基于遗传算法的云服务商伙伴选择问题研究

针对目前云计算市场如何选择合适的云服务商来组成动态联盟,以便更快更有效地满足终端客户的需求,实现云服务资源的优化配置.运用灰色关联综合评价模型确定云服务市场的优化指标,运用多目标优化模型定量分析和研究了云服务商的伙伴选择问题,选取在云计算市场提供计算服务、存储服务、软件服务的云服务商作为研究对象,提取成本、响应时间、服务质量作为研究优化指标;通过赋予相应的权重值,采用遗传算法对多目标规划化问题进行求解,寻找到符合各个云服务商利益的合作伙伴,最后通过算例证明该算法在解决最佳云服务商伙伴选择组合方面的合理性,验证了该模型及算法的有效性.     

基于混合粒子群算法的RBF神经网络参数优化

针对径向基函数（RBF）神经网络中心参数的优化问题,提出了一种混合粒子群优化算法。该算法应用灰色关联理论定义了粒子群的灰色相似度,分两个阶段对标准的粒子群优化算法（PSO）的全局和局部搜索能力做了改进和提高。在仿真实验中,应用该方法对典型的Mackey-Glass混沌时间序列进行了预测。并与标准的K均值算法、遗传算法和粒子群算法进行了比较,其结果表明,所预测的各项误差均低于其他常规算法的预测结果。     

求解多目标优化问题的灰色粒子群算法

鉴于基本粒子群算法无法解决高维多目标优化问题,提出了一种适合求解高维多目标优化问题的灰色粒子群算法(GPSO),该算法根据灰色关联能够很好地分析目标矢量之间的接近程度,并能掌握解空间全貌的特点,利用灰色关联度的大小来选取粒子群算法中的全局极值和个体极值。实验结果证明,该算法可行而有效,同时也拓展了粒子群算法的应用领域。     

基于灰色粒子群神经网络的航天器参量预测

针对航天器精确预测与健康管理的需求,将粒子群算法、灰色理论与神经网络的优势相结合,提出了一种灰色粒子群神经网络组合参量预测方法,实现了灰色模型、粒子群算法、神经网络模型的优势互补.针对某卫星南帆板输出电流参量的预测实例,采用总平均绝对误差、总平均绝对百分比误差、总均方根误差3个预测结果评价指标,对灰色粒子群神经网络模型、粒子群神经网络模型、灰色模型和残差修正灰色模型的预测结果进行了比较,结果证明灰色粒子群神经网络模型的预测精度较高,在航天器参量预测领域具有很好的应用前景.     

灰色关联分析和支持向量机相融合的网络安全态势评估

为提高网络安全态势评估的准确性, 提出一种灰色关联分析和支持向量机相融合的网络安全态势评估模型。根据网络安全态势评估原则进行评估指标体系选择, 并根据灰色关联分析确定指标权重, 将训练样本输入到支持向量机进行训练, 采用改进粒子群算法优化支持向量机参数, 建立网络安全态势评估模型, 最后采用数据集KDD Cup99对模型性能进行仿真测试。仿真结果表明, 该模型可以准确、客观地对网络安全态势进行评估, 评估结果可以为网络管理员提供一定价值的参考建议。     

基于云变异的云自适应粒子群算法

研究云粒子群优化算法问题,为了克服云粒子群优化算法易过早收敛的缺点和提高优化多峰函数的性能。提出了一种云变异的云自适应粒子群优化新算法,结合全局最优值和粒子适应度的比值体现出粒子优差的特点,利用正态云发生器自适应调整粒子个体惯性权重,并且对粒子位置进行了基于云模型的变异操作,合理的对粒子群各参数进行设置,典型测试函数仿真结果表明,改进优化算法能有效找出全局最优解,提高了收敛精度和收敛速度,且适宜于多峰值问题寻优,是一种可行而有效的优化方法。     

云制造环境中信息不完全的合作伙伴选择

针对云制造环境中合作伙伴选择信息不完全、动态多属性问题,提出一种基于广义优序法的合作伙伴选择模型。首先,针对不同的数据采用不同的方式将其量化为广义优序数,把伙伴企业选择问题转化为广义优序数矩阵问题,并给出了基于灰色关联法的属性变权计算方法和具有惩罚机制的时序权重确定方法。随后,通过综合广义优序数对候选企业进行排序选择。最后,通过实验仿真验证该模型是可行的和有效的。     

