CN106022475B - 基于动态自适应混沌蚁群算法的Web服务组合方法 - Google Patents

基于动态自适应混沌蚁群算法的Web服务组合方法 Download PDF

Info

Publication number
CN106022475B
CN106022475B CN201610548769.6A CN201610548769A CN106022475B CN 106022475 B CN106022475 B CN 106022475B CN 201610548769 A CN201610548769 A CN 201610548769A CN 106022475 B CN106022475 B CN 106022475B
Authority
CN
China
Prior art keywords
ant
pheromones
mid
stage
web service
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610548769.6A
Other languages
English (en)
Other versions
CN106022475A (zh
Inventor
周井泉
承松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhou Longxin Intelligent Technology Co.,Ltd.
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201610548769.6A priority Critical patent/CN106022475B/zh
Publication of CN106022475A publication Critical patent/CN106022475A/zh
Application granted granted Critical
Publication of CN106022475B publication Critical patent/CN106022475B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Agricultural Chemicals And Associated Chemicals (AREA)

Abstract

本发明提出一种基于动态自适应混沌蚁群算法的Web服务组合方法，采用两种蚂蚁并行搜索，前期阶段采用最小的挥发系数与最小的期望启发因子，并加入混沌扰动；后期不再加入混沌扰动，并提高挥发系数和期望启发因子，加快了收敛速度；根据适应度值的方差来作为一个阶段向下一个阶段转变的标准，适应大规模的情况。本发明的方法能够提高蚁群算法搜索Web服务组合的全局搜索能力，有效抑制其陷入局部最优，且加快了收敛速度，缩短了运行时间，提高了性能，具有较强的鲁棒性。

