基于PSO-BP算法的地理本体概念语义相似度度量

针对现有度量方法中考虑因素不够全面和因子权重计算依据经验确定的不足,提出粒子群优化BP神经网络（PSO-BP）的地理本体概念语义相似度度量模型。该模型利用本体属性、本体结构和语义关系的相似度,结合权重信息计算概念的综合相似度;同时,利用粒子群算法优化的BP神经网络获取因子权重,避免现有方法中因子权重确定的人为主观干扰。最后,从基础地理信息概念中提取出200组样本,用其中190组作为训练集,对神经网络模型进行训练,以获取权重;剩余10组作为测试集。将该模型和几种常用算法进行对比,通过分析测试集的各算法求解结果和专家判定结果之间的相关系数,结果表明该模型计算地理本体概念的相似度更为准确,符合人类认知特性,效果更好。     

一种综合考虑主客观权重的Web服务QoS度量算法

已有的Web服务QoS(quality of service)度量方法由于无法对用户偏好的模糊性予以准确量化,以及对候选服务 QoS 属性数据分布特征的忽视,导致其度量结果不准确。为此,提出了一种综合考虑主客观权重的 Web 服务QoS 度量算法。该算法利用自适应用户偏好的主观权重计算方法和服务潜能保障的客观权重计算方法,从主观和客观两个角度进行QoS度量,以保障度量结果在符合用户偏好的基础上能够准确地反映服务的整体性能。理论分析和基于QWS真实数据集的实验结果表明,所提出的方法能够准确地获得Web服务QoS的度量结果。     

基于QoS的语义Web服务发现研究

将QoS引入到语义Web服务中,分析了QoS本体的描述方法、Web服务的发现方法和语义Web服务发现方法,建立了一个通用的QoS模型,模型中的参数属性基本能描述QoS的衡量标准。提出了基于QoS语义Web服务发现框架,第一步通过功能来发现Web服务,第二步通过建立的QoS模型来评价发现的Web服务集合,找到QoS最佳的Web服务。最后通过实例建立了语义功能本体和QoS本体。     

基于主客观综合权重的云服务时间序列选择算法

目前已有的云服务时间序列选择算法没有很好地考虑用户的QoS（quality of service）偏好信息,而传统的用户偏好算法只适用于QoS指标值为单一数值的情况,在QoS指标值为时间序列向量的情况下无法进行有效计算.因此,本文提出了一种基于主客观综合权重的云服务时间序列选择算法（Time series of cloud services selection algorithm employing subjective and objective weight,简称TCSOW）.此算法从基于用户QoS偏好层次的主观权重计算方法和基于QoS指标相关性的客观权重计算方法这两个角度进行详细描述,通过结合时间序列QoS模型进行云服务选择.实验分析表明,提出的TCSOW算法在有效解决用户QoS偏好的同时又充分考虑云服务集的QoS指标数据分布特性,使最终的度量结果具有较高的准确性与科学性.     

可信Web服务的偏好本体度量模型

可信Web服务的选取及优化是基于Web服务的软件系统是否成功的关键因素之一,因此本文针对Web服务的可信性度量问题.提出可信Web服务的偏好本体度量模型.利用一个独立的第三方--可信度量中心TMC来评测Web服务的可信度,采用面向偏好的领域本体刻画度量指标及其权重,借鉴模糊描述逻辑设计了模型算法完成Web服务可信度的推算,并开发了可信Web服务智能推荐系统以验证该方法的可行性和有效性.     

基于ARIMA和QoS的云服务选择算法研究

为了进一步分析QoS历史数据的动态变化,对现有的基于QoS历史数据的云服务选择算法进行了改进。将原算法中每一时间段的评价指标权重由QoS历史数据平均值获得,修改为由该时间段对应的QoS历史数据获得,更能发挥历史数据的动态性。使用时间序列预测ARIMA模型对原QoS历史数据进行预测,把预测结果并入原数据集形成新的数据集,在新数据集上进行服务选择。设计了三个模型递进地进行实验分析,通过对比实验结果验证了改进算法的性能效果。     

基于模糊集的面向服务计算QoS扩展模型

面向服务的研究是当今网络应用研究的热点,服务的QoS计算又是其中的重要部分.已有文献建立过一些服务质量评价模型,用于服务QoS的计算,但是将用户对服务的期望和上下文一起加以考虑的却极少.对具有相似期望的用户进行选择,只允许具有相似期望的评价影响对服务的总评价,并应用模糊数学思想,根据属性的权重和用户的权重,提出一种QoS的模糊计算模型,从而得到更加精确而有意义的QoS度量.     

服务组合中面向端到端用户QoS需求的QoS聚合机制研究

服务组合基于多种基本的组合结构,组合多个已有的服务来满足用户的功能性和非功能性(即QoS)需求。通常,用户的需求直接是端到端的需求,而服务描述本身具有自身的QoS描述。由于所处的层次不同,端到端的QoS需求描述和单个服务的QoS描述存在一定的语义鸿沟。基于层次化本体模型建立QoS本体模型,建立了用户QoS和服务QoS之间的映射关系。并针对基本的服务组合结构,研究了异构QoS本体环境下服务的QoS聚合机制。基于基本组合结构的QoS聚合,提出了完整的服务组合中的QoS聚合算法和QoS转换算法,以满足端到端的QoS需求。     