基于粒子群蚁群算法的供应链合作伙伴选择研究

针对供应链合作伙伴选择的准确性和效率问题,提出一种基于粒子群和蚁群优化的合作伙伴选择算法。建立基于供应链链节体和连接弧的有向图路径模型,构造多目标规划模型。利用改进的离散型粒子群算法,求取伙伴选择问题的初始解集,构建初始信息素矩阵,通过改进蚁群算法的寻径规则,求取供应链合作伙伴选择问题的最优解。实验结果表明,所提算法有效提高了供应链合作伙伴选择的精度和效率,具有较好的性能。     

基于云粒子群-最小二乘支持向量机的传感器温度补偿

针对传感器的测量精度受温度影响较大问题,提出了一种基于云粒子群-最小二乘支持向量机(CMPSO-LSSVM)的温度补偿方法。云粒子群算法(CMPSO)将云模型算法应用于粒子群优化(PSO)算法的收敛机制,具有寻优精度高的特点。CMPSO算法对LSSVM的参数进行优化选择,建立CMPSO-LSSVM传感器温度补偿模型。将该模型应用于振弦式传感器的温度补偿,通过实验证明了该温度补偿方法优于当前其他主要方法。     

改进的PSOGM算法在动态关联规则挖掘中的应用

针对动态关联规则挖掘中支持度向量和置信度向量变化趋势的分析和预测,提出一种改进的粒子群优化的灰色模型应用在动态关联规则挖掘中。由于灰色模型在引入背景值后导致在非平稳序列中的预测精度下降,因此有必要引入参数进行修正,通过在粒子群优化算法中引入二次搜索机制,优化求解灰色模型不同时刻的背景值,从而提高粒子群算法的局部搜索能力,进而提高灰色模型的预测精度。通过在Matlab平台上进行实验仿真,数据集采用超市购物数据,结果表明该方法比原始灰色模型、遗传算法优化的灰色模型和标准的粒子群优化的灰色模型具有更高的预测精度。     

基于灰色关联和遗传算法的供应链伙伴选择

供应链伙伴选择是一个典型的多目标决策问题,本文提出一种解决该问题的新方法.该方法分为两个阶段:第一,运用灰色关联分析的思想,将多目标决策转换为单目标决策模型.第二,对于得到的单目标决策模型设计自适应遗传算法求解,所得的最优解就是伙伴选择的多目标决策模型的最优解.为说明该方法的可行有效,进行了实际算例的求解.     

A multicriteria optimization model for cloud service provider selection in multicloud environments

Multicloud computing is a strategy that helps customers to reduce reliance on any single cloud provider (known as the vendor lock-in problem). The value of such strategy increases with proper selection of qualified service providers. In this paper, a constrained multicriteria multicloud provider selection mathematical model is proposed. Three metaheuristics algorithms (simulated annealing [SA], genetic algorithm [GA], and particle swarm optimization algorithm [PSO]) were implemented to solve the model, and their performance was studied and compared using a hypothetical case study. For the sake of comparison, Taguchi's robust design method was used to select the algorithms' parameters values, an initial feasible solution was generated using analytic hierarchy process (AHP)—as the most used method to solve the cloud provider selection problem in the literature, all three algorithms used that solution and, in order to avoid AHP limitations, another initial solution was generated randomly and used by the three algorithm in a second set of performance experiments. Results showed that SA, GA, PSO improved the AHP solution by 53.75%, 60.41%, and 60.02%, respectively, SA and PSO are robust because of reaching the same best solution in spite of the initial solution.     

基于GRA-LSSVM密度法的配电网空间负荷预测方法研究

为提高配电网的规划水平,实现配电网的合理规划与改造,以有效提高供电质量和效益。针对配电网空间负荷预测,设计了一种新型的电网负荷密度预测算法,在算法中将支持向量机引入到基于灰色关联度分析的负荷预测模型。通过灰色关联度分析法筛选出更符合要求的样本并进行训练,同时,引入了混沌粒子群算法(PSO)对此模型进行优化,以提高算法的精度。通过实际数据对这种算法的性能进行实例分析,依据分析结果表明,提出的算法与其他方法相比对配电网空间负荷预测的精度有显著差异,本文方法可以有效的提高配电网负荷密度预测的精度。     

基于优化神经网络的云计算环境下供应链伙伴选择

针对云计算环境下供应链伙伴的动态性,提出一种基于优化神经网络的云计算环境下供应链伙伴选择模型.首先构建计算环境下供应链伙伴评价指标体系,并采用层次分析法计算每一个指标的权值,然后采用神经网络对采集的企业评估训练样本进行学习,并采用遗传算法对神经网络参数进行优化价,建立企业综合评估模型,最后进行了仿真模拟实验.结果表明,本文模型可以准确描述供应链伙伴的动态性,能够对云计算环境下的供应链伙伴进行全面、公正的评价.     

