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。     

用户QoS需求导向的服务演化选择策略

服务型软件以其特有的优点被广泛应用,而面向QoS服务选择问题的解决能更有效地推动服务的普及。组合服务的演化性要求在服务发生演化时,从具有相同功能的候选服务中选择满足用户QoS需求的候选服务。为了在满足用户QoS需求的情况下选择最优的服务,基于遗传算法,提出一种用户QoS需求导向的服务演化选择策略。通过淘汰不满足用户QoS需求的候选服务,快速排除不符合需求的服务,并最终选择符合用户QoS需求的服务组合。实验结果表明,用户QoS需求导向的服务演化选择策略能够较优和较快地解决服务组合选择问题,并保证用户QoS需求,为服务选择提供一种新的方法和思路。     

基于QoS多属性决策的Web服务组合优化方法

从海量候选服务组合计划中选择具有最优/满意服务质量( QoS)的计划,即基于QoS的Web服务组合,是面向服务计算的难题之一。为此,将该问题建模为多属性决策问题,同时针对传统多属性决策方法难以处理海量搜索空间的问题,提出一种结合折中比例法和遗传算法的新型智能进化算法( GACRM )。 GACRM结合了折中比例法的方案排序优势和遗传算法高效的全局搜索能力,能够从海量搜索空间中快速找到全局近似最优解。实验结果表明,该算法不仅能够高效地产生与折中比例法接近的最优方案排序,且在解决大规模Web服务组合问题上具有良好的可伸缩性。     

支持QoS约束的组合服务事务恢复算法

在参与者服务发生异常时,如何有效保证组合服务的服务质量(QoS)是一个亟待解决的问题。该文讨论组合服务在执行过程中动态QoS的计算,建立一个组合服务嵌套事务模型,提出一个组合服务事务恢复算法。该算法能将补偿的范围控制在低层的域内,以减少补偿代价,保证QoS接近最优,同时保证组合服务事务的语义原子性。     

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。     

动态服务组合构造与最优组合服务算法研究

服务组合是将已有服务组合为一个新服务的过程,以增加服务的功能或／和性能。本文将组合方案表示为一个有向无环图,节。占、表示服务,边表示服务交互,以目标服务的输入为指标集,给出候选组合方案的构造算法。以服务费用为测度,并计入服务的计算、存储和通信费用。通过费用转移,提出了基于经典Dijkstra算法的最优组合服务算法。     

基于柯西烟花算法的大规模服务组合优化

随着Web服务的日益丰富,如何动态地从大量候选服务集中选择出整体性能高的组合服务已成为服务组合优化领域亟待解决的问题。为稳定、高效地解决大数据集下的服务组合问题,提出一种柯西烟花算法。该算法在搜索过程中引入柯西变异算子增强了算法的全局搜索能力;采用精英候选策略有效降低了算法的时间开销。实验结果验证了该算法在处理大规模服务组合优化问题时的可行性和稳定性。     

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。     

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。     

智慧城市中QOE感知服务组合策略的研究

无线传感器的发展和物联网技术的应用,配有物联网的设备正以一种全新的“智能终端服务”的形式进入人类生活,要想在复杂冗余的物联网环境中寻得满足不同用户需求的服务,需要考虑服务组合的概念。为此,在对传统服务组合研究方法深入分析的基础上,提出了智慧城市的服务组合选择策略。首先根据物联网应用服务的多样性,通过改进蚁群算法获得用户对服务的偏好顺序,然后使用层次化QOE评价模型量化客户体验质量,进而选出最优服务组合提供给用户。根据提出的服务组合策略,给出服务选择具体的实施流程,通过仿真模拟表明基于改进蚁群算法的服务组合策略在服务选择问题上具有一定的推广价值。     

基于QoS多目标优化的Web服务组合方法

为了确保在服务组合中获得Pareto最优解集,把服务组合建模为多个服务质量属性同时优化的多目标优化问题,提出了一种依据服务质量属性类型的通用预处理方法,采用多个信息素表和单个启发式信息表的多目标蚁群算法,蚂蚁随机选择一种信息素表建构可行解,每个蚁群周期完成后所有信息素都会蒸发,但每个优化函数只有一个最优解获得信息素增加,经过多过蚁群周期后即可解获得最优解集.实验结果表明,该方法可为Web服务组合提供一种很好的优化方案,具有很高的准确率.     

蚁群算法在Web服务组合问题中的应用研究

为了满足用户对较为复杂的Web服务请求的需求,就需要把多个原子服务以一定的方式组合起来,而每个原子服务如何选择就成为问题的关键.尝试使用蚁群算法,把组合服务问题转化为从起始点到目标点寻求一条QoS最优的路径问题.给出了组合服务问题的蚁群算法模型以及求解问题算法的伪代码,从而为解决组合服务问题提出了一种新的思路.     

基于动态区别定价的多QoS服务选择和资源配置

在提供多QoS的区分服务网络中,用户需要在其预算约束下选择最合适的服务,网络则利用有限的资源提供用户所需的服务。针对用户端服务选择问题,提出基于效用最大化的服务优化组合方法,以及基于服务令牌的DSCP设定算法。针对网络端资源配置问题,提出在不同的时间尺度上动态调整各类服务的价格和资源的配置方式,通过与服务价格的互动实现资源的优化配置。实验表明,该机制能够显著提高用户总效用,有助于提高区分服务的可部署性。     

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。     

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。     

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.     

Networked correlation-aware manufacturing service supply chain optimization using an extended artificial bee colony algorithm

Manufacturing service supply chain (MSSC) optimization has been intensively studied to find an optimal service composition solution with the best quality of service (QoS) value. However, traditional MSSC optimization methods usually assume that candidate services are independent of one another. Therefore, potentially better MSSC solutions may have been neglected by not considering the positive influence of correlations between services on the QoS value. This study proposes a novel networked correlation-aware manufacturing service composition (NCMSC) mathematical model to characterize the influence of vertical and horizontal correlations between services on the QoS value of MSSC solution. To solve the NCMSC model, an extended artificial bee colony (ABC) algorithm is proposed to find a near-optimal solution with the best QoS value. The specific improvements to the original ABC algorithm include the following: (1) a new matrix-based encoding scheme is proposed to describe the MSSC solution in which each column contains a vertical composite structure and collaborative services for each subtask; (2) the migration operator of a biogeography-based optimization algorithm is combined with the original ABC algorithm to address the discrete MSSC optimization problem and improve the performance of the original ABC algorithm. The results of the experiments illustrate the importance of networked correlations between services, better practicality, effectiveness, and efficiency of the extended ABC algorithm in solving the optimization problem of MSSC.