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.     

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。     

改进蚁群算法在基于服务质量的Web服务组合优化中的应用

为了克服基础蚁群算法存在的前期搜索速度较慢、后期极易陷入局部最优解的缺点,提出初始信息素分布策略和局部优化策略;同时还提出了依赖解的质量的信息素更新依据,以增强算法过程中信息素的有效积累。将该改进蚁群算法应用于基于服务质量(QoS)的Web服务组合优化问题中,通过在数据集QWS2.0上的实验对改进蚁群算法的可用性和有效性进行了验证。结果表明改进的蚁群算法与基础蚁群算法、利用解与理想解距离更新信息素的改进蚁群算法以及用支配程度作为解的个体评价的改进遗传算法相比,能够找到更多的非劣解,寻优能力更优,表现出了较稳定的性能。     

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。     

蚁群算法在P2P网络架构下的Web服务中的应用

文章探讨了在P2P网络架构下怎样使用蚁群算法解决Web服务中的Peer间的通信和路由、服务注册和查找等问题。对比试验结果表明该文采用的蚁群算法在性能和收敛性速度上优于常规算法,可以有效利用P2P本身的优势高效地实现Web服务的集成及资源的自治问题。     

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。     

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.     

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。     

浅谈蚁群算法在Web日志挖掘中的应用

蚁群算法是优化领域中新出现的一种启发式仿生类智能进化算法.利用WEB日志挖掘来解决用户如何访问网站,而采用传统的WEB日志挖掘方法很难准确地跟踪到用户的访问兴趣.本文将蚁群算法应用于WEB日志挖掘,从WEB日志中动态挖掘用户的访问模式.     

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...     

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。     

改进的蚁群算法在修磨轨迹优化中的应用

提出一种适用于钢坯修磨轨迹优化问题的改进蚁群算法,给出一种修磨轨迹优化问题的实用数学模型。针对蚁群算法对参数敏感的问题,提出用启发信息归一化来解决的办法。仿真实验与初步试用结果表明,经改进蚁群算法优化的修磨轨迹能大幅度减少修磨过程中的空行程。该算法具有一定的理论参考价值和实际意义。     

基于蚁群算法的多连接查询优化方法

介绍蚁群算法在多连接查询优化中的应用,在介绍蚁群算法的基本原理和工作流程的基础上,提出一种利用蚁群算法进行数据库多连接查询优化的方法,并建立基于蚁群算法的多连接查询优化模型。理论分析与试验结果表明,用蚁群算法解决多连接查询优化问题取得了满意的效果。     

动态信息素更新蚁群算法在指派问题中的应用

建立指派问题的数学模型,将其转化为旅行商问题,利用蚁群算法求解此问题。蚁群算法是一种解决组合优化问题的有效算法,但同样存在搜索速度慢,易于陷于局部最优的缺陷。该文提出一种具有动态信息素更新的蚁群算法,通过具体的算例分析,表明该算法比传统的蚁群算法有更快的收敛速度和较好的稳定性。     

基于改进蚁群算法的拥塞规避QoS路由算法

服务质量(QoS)路由算法缺少拥塞规避机制,会影响业务QoS。为此,提出一种基于Ant-Pub&Enco的信息素模型,根据蚂蚁行进方向,利用相反的信息素引导模式以及不同的信息素更新策略进行路由搜索。基于改进蚁群算法设计一种规避拥塞算法求解QoS单播路 由问题。仿真结果表明,该算法能够有效规避网络中的拥塞链路,均衡网络负载。     

面向TSP求解的混合蚁群算法

针对蚁群算法的早熟和停滞等现象,将免疫算法机制引入蚁群算法,提出用于TSP求解的混合算法。该算法具有蚁群算法的自适应反馈机理、收敛速度快和免疫算法操作算子简单和维持种群多样性、防止种群退化等特性。从算法解的质量与效率方面与基本蚁群算法和免疫算法进行比较,结果表明融合免疫机制的蚁群算法性能显著提高,也为解决其他组合优化问题提供一个新的思路。     

无线传感器网络中基于蚁群算法的路由算法

提出一种基于蚁群算法的无线传感器网络路由算法。该算法综合网络分簇算法及蚁群算法的优点,考虑节点当前可用能量对路由选择的影响,使选择路由时既能均衡节点的能量消耗,又能利用蚁群算法正反馈的作用实现快速搜寻从簇头节点到汇聚节点的多跳最优路径,通过在簇头节点进行数据汇聚降低路由的开销。仿真结果验证了该算法的可行性和有效性。     

一种改进的蚁群算法在知识路由系统中的应用

语义Web上分布着海量知识,如何在这些海量知识中按照用户的需求快速准确地定位目标知识便成为知识路由研究中亟待解决的问题。针对此问题,应用了蚁群算法作为动态虚拟语义社区中的知识路由算法,并对算法的选择策略、信息素修改两个方面进行改进,使算法不易陷入局部最优解,并能快速收敛到全局最优解。实验结果表明其路由效率明显提高,具有较好的性能。     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

基于多态蚁群算法的高光谱遥感影像最优波段选择

由于传统蚁群算法搜索空间大,算法时间复杂度高等,导致基于传统蚁群算法的高光谱数据波段选择算法(ACA-BS)耗时长,算法效率低下,且易陷入局部最优。而多态蚁群算法能大大缩小算法的搜索空间,降低算法时间复杂度。因此,研究设计了基于多态蚁群算法的高光谱数据波段选择算法(PACA-BS)。从算法运行时间、波段子集的类别可分性及信息量、总体分类精度等方面对算法进行对比分析。用于实验的数据为Hyperion和AVIRIS高光谱影像。实验结果表明:PACA-BS的运行时间较ACA-BS大大减少;对Hyperion影像进行降维时,基于PACA-BS的运行时间约为ACA-BS的一半。两种算法获得的波段子集的类别可分性大小较为接近,但PACA-BS获得的波段子集的信息量和总体分类精度优于ACA-BS。研究表明PACA-BS是一种效率较高的高光谱波段选择算法。