一种基于改进灰色关联分析的变量选择算法

针对灰色绝对关联度模型和灰色相似关联度模型存在的问题,提出一种基于相对变化面积的改进灰色关联度模型.以序列几何形状的相似程度为基础,构建反应折线相似程度的相对变化面积,并以此作为关联系数的计算依据,同时以局部关联度的平均值度量整体的相似性,定义灰色关联度模型.此外,根据关联度计算结果,提出一种基于集合思想的变量选择算法,有效去除变量间的无关和冗余变量.仿真结果验证了所提出算法的有效性和合理性.     

Grey particle swarm optimization

With the help of grey relational analysis, this study attempts to propose two grey-based parameter automation strategies for particle swarm optimization (PSO). One is for the inertia weight and the other is for the acceleration coefficients. By the proposed approaches, each particle has its own inertia weight and acceleration coefficients whose values are dependent upon the corresponding grey relational grade. Since the relational grade of a particle is varying over the iterations, those parameters are also time-varying. Even if in the same iteration, those parameters may differ for different particles. In addition, owing to grey relational analysis involving the information of population distribution, such parameter automation strategies make an attempt on the grey PSO to perform a global search over the search space with faster convergence speed. The proposed grey PSO is applied to solve the optimization problems of 12 unimodal and multimodal benchmark functions for illustration. Simulation results are compared with the adaptive PSO (APSO) and two well-known PSO variants, PSO with linearly varying inertia weight (PSO-LVIW) and PSO with time-varying acceleration coefficients (HPSO-TVAC), to demonstrate the search performance of the grey PSO.     

G-TOPSIS: a cloud service selection framework using Gaussian TOPSIS for rank reversal problem

The dynamic resource requirement of applications has forced a large number of business organizations to join the cloud market and provide cloud services. It has posed a challenge for cloud users to select the best service providers and to minimize losses occurring due to its improper selection. This paper aims to propose a robust rank reversal technique for order of preference by similarity to ideal solution (TOPSIS) method based on Gaussian distribution and used to develop a cloud service selection framework. The proposed framework ranks cloud services based on the quality of services provided by cloud service providers and cloud user’s priority. A case study is performed on a real dataset obtained from CloudHarmony to show the effectiveness and correctness of the proposed framework. The results obtained demonstrate that the proposed framework ranks cloud services similar to TOPSIS-based frameworks. A sensitivity analysis has also been performed to check its robustness in six different cases causing rank reversal and found that the proposed framework is robust to handle rank reversal phenomenon in all the scenarios in comparison with other studies available in the literature.

     

基于云仿真的Web服务选择研究

针对当前Web服务海量增加,而现有的Web服务选择算法低效、缓慢的问题,提出了一种基于云计算的粒子群优化算法的Web服务选择方法。该方法在云平台下对粒子分群映射、相似分群并行化简、适时更新分群,并且寻找与用户需求最相似、服务质量最好的策略。实验表明,该方法能有效减少流程执行过程中Web服务选择导致的时间开销,并提高Web服务选择的可靠性。     

基于声誉的多时段多属性供应链伙伴选择模型

为解决供应链合作过程中伙伴选择信任度低的问题,针对属性权重与时间权重未知的决策情况, 提出了一种基于声誉的多时段多属性供应链伙伴选择模型。模型引入三角模糊数来描述语言类评价信息,分别根据声誉属性间的关联和改进的时间衰减函数确定各时段的属性权重和各时段的时间常权,并将惩罚型变权方法引入模型时间权重设定中,使各时段的时间权重随各时段声誉状态值的变化而变化。算例分析结果表明,该模型有助于优选出声誉在各时段间较为均衡的供应链伙伴,同时具有较强的灵活性,可以适应不同的伙伴选择要求。