来得到迅速的发展,来自不同服务提供商的服务可被整合以提供组合服务.QoS全局最优动态Web服务选择是服务组合中的一个难题.基于粒子群进化算法,设计一种用于解决该问题的PSO-GODSS算法.其主要思想是将问题表示为一个带QoS约束的多目标服务组合优化问题,通过理想点的方法将多目标向单目标转化,利用粒子群算法的智能优化原理进行算法设计及求解,最终产生一组满足约束条件的优化服务组合流程集.理论分析和实验结果表明该算法的可行性和有效性,且算法的执行效率和收敛速度优于以往的多目标遗传算法.     

基于改进磷虾群算法的服务组合优化

面向服务的架构（SOA）下,针对服务组合优化过程中易陷入局部最优、时间开销大的问题,提出一种加入自适应交叉算子和随机扰动算子的改进磷虾群算法PRKH。首先基于服务质量（QoS）建立了服务组合优化模型,并给出不同结构下QoS的计算公式和归一化处理方法。然后在磷虾群（KH）算法的基础上加入自适应的交叉概率和基于实际偏移量的随机扰动,从而在磷虾群的全局搜索能力和局部搜索能力之间达到良好平衡。最后通过仿真,把所提算法与KH算法、粒子群优化（PSO）算法、人工蜂群（ABC）算法和花朵授粉算法（FPA）进行对比,实验结果表明,PRKH算法能够更快找到QoS更优的复合服务。     

一种基于QoS的Web服务智能动态组合模型

针对当前Web服务数量剧增以及Web服务QoS综合评价不合理而导致Web服务组合效率和效用不高的问题,改进了Web服务组合中QoS计算模型,利用综合变权法动态调整每个Web服务多个属性的权值,并采用改进的粒子群算法来解决服务动态组合中QoS全局优化的问题.实验结果表明,该模型能够合理的选择和组合众多功能相同的服务,提高...     

一种基于信任的服务组合方法

为解决动态网络下进行可信的Web服务组合问题,该文提出一种基于信任的服务组合方法。该方法首先引入了信任评估机制,构建了基于QoS的服务组合的信任模型;基于该模型设计多约束条件下的基于信任的服务组合方案,采用粒子群算法进行优化求解。应用实例与分析表明了该方法能够提高组合服务的可靠性与成功率。     

基于离散粒子群算法的动态Web服务组合

随着互联网中Web服务数量急剧增加,如何从大量候选服务中快速、动态地选择出满足用户QoS需求的服务组合是亟待解决的关键问题.提出一种基于离散粒子群智能优化算法的DDPSO算法,以解决动态Web服务组合问题.首先引入Skyline技术来剔除冗余候选服务,以降低服务选择时空开销.其次针对PSO易陷入早熟收敛状态,使用Trimming Operators保证粒子群多样性,增强全局搜索能力.最后通过真实数据集和随机数据集的大量仿真实验验证了本算法的可行性和有效性.     

基于离散粒子群算法全局QoS最优的Web服务选择

Web服务选择是Web服务组合中重要问题,也是一个NP难问题,使用离散粒子群算法对该问题进行建模求解并针对粒子群算法后期容易陷入局部最优进行改进,借鉴遗传算法中杂交变异的思想对算法迭代后期的一部分粒子进行杂交变异,实验仿真证明,由于杂交变异的引入,能够求得Web服务组合全局QoS更优的解。     

基于QoS和模糊粒子群优化的语义Web服务发现

针对现有基于服务质量(QoS)的语义Web服务发现方法中的不足,提出一种采用模糊粒子群算法的语义Web服务发现方法。根据服务发现问题定义了粒子的位置和速度,引入了模糊理论和增量惯性因子,较好地解决了粒子群算法的未成熟收敛问题,提高了基于粒子群算法的语义Web服务发现方法的查准率。实验验证了该方法的有效性。     