Description

基于动态自适应混沌蚁群算法的Web服务组合方法
技术领域
本发明属于计算机领域，尤其是一种基于动态自适应混沌蚁群算法的Web服务组合方法。
背景技术
随着互联网的快速发展，工商业领域到处都充满着Web服务。因此，产生了许多功能相同的Web服务。此外，单个Web服务不能完全解决用户提出的各方面请求。Web服务组合的目的主要是把互联网中各个功能单一的Web服务按照某种有效的方式组合起来，能够提高效率。目前广泛采用的服务度量标准为QoS(Quality of Service)，QoS评价指标主要包括信誉度、可用性、成本费用、响应时间等。但这只仅仅反映了服务技术方面的特性，用户的主观方面被忽略了，所以不能够反映用户对服务的满意程度。体验质量(Quality ofExperience，QoE)是凭借用户满意程度来作为评价标准的。它结合了网络性能、业务质量、主观评测等影响因素，直接反映了用户对服务舒适度的满意程度。Web服务组合的实质为NP难问题，目前主流的算法是智能优化算法。蚁群算法是智能优化算法中的一种，该算法引入正反馈机制，具有较强的鲁棒性、优良的分布式计算机制等优点，但是在全局搜索和局部搜索的平衡能力上有待进一步的研究。参数的设置也对蚁群算法的性能有着重要的影响。
发明内容
本发明所解决的技术问题在于提供一种基于动态自适应混沌蚁群算法的Web服务组合方法，采用两种蚂蚁并行搜索，前期阶段采用最小的挥发系数与最小的期望启发因子，并加入混沌扰动；后期不再加入混沌扰动，并提高挥发系数和期望启发因子，加快了收敛速度；根据适应度值的方差来作为一个阶段向下一个阶段转变的标准，适应大规模的情况。
实现本发明目的的技术解决方案为：
基于动态自适应混沌蚁群算法的Web服务组合方法，包括以下步骤：
步骤1：建立Web服务组合模型，得到适应度函数：
其中，QoE表示体验质量，i表示第i条路径，QoEi表示第i条路径上的体验质量，Ns表示从起点到终点总的路径数；
步骤2：初始化参数，包括：设置每条路径上的信息素τij(t)＝const、初始线路(i,j)上的信息素增量Δτij(0)＝0，其中，const表示常数；
步骤3：将N个常规蚂蚁和S1个特殊蚂蚁放在起始位置进行前期阶段迭代，根据状态转移概率和轮盘选择原则更新信息素；
步骤4：将N个常规蚂蚁和S2个特殊蚂蚁放在起始位置进行中期阶段迭代，根据状态转移概率和轮盘选择原则更新信息素，其中S2＜S1；
步骤5：将N个常规蚂蚁放在起始位置进行后期阶段迭代，根据状态转移概率和轮盘选择原则更新信息素，输出最佳的Web服务路径。
进一步的，本发明的基于动态自适应混沌蚁群算法的Web服务组合方法，步骤3中的前期阶段迭代具体包括：
步骤3-1：将N个常规蚂蚁和S1个特殊蚂蚁放在起始位置，设置迭代次数Nc1＝0；
步骤3-2：常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁移动到概率最大的服务下；
步骤3-3：特殊蚂蚁根据第二状态转移概率进行搜索，并根据轮盘选择原则将特殊蚂蚁移动到概率最大的服务下；
步骤3-4：更新每条路径上的信息素；
步骤3-5：令Nc1＝Nc1+1，判断迭代次数Nc1是否达到固定次数M1，若是，则转到步骤3-6，若否，则转到步骤3-2；
步骤3-6：重复步骤3-2到步骤3-4共A次，并计算每次迭代的适应度值，得到A次适应度值的方差B1；
步骤3-7：若B1≤Q1，则转到步骤3-6，否则结束前期阶段迭代，其中，Q1是方差B1的门限值。
进一步的，本发明的基于动态自适应混沌蚁群算法的Web服务组合方法，步骤4中的中期阶段迭代具体包括：
步骤4-1：将N个常规蚂蚁和S2个特殊蚂蚁放在起始位置，设置迭代次数Nc2＝0，其中，S2＜S1；
步骤4-2：常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁移动到概率最大的服务下；
步骤4-3：特殊蚂蚁根据第二状态转移概率进行搜索，并根据轮盘选择原则将特殊蚂蚁移动到概率最大的服务下；
步骤4-4：更新每条路径上的信息素；
步骤4-5：令Nc2＝Nc2+1，判断迭代次数Nc2是否达到固定次数M2，若是，则转到步骤4-6，若否，则转到步骤4-2；
步骤4-6：重复步骤4-2到步骤4-4共A次，并计算每次迭代的适应度值，得到A次适应度值的方差B2；
步骤4-7：若B2≤Q2，则转到步骤4-6，否则结束中期阶段迭代，其中，Q2是方差B2的门限值。
进一步的，本发明的基于动态自适应混沌蚁群算法的Web服务组合方法，步骤5中的后期阶段迭代具体包括：
步骤5-1：将N个常规蚂蚁放在起始位置，无特殊蚂蚁，设置迭代次数Nc3＝0；
步骤5-2：常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁移动到概率最大的服务下；
