基于粒子群算法的Web服务组合研究

针对现有服务组合中QoS优化的不足,该文提出一种基于粒子群算法的解决QoS动态服务组合算法。通过对服务组合的业务逻辑与服务实例进行合理编码,重新定义粒子的位置、速度与“加”运算,利用粒子群算法的智能优化原理以及局部与全局优化信息加快粒子群的搜索速度,使其能够快速地得到一组满足约束条件的Pareto优化的服务组合。实验结果证明了算法的可行性和有效性。     

基于改进粒子群算法的组合服务优化

该文提出了一种基于遗传的粒子群算法来寻找最优组合服务。首先,设计了Web服务组合模型对组合服务进行形式化描述;接着,提出了候选服务筛选思想来解决组合数庞大问题;最后,引入遗传算法的交叉策略来避免粒子陷入停滞状态,同时采用了调整参数ω来改善粒子过早陷入局部最优。实验结果表明,基于改进粒子群优化的组合服务算法可靠、有效,能够获得综合Qos较好的解。     

基于改进BPSO的Web服务组合选择算法

为使现有Web服务组合的服务选择技术满足用户需求,提出一种基于改进二进制粒子群优化(BPSO)的服务选择算法。引入变异算子和线性递减惯性权重,解决传统二进制BPSO的早熟收敛问题,采用粒子记忆性对不满足约束条件的个体进行修正。实验结果表明,该算法能提高寻优效率。     

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.     

基于改进粒子群算法的投资组合选择模型

研究了在实际投资决策中存在交易成本(税收和交易费用)和投资数量约束下的投资组合选择问题,并进一步设计了一种求解该问题的改进粒子群算法.最后,给出了一个数值例子,说明该模型和方法的有效性.     

改进粒子群优化算法在服务组合中的应用

针对标准粒子群优化(PSO)算法存在收敛速度慢、容易陷入局部最优的问题,提出一个改进的PSO算法,该算法设计一种新的惯性权重,在粒子搜索的不同阶段采用不同的计算公式计算惯性权重,并引入自适应变异策略和线性变化的学习因子。实验结果表明,该算法的收敛性等性能比基本粒子群算法有明显提高,能较好地解决非线性问题。     

基于改进粒子群优化算法的TSP问题研究

针对标准粒子群优化算法易出现问题,提出一种改进粒子群算法。该算法为不同的粒子分配不同的任务,对性能较好的粒子使用较小的惯性权重,对性能较差的粒子采用较大的惯性权重,惯性权重根据适应度函数自适应调整,更好地平衡算法的全局与局部搜索能力,提高算法的多样性与搜索效率。用14点TSP标准数据对算法性能进行测试,结果表明该算法能够较早跳出局部最优,具有较高的收敛速度和收敛率。     

自适应变异的粒子群优化算法

针对粒子群算法的早熟收敛问题,提出一种新的基于群体适应度变化率自适应变异的粒子群优化算法。该算法根据群体适应度变化率自适应调整惯性权重的取值,根据当前种群的平均粒距对种群中部分粒子进行变异操作。自适应调整与变异操作能增强算法跳出局部最优的能力,增大寻找全局最优的几率。对几种典型函数的测试结果表明,新算法的全局搜索能力有了明显的提高,有效避免了早熟收敛问题。     

粒子群优化算法在Web服务选择中的应用

粒子群优化(Particle Swarm Optimization,PSO)算法从随机解出发,通过不断迭代寻找局部最优解,然后根据局部最优解来寻找全局最优解。该算法实现容易、精度高、收敛快。Web服务是一种发展迅速的新型分布式计算模式,把不同服务商提供的服务整合起来,提供组合服务。用粒子群算法优化Web服务的服务质量参数,可以有效地产生一组满足约束条件的最优解,可以减少获得最优解的运算时间。     

基于离散微粒群算法的动态Web服务选择

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.如何高效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.针对服务选择问题,设计了一种面向动态Web服务选择的离散微粒群算法,并结合服务选择研究背景,提出了3种速度计算算子和一种位置进化方程.针对进化算法容易陷入局部极值这一共同缺陷,定义了微粒无希望/重希望准则,以保证微粒群的多样性,增强全局搜索能力.理论分析和实验结果表明,该算法不仅具有较快的收敛速度,而且具有较好的全局收敛性能;同时说明Max运算在服务选择中具有较好的综合性能.     