异步粒子群优化算法在QoS组播路由中的应用

QoS组播路由问题是一个非线性的组合优化问题,已证明了该问题是NP完全问题。为适应下一代IP网络对实时信息传输的要求,在异步模式粒子群优化算法基础上,给出包含延迟、延迟抖动、带宽、丢包率和最小花费5个约束条件在内的QoS组播路由算法。该算法首先给出数学模型,设计适应度函数,再给出受限的网络模型,通过粒子群优化(PSO)算法最大化适应度函数来求解最优Steiner树。算法仿真实验结果表明:与遗传算法和同步模式的粒子群优化算法相比,该算法有较好的收敛速度和寻优效果。     

基于自适应粒子群算法的制造云服务组合研究

针对云制造系统中制造云服务组合的多目标规划问题,研究建立了问题模型并提出了求解方法。首先引入了网格制造模式的制造资源服务组合技术,探讨并描述了云制造模式中基于服务质量（QoS）的制造云服务组合过程;接着通过分析云制造模式下制造云服务的特征并基于制造领域知识,研究定义了制造云服务的八维QoS评估标准及计算表达式,推导出制造组合云服务的QoS表达,进而建立了制造云服务组合的多目标规划问题模型。最终设计了自适应粒子群算法来解决该多目标规划问题。仿真实验表明,该算法能有效并高效地解决该问题,且求解效率优于传统粒子群算法。     

基于自适应微粒群算法的网格工作流调度

服务网格是一个通过组合网格服务为用户提供强有力的各种服务的系统,其中网格服务遵循OGSA的标准.网格服务工作流调度的关键在于如何在应用程序运行过程中能动态地根据当前系统中基本服务的情况,组合出满足用户需要的服务.提出了一种自适应微粒群优化算法用于服务感知的Web服务选择,其中引入了一个特殊的速度变异操作来增强空间搜索的有效性,并融合了遗传算法杂交与变异.它不仅能很好地满足组合服务的需求,而且能更有效地进行全局搜索.仿真试验显示对于具有全局Qos约束条件的Web服务选择在执行效率上自适应微粒群优化算法明显优于其它混合遗传算法(如种群多样性控制遗传算法).     

Research on Web service selection based on cooperative evolution

Web service selection, as an important part of Web service composition, has direct influence on the quality of composite service. Therefore, it has attracted many researchers to focus on the research of quality of service (QoS) driven Web service selection in the past years, and many algorithms based on integer programming (IP), mixed integer linear programming (MILP), multi-dimension multi-choice 0–1 knapsack problem (MMKP), Markov decision programming (MDP), genetic algorithm (GA), and particle swarm optimization (PSO) and so on, have been presented to solve it, respectively. However, these results have not been satisfied at all yet. In this paper, a new cooperative evolution (Co-evolution) algorithm consists of stochastic particle swarm optimization (SPSO) and simulated annealing (SA) is presented to solve the Web service selection problem (WSSP). Furthermore, in view of the practical Web service composition requirements, an algorithm used to resolve the service selection with multi-objective and QoS global optimization is presented based on SPSO and the intelligent optimization theory of multi-objective PSO, which can produce a set of Pareto optimal composite services with constraint principles by means of optimizing various objective functions simultaneously. Experimental results show that Co-evolution algorithm owns better global convergence ability with faster convergence speed. Meanwhile, multi-objective SPSO is both feasible and efficient.     

一种服务聚合中QoS全局最优服务动态选择算法

Web服务作为一种新型的Web应用模式,近年来得到了迅速的发展.如何动态地把现存的各种Web服务整合起来以形成新的、满足不同用户需求的、增值的复杂服务已成为新的应用需求和研究热点.针对现有服务聚合中服务选择技术的不足,提出了一种解决服务聚合中服务动态选择QoS全局最优化问题的实现算法GODSS(global optimal of dynamic Web services selection).算法的主要思想是把服务动态选择全局最优化问题转化为一个带QoS约束的多目标服务组合优化问题,利用多目标遗传算法的智     

