基于改进蚁群算法的服务组合优化

为进行服务组合优化及适应服务组合优化过程中Web服务的动态性、不稳定性以及多种QoS属性限制等问题,提出一种多信息素动态更新的蚁群算法MPDACO,包括MPDACO局部优化算法和MPDACO全局优化算法,该算法基于建立的服务组合模型,在基本蚁群算法基础上进行研究和改进,可以适应服务组合优化过程中发生的服务无效以及服务中QoS变化等情况.另外,为使算法能较快地收敛于最优解,在实验基础上对蚁群算法策略进行了改进.为验证以上算法的有效性,在一个旅游领域的服务推荐系统中对算法进行了仿真实验,实验结果表明文中提出的算法较基本蚁群算法及一种应用于服务选择的遗传算法有更好的性能.     

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MATLAB的混合型蚁群算法求解车辆路径问题

蚁群算法是受自然界中蚁群搜索食物行为启发而提出的一种智能优化算法,通过介绍蚁群觅食过程中基于信息素的最短路径的搜索策略,给出了基于M ATLAB的蚁群算法在车辆路径问题中的应用,针对蚁群算法存在的过早收敛问题,加入2-opt方法对问题求解进行了局部优化,计算机仿真结果表明,这种混合型蚁群算法对求解车辆路径问题有较好的改进效果。     

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。     

基于MapReduce和多目标蚁群算法的多租户服务定制算法

多租户服务定制能满足租户不断变化的个性化服务需求,是实现灵活的SaaS多租户软件体系结构的核心技术之一.文中给出多租户服务定制的层次结构图和定制流程,并提出基于MapReduce和多目标蚁群算法的多租户服务定制算法(MSCMA).MSCMA从众多业务流程和海量服务中为租户定制出最适合的业务流程和优化的服务组合,并设计多目标蚁群算法,应用MapReduce云计算技术,在云计算环境中分布式并行地运行优化任务,并采用优良解保持策略和解多样性保持策略.实验表明,MSCMA在求解多租户个性化服务定制问题时表现出良好的收敛性和扩展性,具有处理海量数据和大规模问题的能力.     

基于Spark的蚁群优化算法

为应对大数据时代中组合优化问题的求解,基于云计算框架Spark,借助其基于内存、分布式的特定,提出一种并行蚁群优化算法。其思路是通过将蚂蚁构造为弹性分布式数据集,由此给出相应的一系列转换算子,实现了蚂蚁构造解过程的并行化。通过在旅行商问题(TSP)求解的仿真实验结果说明了所提出的并行算法的可行性;并在同等实验环境下对比基于MapReduce的蚁群优化算法,优化速度提升达10倍以上。     

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。     

基于超级账本的蚁群因子差分进化算法的可信服务组合优化

为了保障服务组合优化过程中的QoS数据的真实性,提出了一种基于超级账本平台的可信框架;同时为了提高服务组合的优化效率,提出了一种蚁群因子的差分进化算法的服务组合优化方法(ACOF-DE)。首先,在超级账本平台上部署相应节点,构建可信框架,保障候选服务的真实性;然后,将所提出的算法以智能合约的形式,在区块链上对服务组合的优化问题进行求解,使组合过程在可信的环境下执行。该算法通过引入多种蚁群因子,比如蚁群路径因子、最优蚁群因子、信息素因子以及基于蚁群因子的差分计算,帮助算法动态控制搜索空间、记录迭代过程中的关键信息,以提高算法优化能力。最后,通过仿真实验证明可信框架可以有效地保障数据的可信;ACOF-DE相比其他智能优化算法拥有更佳的优化效率。     

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.     

蚁群算法求解旅行商问题综述*

蚁群优化是一种元启发式的随机搜索技术,是目前解决组合优化问题最有效的工具之一。旅行商问题（TSP）是一个典型的组合优化问题,易于描述却难于求解。在介绍了求解旅行商问题的三种经典的蚁群算法的基本原理后,着重分析了蚁群算法的发展现状,总结出蚁群算法发展的五个方向,即基于局部优化算法的蚁群算法、对路径上的信息素更新方法进行改进、蚁群算法与其他算法的融合、对蚁群算法的控制参数进行优化和并行蚁群算法。而且这五个方向有相互融合的趋势。