步骤5-3：更新每条路径上的信息素；
步骤5-4：令Nc3＝Nc3+1，判断迭代次数Nc3是否达到固定次数M3，若是，则转到步骤5-5，若否，则转到步骤5-2；
步骤5-5：重复步骤5-2到步骤5-3共A次，并计算每次迭代的适应度值，得到A次适应度值的方差B3；
步骤5-6：若B3≤Q3，则转到步骤5-5，否则结束后期阶段迭代，其中，Q3是方差B3的门限值。
进一步的，本发明的基于动态自适应混沌蚁群算法的Web服务组合方法，第一状态转移概率为：
其中，表示在t时刻第k只蚂蚁由服务i移动到j服务的概率；allowedk表示在t时刻第k只蚂蚁接下来可以选择的服务；α表示信息启发式因子；β表示期望启发式因子；ηij(t)表示由i移动到j的期望程度，前期阶段β＝βlow，中期阶段β＝βmid，后期β＝βhigh，且βlow＜βmid＜βhigh，其中，βlow是前期阶段的期望启发式因子，βmid是中期阶段的期望启发式因子，βhigh是后期阶段的期望启发式因子。
进一步的，本发明的基于动态自适应混沌蚁群算法的Web服务组合方法，第二状态转移概率为：
其中，m为下一步转移允许的j的总数，为第一状态转移概率；表示在t时刻第k只蚂蚁由服务i移动到j服务的概率；allowedk表示在t时刻第k只蚂蚁接下来可以选择的服务。
进一步的，本发明的基于动态自适应混沌蚁群算法的Web服务组合方法，信息素更新公式为：
τij(t+n)＝(1-ρ)·τij(t)+Δτij(t)+q·f(xn)
其中，ρ为信息素挥发度，ρ∈[0,1)；Δτij(t)表示执行完一次寻优后线路(i,j)上的信息素增量，初始化时Δτij(t)＝0；表示第k只蚂蚁在执行完一次寻优后留在线路(i,j)上的信息素增量，f(xn)为混沌变量，q为系数，τij(t)为信息素，τij(t+n)表示完成对n个服务遍历后(i,j)路径上的信息素，M表示总的蚂蚁数，k表示第k个蚂蚁，前期阶段ρ＝ρlow，中期阶段ρ＝ρmid，后期阶段ρ＝ρhigh，且ρmid＜ρmid＜ρhigh，其中，ρlow是前期阶段的信息素挥发度，ρmid是中期阶段的信息素挥发度，ρhigh是后期阶段的信息素挥发度。
进一步的，本发明的基于动态自适应混沌蚁群算法的Web服务组合方法，信息素更新公式为：
τij(t+n)＝(1-ρ)·τij(t)+Δτij(t)
其中，τij(t+n)表示完成对n个服务遍历后(i,j)路径上的信息素，ρ为信息素挥发度，ρ∈[0,1)，τij(t)为信息素，Δτij(t)表示执行完一次寻优后线路(i,j)上的信息素增量。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
1、本发明通过两种蚂蚁和前期阶段加入混沌扰动，提高了蚁群算法搜索Web服务组合的全局搜索能力，有效抑制其陷入局部最优；
2、本发明通过后期阶段，加快了蚁群算法的收敛速度，缩短了运行时间，提高了性能；
3、本发明将蚁群算法的全局搜索能力和局部搜索能力达到较好的平衡；
4、本发明能够适应不同规模下的Web服务组合问题，具有较强的鲁棒性。
附图说明
图1是自适应混沌蚁群算法整体框架流程图；
图2是通过模糊专家系统的QoE评估模型；
图3是串联的Web服务组合模型；
图4是基本蚁群算法流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
基本蚁群算法流程图如图4所示，本发明提出了一种基于动态自适应混沌蚁群算法的Web服务组合方法，其实时过程模型如图1所示，主要分为三个阶段：前期、中期和后期，具体包括以下步骤：
步骤1：建立Web服务组合模型，如图3所示，选用体验质量(Quality ofExperience，QoE)来评价Web服务组合，QoE评价模型如图2所示，得到适应度函数如下：
其中，QoE表示体验质量，i表示第i条路径，QoEi表示第i条路径上的体验质量，Ns表示从起点到终点总的路径数；
步骤2：初始化参数，包括：设置每条路径上的信息素τij(t)＝const、初始线路(i,j)上的信息量Δτij(0)＝0，其中，const在C语言中表示常数。
步骤3：将N个常规蚂蚁和S1个特殊蚂蚁放在起始位置进行前期阶段迭代，具体为：
步骤3-1：将N个常规蚂蚁和S1个特殊蚂蚁放在起始位置，设置迭代次数Nc1＝0；
步骤3-2：常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁移动到概率最大的服务下；
步骤3-3：特殊蚂蚁根据第二状态转移概率进行搜索，并根据轮盘选择原则将特殊蚂蚁移动到概率最大的服务下；
步骤3-4：更新每条路径上的信息素；
步骤3-5：令Nc1＝Nc1+1，判断迭代次数Nc1是否达到固定次数M1，若是，则转到步骤3-6，若否，则转到步骤3-2；