面向用户需求的动态QoS服务选择方法研究

高效、准确地为用户选择满足其需求的软件服务一直是近年来的研究热点。服务质量（Quality of Service,QoS）是衡量软件服务性能的关键指标之一,考虑到同一服务在不同网络环境下QoS值的动态性,提出一种面向用户需求的动态QoS服务选择方法,简称URDQ方法。URDQ方法采用区间数的形式记录动态环境下候选服务的属性值范围,并基于用户需求对候选服务进行初步过滤;通过区间数模型对候选服务属性区间和用户需求区间进行相对优势度计算,将属性区间数转化为易于计算的实数;使用Skyline方法对候选服务集进行过滤,减小搜索空间;根据熵权法得到的客观权重并结合用户给定的主观权重,使用TOPSIS方法对Skyline服务集进行排序。仿真实验和对比实验验证了URDQ方法在动态网络环境下的可行性和有效性。     

基于拓扑序列归约的Web服务组合QoS度量算法

考虑有向无环图 (DAG)描述的组合服务模型,提出了一种新的组合服务QoS度量方法--基于拓扑序列归约的Web服务QoS度量方法（QCMTSR）。其借鉴迭代归约度量方法中的基本结构及QoS计算公式,定义了DAG图中的两类基本结构,串归约结构和并归约结构,并给出了两种基本结构的QoS属性计算公式;通过逐步归约DAG图拓扑序列中的每个节点,直至最后一个节点的QoS属性值就是组合服务的各QoS属性的度量结果。从理论上证明了QCMTSR算法适用于所有DAG描述的组合服务,并实验证明QCMTSR算法对可靠性和可用性能够更准确的度量。     

面向服务组合的复杂上下文本体模型

为了有效解决泛在网络环境下Web服务质量上下文描述问题,在OWL_S基础上提出了面向服务组合的复杂上下文本体模型-OWL_S_QoS＋,包括用户上下文本体和服务上下文本体。用户上下文本体描述用户的环境状态、拥有的资源信息、用户需求及用户群组等对服务或组合服务运行产生影响的一系列属性;服务上下文本体在原有OWL_S定义的基础上,增加了服务对客户端与服务端的运行环境需求、不确定性QoS描述方法。通过模型比较验证了OWL_S_QoS＋具有较强的描述能力。     

基于本体带QoS约束的数据挖掘服务选择*

为提高数据挖掘服务选择的匹配度,提出了一种基于数据挖掘本体的带QoS约束的数据挖掘服务选择方法。方法引入了数据挖掘服务本体,给出了数据挖掘服务描述模型,定义了一种基于数据挖掘本体和QoS约束的数据挖掘服务匹配层次分类方法和服务匹配度计算方法,有效解决了数据挖掘服务选择中服务匹配的问题。实验表明,该方法可行且具有较高的查全率和查准率。     

基于服务分组的语义Web服务发现研究

提出一种多本体环境下的服务组织和发现方法。服务注册时,根据服务本体合理组织服务,即计算服务描述与本体概念组间的相似度,对注册服务进行分组。服务发现时,不需要将服务请求与所有注册的服务顺序地、一个一个地进行匹配判断。它首先根据服务请求的服务领域,缩小服务查找空间,然后根据服务请求概念集与本体概念组之间的相似度,进一步减小服务查找空间,进而提高了服务的发现效率。同时设定服务请求概念集与本体概念组之间的相似度阀值ξ的大小,来保证服务的查全率;而服务查找空间确定后,按照服务功能参数匹配筛选满足服务请求功能需求的服务,最后参考服务质量进行选择服务,提高服务查准率。     

物联网需求驱动的服务组合方法

为实现依据用户需求动态地组合原子服务, 形成服务集合, 提出一种基于本体的服务组合方法。首先对物联网服务进行多视图建模, 使用服务交互模型描述服务与物理实体的交互过程, 服务功能模型刻画物理世界中服务的属性和行为, 服务状态模型表示服务引起的期望状态变化, 并采用扩展的OWL描述面向物理对象的服务。同时, 采用多维QoS模型对用户的需求进行建模, 使用语义的方法进行服务的匹配与组合, 并基于QoS选择满足约束的服务。最后, 通过案例研究和实验验证了所提方法的正确性和有效性。     

基于本体和QoS的面向敏捷供应链知识服务匹配研究*

为了加强面向敏捷供应链的知识服务的服务描述信息的机器可理解性,提高用户需求和服务能力之间功能匹配的准确性,在总结和分析相关服务发现和匹配算法的基础上,提出了一个基于扩展OWL-S和服务质量QoS的知识服务描述模型。提出一种基于本体计算语义相似度的方法,利用此方法实现服务的功能性匹配。最后用一个服务匹配实例说明了该匹配算法在充分考虑用户需求方面的有效性。     

基于质量的数据挖掘服务选择

在面向服务的数据挖掘系统中各种数据挖掘的算法封装成 Web服务.用户选择合适的数据挖掘服务执行自己的数据挖掘任务,而大多数最终用户并不具备这样的专业知识.从方便用户的角度出发,系统需提供一套服务选择机制,来帮助用户选择高质量的数据挖掘服务.综合通用Web服务的评价标准、数据挖掘领域的专用评价因子及用户评价反馈等多种因素及服务的动态性,给出了一个较全面的数据挖掘服务评价本体,讨论了服务质量的评价方法,给出了基于服务质量评价的动态数据挖掘服务选择方法,用户可根据数据挖掘服务评价本体的语义模型,输入质量约束条件,也可以调整评价因子权值,系统在满足用户约束条件的服务集中,通过计算出服务的综合质量值,挑选最适合的算法执行.     

基于本体的语义Web服务QoS描述和发现

WS-QMO是提出的一个用来对Web服务及其QoS信息进行建模和发现的顶层本体,它既可用于对服务QoS信息的描述和发布,也可用于对服务QoS需求的描述.WS-QMO本体基本满足了当前对Web服务QoS语义建模的普遍要求,并且由于适当地加入SWRL规则,它不但可以灵活地自定义单个QoS属性,描述一个QoS属性在不同务件下...