大数据环境下基于K中心点优化算法的Web服务组合

在当前Web服务海量增加、现有Web服务选择算法低效、用户匹配度差的基础上，针对K中心点算法存在的质点偏移、准确率低和容易发生畸变等问题，提出一种大数据环境下基于K中心点优化算法的Web服务组合方法。该方法是在大数据环境下，根据不同用户需求满意度及Web服务QoS参数，对基于优化初始聚类中心的K中心点算法的Web服务选择及最优Web服务组合进行研究。同时针对不同的选择方法对服务动态选择及组合的准确度、迭代更新次数、候选集选择时间及选择总时间进行实验分析，验证了本文研究方法的有效性和可靠性。     

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。     

基于多目标遗传算法的多选择Web服务组合方法

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,提出一种基于Pareto多目标遗传算法的QoS全局最优服务选择算法（PGA-WS）用以实现用户对组合服务质量的要求。该方法产生一组满足约束条件的Pareto最优方案集合,用户根据实际需要或目标函数的偏好,从Pareto最优集中挑选最满意的组合方案作为组合服务选择问题的最优决策方案。实验结果说明了算法的可行性和有效性。     

全局优化的分层动态Web服务组合

优化选取服务是动态Web服务组合的关键技术之一。在对分层组合算法研究的基础上,利用产生式规则和接口语义规则对Web服务建模,引入了备选服务的QoS性能指标和用户请求对响应时间、成本、成功率、可靠性和组合率的多条件约束,给出了一种全局优化的分层动态Web服务组合算法,通过仿真工具Weblogic 8.1 application server + Oracle BPEL Process Manager 10验证,结果表明,该算法能够有效提高动态Web服务组合的成功率和组合率。     

具有局部和全局QoS约束的Web服务选择

提出一种具有局部和全局QoS约束的Web服务选择算法.将基于QoS的Web服务选择问题建模为带QoS约束的多目标组合优化问题,使用局部QoS约束过滤不满足约束条件的候选服务,通过归档式多目标模拟退火(AMOSA)算法同时优化多个QoS目标函数以产生一组Pareto优化解,利用全局QoS约束筛选出满足约束条件的Pareto最优解集.实验结果证明了该算法的有效性.     

A negotiation‐based service selection approach using swarm intelligence and kernel density estimation

Nowadays, the cloud computing environment is becoming a natural choice to deploy and provide Web services that meet user needs. However, many services provide the same functionality and high quality of service (QoS) but different self‐adaptive behaviors. In this case, providers' adaptation policies are useful to select services with high QoS and high quality of adaptation (QoA). Existing approaches do not take into account providers' adaptation policies in order to select services with high reputation and high reaction to changes, which is important for the composition of self‐adaptive Web services. In order to actively participate to compositions, candidate services must negotiate their self‐* capabilities. Moreover, they must evaluate the participation constraints against their capabilities specified in terms of QoS and adaptation policies. This paper exploits a variant of particle swarm optimization and kernel density estimation in the selection of service compositions and the concurrent negotiations of their QoS and QoA capabilities. Selection and negotiation processes are held between intelligent agents, which adopt swarm intelligence techniques for achieving optimal selection and optimal agreement on providers' offers. To resolve unknown autonomic behavior of candidate services, we deal with the lack of such information by predicting the real QoA capabilities of a service through the kernel density estimation technique. Experiments show that our solution is efficient in comparison with several state‐of‐the‐art selection approaches.     

GOS: a global optimal selection strategies for QoS-aware web services composition

Services composition technology provides a promising way to create new services in services-oriented architecture. However, some challenges are hindering the application of services composition. One of the major challenges encountered by composite services developer is how to effectively select a set of services across different autonomous regions (e.g., organization or business) to instantiate a composite service which can satisfy user’s QoS constraints. To solve QoS-aware Web service composition problem, this paper proposes a global optimization selection (GOS) approach based on prediction mechanism for QoS values of local services. The GOS includes two parts. First, the local preprocessing service selection algorithm can be used to increase composite services performance in run-time by predicting the change of service quality parameters. Second, GOS aims at enhancing the run-time performance of global selection by reducing QoS aggregation operations. The simulation results show that the GOS has excellent selection and lower execution cost than existing approaches.