步骤3-6：重复步骤3-2到步骤3-4共A次，并计算每次迭代的适应度值，得到A次适应度值的方差B1；
步骤3-7：若B1≤Q1，则转到步骤3-6，否则结束前期阶段迭代，其中，Q1是方差B1的门限值，Q1可由服务规模的大小的得到，规模越大，Q1越大。
步骤4：将N个常规蚂蚁和S2个特殊蚂蚁放在起始位置进行中期阶段迭代，其中S2＜S1，具体为：
步骤4-1：将N个常规蚂蚁和S2个特殊蚂蚁放在起始位置，设置迭代次数Nc2＝0，其中，S2＜S1；
步骤4-2：常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁移动到概率最大的服务下；
步骤4-3：特殊蚂蚁根据第二状态转移概率进行搜索，并根据轮盘选择原则将特殊蚂蚁移动到概率最大的服务下；
步骤4-4：更新每条路径上的信息素；
步骤4-5：令Nc2＝Nc2+1，判断迭代次数Nc2是否达到固定次数M2，若是，则转到步骤4-6，若否，则转到步骤4-2；
步骤4-6：重复步骤4-2到步骤4-4共A次，并计算每次迭代的适应度值，得到A次适应度值的方差B2；
步骤4-7：若B2≤Q2，则转到步骤4-6，否则结束中期阶段迭代，其中，Q2是方差B2的门限值，Q2可由服务规模的大小的得到，规模越大，Q2越大。
步骤5：将N个常规蚂蚁放在起始位置进行后期阶段迭代，输出最佳的Web服务组合路径，具体为：
步骤5-1：将N个常规蚂蚁放在起始位置，无特殊蚂蚁，设置迭代次数Nc3＝0；
步骤5-2：常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁移动到概率最大的服务下；
步骤5-3：更新每条路径上的信息素；
步骤5-4：令Nc3＝Nc3+1，判断迭代次数Nc3是否达到固定次数M3，若是，则转到步骤5-5，若否，则转到步骤5-2；
步骤5-5：重复步骤5-2到步骤5-3共A次，并计算每次迭代的适应度值，得到A次适应度值的方差B3；
步骤5-6：若B3≤Q3，则转到步骤5-5，否则结束后期阶段迭代，输出最佳的Web服务路径，其中，Q3是方差门限值，Q3取一个很小的值，趋向于0。
前述步骤3-2、步骤4-2、步骤5-2中的第一状态转移概率公式为：
其中，表示在t时刻第k只蚂蚁由服务i移动到j服务的概率；allowedk表示在t时刻第k只蚂蚁接下来可以选择的服务；α表示信息启发式因子；β表示期望启发式因子；ηij(t)表示由i移动到j的期望程度；前期阶段β＝βlow，将β设为一个较小的值，中期阶段β＝βmid，后期β＝βhigh，且βlow＜βmid＜βhigh，其中，βlow是前期阶段的期望启发式因子，βmid是中期阶段的期望启发式因子，βhigh是后期阶段的期望启发式因子。
前述步骤3-3、步骤4-3中的第二状态转移概率公式为：
其中，m为下一步转移允许的j的总数，为第一状态转移概率；表示在t时刻第k只蚂蚁由服务i移动到j服务的概率；allowedk表示在t时刻第k只蚂蚁接下来可以选择的服务。
前述步骤3-4、步骤4-4中的信息素更新公式为：
τij(t+n)＝(1-ρ)·τij(t)+Δτij(t)+q·f(xn)
其中，ρ为信息素挥发度，为了防止其无穷地积累，ρ∈[0,1)；Δτij(t)表示执行完一次寻优后线路(i,j)上的信息素增量，初始化时Δτij(t)＝0；表示第k只蚂蚁在执行完一次寻优后留在线路(i,j)上的信息量，f(xn)为混沌变量，q为系数，τij(t)为信息素，τij(t+n)表示完成对n个服务遍历后(i,j)路径上的信息素，M表示总的蚂蚁数，k表示第k个蚂蚁。前期阶段ρ＝ρlow，ρlow设为较小的值，可取0.1，信息素范围τij(t)∈[τmin,τmax]，设置扰动范围[0,τhigh]；中期阶段ρ＝ρmid，ρmid设为中间值，可取0.25，信息素范围τij(t)∈[τmin,τmax]；设置扰动范围[0,τlow]；后期阶段ρ＝ρhigh，ρhigh设为较大值，可取0.4，信息素范围τij(t)∈[0,+∞]；无混沌扰动，且ρmid＜ρmid＜ρhigh，其中，ρlow是前期阶段的信息素挥发度，ρmid是中期阶段的信息素挥发度，ρhigh是后期阶段的信息素挥发度。
混沌变量可以由Tent映射模型产生，设置扰动范围[0,τhigh]。Tent混沌模型如下：
式中xn∈[0,1]，μ∈(0,2]，当μ＞1时是处于混沌状态情况下。
前述步骤5-3中的信息素更新公式为：
τij(t+n)＝(1-ρ)·τij(t)+Δτij(t)
其中，τij(t+n)表示完成对n个服务遍历后(i,j)路径上的信息素，ρ为信息素挥发度，ρ∈[0,1)，τij(t)为信息素，Δτij(t)表示执行完一次寻优后线路(i,j)上的信息素增量。
以上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进应视为本发明的保护范围。

