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。     

云自适应粒子群优化算法在数值积分中的应用

为了提高传统自适应粒子群优化算法的鲁棒性,由X条件云发生器自适应调整粒子的惯性权重,提出云自适应粒子群优化算法。由于云滴具有随机性和稳定倾向性的特点,使得惯性权重既具有传统的趋向性,满足快速寻优能力,又具有随机性,有利于提高种群的多样性,提高了收敛速度。通过对求解任意函数数值积分的实验表明,该算法计算精度高、求解速度快,是求解数值积分的一种有效的方法。     

改进的云自适应粒子群算法

为了提高粒子群算法的寻优速度和精度,提出一种改进的云自适应粒子群算法（MCAPSO）。算法中根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略和进化策略,普通子群粒子采用云自适应惯性权重,有效地调整了算法的全局与局部搜索能力。选取了五个基准函数进行测试,与其他PSO算法作了比较。仿真结果表明该方法是有效的。     

云制造服务组合研究综述

随着工业化的飞速发展,制造业作为推动工业化的主力军必须加快发展步伐,因此,一种新的面向服务的制造模式——云制造被提出.云制造旨在在分布式制造资源和能力之间进行共享和协作并与需求构成一种按需的资源分配和使用方式,在选取最优性能服务的同时将这些服务组合成一个满足用户需求的复合服务需要不断进行探索.云制造服务组合是一种典型的...     

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。     

基于自适应拥挤网格的多目标粒子群算法

粒子群算法求解多目标问题极易收敛到伪Parct。前沿(等价于单目标优化问题中的局部最优解),并且收敛速度较慢。鉴于此,提出一种基于自适应拥挤网格的多目标粒子群算法(ACG-MOPSO)。其特点包括:利用自适应网格和拥挤距离确定外部存档中粒子的密度,并利用密度信息维持外部存档的规模;利用外部存档中非劣解的密度和拥挤距离信息确定全局最优粒子,提升粒子向Parcto前沿收敛的概率。模拟结果表明该算法在求解多目标问题上要优于其它算法。     

云自适应粒子群算法

文中提出了云自适应粒子群优化（CAPSO）算法,根据粒子适应度值把种群分为三个子群,分别采用不同的惯性权重生成策略,由X条件云发生器自适应调整普通子群粒子的惯性权重,由于云模型云滴具有随机性和稳定倾向性特点,使惯性权重既具有传统的趋势性,满足快速寻优能力,又具有随机性,在提高收敛速度和保持种群多样性之间做了一个很好的权衡。通过典型函数优化实验表明,与标准粒子群算法相比,CAPSO具有较高的计算精度和较快的收敛速度。     

基于混沌多目标粒子群优化算法的云服务选择

随着云计算环境中各种服务数量的急剧增长,如何从功能相同或相似的云服务中选择满足用户需求的服务成为云计算研究中亟待解决的关键问题。为此,建立带服务质量约束的多目标服务组合优化模型,针对传统多目标粒子群优化(MOPSO)算法中解的多样性差、易陷入局部最优等缺点,设计基于混沌多目标粒子群优化(CMOPSO)算法的云服务选择方法。采用信息熵理论来维护非支配解集,以保持解的多样性和分布的均匀性。当种群多样性丢失时,引入混沌扰动机制,以提高种群多样性和算法全局寻优能力,避免陷入局部最优。实验结果表明,与MOPSO算法相比,CMOPSO算法的收敛性和解集多样性均得到改善,能够更好地解决云计算环境下服务动态选择问题。     

考虑执行可靠性的云制造服务组合算法

由于制造资源的调用与执行比计算资源要复杂得多,使得在云制造环境下的服务组合执行可靠性成为必须考虑的问题.为此,提出一种基于离散粒子群智能优化的、考虑执行可靠性的云制造服务组合算法.以概率密度函数描述服务可靠性,基于服务模型库动态生成云制造服务组合的工作流模型,基于语义实现服务匹配,通过离散变量粒子群优化算法计算出执行可靠性最优的云制造服务组合方案.最后以结构设计工作流模型为例,在不同服务实例规模、不同恶意服务占比情况下验证了其有效性和可靠性.实例结果表明,在恶意服务占比较高时,该算法仍能保持较高的服务执行可靠性.     

基于LG-MMAS算法的制造云服务优化组合研究

制造云服务组合是一种提高云制造资源利用率,实现制造资源增值的新技术,对云制造产业的快速发展具有重要的支撑作用。随着云制造技术的日益成熟,网络上出现了大量具有相同制造功能和不同服务质量的制造云服务,如何通过这些制造云服务构建出既能满足用户制造需求,又具有最优服务质量的组合服务是云制造领域面临的难题。针对这一问题,将协作学习、变异和精英保留机制引入最大最小蚁群算法,构造了具有学习和变异能力的最大最小蚁群算法,并使用该算法求解服务质量感知的制造云服务优化组合问题。仿真实验结果验证了算法的有效性。     

基于交叉和变异的多目标粒子群算法

为了保证粒子群算法求得的非劣解尽可能接近真实的Pareto前沿并保持多样性分布. 提出一种基于交叉和变异的多目标粒子群算法(CMMOPSO). 在CMMOPSO算法中, 首先, 识别Pareto前沿的稀疏部分包含的粒子, 并对这些粒子进行交叉操作以增加多样性分布; 其次, 对于远离Pareto前沿的粒子进行变异操作, 以提升粒子向真实的Pareto前沿飞行的概率. 在基准函数的测试中, 结果显示CMMOPSO算法比其它算法有更好的运行效果. 因此, CMMOPSO算法可以作为求解多目标问题的一种有效算法.     