基于微分模型的改进微粒群算法

针对基本微粒群算法的微分模型，从解的存在惟一性角度出发，发现最大速度常数虽然能保证解的存在性，但却降低了算法的全局搜索性能．为了提高算法的计算效率，提出了一种不合最大速度常数的微分模型，该模型首先将速度向量与位置向量等同对待，两者同时对空间进行搜索，并讨论了该模型解的稳定性条件，给出了相应的改进微粒群算法，能有效地提高算法效率．仿真结果证明了算法的有效性．     

基于改进粒子群优化算法的矩形Packing问题

针对具有NP难度的矩形Packing问题,提出一种带变异算子的双种群粒子群算法,该算法将粒子群分为2个不同的子群,使种群在全局和局部都有较好的搜索能力。通过子群重组实现种群间的信息交换。同时在算法中引入变异算子,对产生的局部最优解的邻域进行搜索。实验结果表明,该算法是一种求解矩形Packing问题的高效实用的算法。     

一种改进的粒子群优化算法

作为群体智能的代表性方法之一,粒子群优化算法(PSO)通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。提出了一种改进的粒子群优化算法(MPSO),该算法以广泛学习粒子群优化算法(CLPSO)的思想为基础,主要引入了选择墙的概念。同时在参数的设置中结合高斯分布的概念,以提高算法的收敛性。实验结果表明,改进后的粒子群算法防止陷入局部最优的能力有了明显的增强。同时,算法使高维优化问题中全局最优解相对搜索空间位置的鲁棒性得到了明显提高。     

改进的粒子群算法

针对基本粒子群算法容易陷入局部最优点,进化后期速度慢等缺点,设计了一种新的粒子群算法,将基本粒子群算法粒子行为基于个体极值点转化为个体自身极值与其他某一个个体极值的加权平均值,而全局极值点转化为群体中优秀个体极值的加权平均值。数值仿真实验表明,新算法比PSO具有更好的收敛性,能更快地找到问题的最优解。     

基于DEC_POMDP的Web服务组合优化算法

面向服务计算（ SOC）和面向服务架构（ SOA）技术共同推动了Web服务及其组合技术的发展。网络环境的动态变化及其对Web服务质量（ QoS）的影响,给服务成功组合带来挑战,为服务组合效果满足用户需求带来难题。为了得到经济、省时且成功率高的服务组合策略,综合考虑网络环境的动态变化、服务质量的可变性、用户需求的多样性,采用分散的部分可观测马尔可夫决策（ DEC_POMDP）模型描述多个服务Agent的自组织服务组合系统,在基本Q学习算法基础上做出改进,求解模型得到组合策略。实验结果表明求解的策略较大地提高了组合服务的成本、时间消耗,且组合成功率较高。采用的DEC_POMDP模型有效地将Web服务组合动态过程描述出来,并自适应地更新了QoS值,采用Q学习算法及时使用了最新的QoS值。     

一种基于加权有向拓扑的改进粒子群算法

研究粒子群优化算法(PSO)的拓扑结构和信息流动,以提高算法性能是PSO的一个有意义的研究方向。RuiMendes等人提出的全联通型算法(FIPSO),其拓扑结构本质上是加权无向图,两个邻接点之间的相互影响是对等的,与社会人际网络的真实情况不符。提出了一种改进型算法,重新构造了加权函数,体现了粒子之间影响的不平衡性。仿真结果显示:该改进算法对收敛速度和稳定性均有非常好的改善。