基于混沌云模型的粒子群优化算法

针对传统粒子群优化（PSO）算法寻优精度不高和易陷入局部收敛区域的缺点,引入混沌算法和云模型算法对PSO算法的进化机制进行优化,提出混沌云模型粒子群优化（CCMPSO）算法。在算法处于收敛状态时将粒子分为优秀粒子和普通粒子,应用云模型算法和优秀粒子对收敛区域局部求精,发掘全局最优位置;应用混沌算法和普通粒子对收敛区域以外空间进行全局寻优,探索全局最优位置。应用特征根法对CCMPSO算法的收敛性进行分析,并通过仿真实验证明,CCMPSO算法的寻优性能优于其他常用PSO算法。     

基于改进磷虾群算法的服务组合优化

面向服务的架构（SOA）下,针对服务组合优化过程中易陷入局部最优、时间开销大的问题,提出一种加入自适应交叉算子和随机扰动算子的改进磷虾群算法PRKH。首先基于服务质量（QoS）建立了服务组合优化模型,并给出不同结构下QoS的计算公式和归一化处理方法。然后在磷虾群（KH）算法的基础上加入自适应的交叉概率和基于实际偏移量的随机扰动,从而在磷虾群的全局搜索能力和局部搜索能力之间达到良好平衡。最后通过仿真,把所提算法与KH算法、粒子群优化（PSO）算法、人工蜂群（ABC）算法和花朵授粉算法（FPA）进行对比,实验结果表明,PRKH算法能够更快找到QoS更优的复合服务。     

基于云模型的粒子群优化算法在路径规划中的应用

利用罚函数将机器人路径规划有约束优化问题转换为无约束优化问题。利用云模型既有随机性又有稳定倾向性的特性,引入基于云模型理论的自适应参数策略,构造出一种改进的粒子群（PSO）算法,并应用于机器人路径规划问题。在不同的子群采用不同的惯性权重生成方法,有效地平衡了算法的局部和全局搜索能力,提高了种群的多样性和算法的收敛速度。仿真结果对比验证了该算法的可行性和有效性,且实现简单、收敛速度快。     

基于自适应改进粒子群优化的数据离散化算法

针对经典粗糙集只能处理离散型属性的问题,提出一种基于自适应混合粒子群优化(AHPSO)的离散化算法。首先,引入自适应调整策略,以克服粒子群易陷入局部解的缺点,提高了粒子群全局寻优能力;然后对每一代全局最优粒子进行禁忌搜索(TS),得到当代最佳全局最优粒子,增强了粒子群局部搜索能力;最后,在保持决策表分类能力不变的情况下,将属性离散化分割点初始化为粒子群体,通过粒子间的相互作用得到最佳的离散化分割点。使用WEKA平台上的J48决策树分类方法,与基于属性重要度、信息熵的离散化算法相比,该算法的分类精度提升了10%~20%;与基于小生境离散粒子群优化(NDPSO)、参数线性递减粒子群的离散化算法相比,该算法的分类精度提升了2%~5%。实验结果表明,该算法显著地提高了J48决策树的分类学习精度,在对数据离散化时也有较好的性能。     

限制速度粒子群优化和自适应速度粒子群优化在无约束优化问题中的应用

限制速度粒子群优化(RVPSO)和自适应速度粒子群优化(SAVPSO)是近年来提出的专门求解约束优化问题(COP)的粒子群优化算法,但目前尚无两算法在无约束优化应用方面的研究。为此,研究上述算法在无约束优化中的有效性和性能特点,并针对算法保守性较强的特点,分别引入混沌因子和随机优化策略对算法进行改进,从而提高算法的全局搜索能力;另外,还研究了不同参数设置对算法性能的影响。在5个典型测试函数上的仿真实验结果表明:RVPSO改进算法的鲁棒性及全局搜索能力优于原算法,但在求解高维多峰函数时仍易于陷入局部最优; SAVPSO改进算法的全局搜索能力比RVPSO改进算法强,且在求解高维多峰函数时具有更快的收敛速度并能取得精度更高的解,表现出较好的全局优化能力,是一种切实有效的求解无约束优化问题的算法。     

基于QoS和模糊粒子群优化的语义Web服务发现

针对现有基于服务质量(QoS)的语义Web服务发现方法中的不足,提出一种采用模糊粒子群算法的语义Web服务发现方法。根据服务发现问题定义了粒子的位置和速度,引入了模糊理论和增量惯性因子,较好地解决了粒子群算法的未成熟收敛问题,提高了基于粒子群算法的语义Web服务发现方法的查准率。实验验证了该方法的有效性。     

基于量子粒子群求解混合整数非线性规划

在经典微粒群算法的基础上提出一种有较高收敛性能的智能算法：量子粒子群（QPSO）算法。并用于求解混合整数非线性规划问题。实验室证明QPSO算法收敛性能好、速度快,为求解混合整数非线性规划开辟了新途径。