Claims (8)

1.基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在于，包括以下步骤：
步骤1：建立Web服务组合模型，得到适应度函数：
其中，QoE表示体验质量，i表示第i条路径，QoEi表示第i条路径上的体验质量，Ns表示从起点到终点总的路径数；
步骤2：初始化参数，包括：设置每条路径上的信息素τij(t)＝const、初始线路(i,j)上的信息素增量Δτij(0)＝0；
步骤3：将N个常规蚂蚁和S1个特殊蚂蚁放在起始位置进行前期阶段迭代，根据状态转移概率和轮盘选择原则更新信息素；
步骤4：将N个常规蚂蚁和S2个特殊蚂蚁放在起始位置进行中期阶段迭代，根据状态转移概率和轮盘选择原则更新信息素，其中S2＜S1；
步骤5：将N个常规蚂蚁放在起始位置进行后期阶段迭代，根据状态转移概率和轮盘选择原则更新信息素，输出最佳的Web服务路径。
2.根据权利要求1所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在于，步骤3中的前期阶段迭代具体包括：
步骤3-1：将N个常规蚂蚁和S1个特殊蚂蚁放在起始位置，设置迭代次数Nc1＝0；
步骤3-2：常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁移动到概率最大的服务下；
步骤3-3：特殊蚂蚁根据第二状态转移概率进行搜索，并根据轮盘选择原则将特殊蚂蚁移动到概率最大的服务下；
步骤3-4：更新每条路径上的信息素；
步骤3-5：令Nc1＝Nc1+1，判断迭代次数Nc1是否达到固定次数M1，若是，则转到步骤3-6，若否，则转到步骤3-2；
步骤3-6：重复步骤3-2到步骤3-4共A次，并计算每次迭代的适应度值，得到A次适应度值的方差B1；
步骤3-7：若B1≤Q1，则转到步骤3-6，否则结束前期阶段迭代，其中，Q1是方差B1的门限值。
3.根据权利要求1所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在于，步骤4中的中期阶段迭代具体包括：
步骤4-1：将N个常规蚂蚁和S2个特殊蚂蚁放在起始位置，设置迭代次数Nc2＝0，其中，S2＜S1；
步骤4-2：常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁移动到概率最大的服务下；
步骤4-3：特殊蚂蚁根据第二状态转移概率进行搜索，并根据轮盘选择原则将特殊蚂蚁移动到概率最大的服务下；
步骤4-4：更新每条路径上的信息素；
步骤4-5：令Nc2＝Nc2+1，判断迭代次数Nc2是否达到固定次数M2，若是，则转到步骤4-6，若否，则转到步骤4-2；
步骤4-6：重复步骤4-2到步骤4-4共A次，并计算每次迭代的适应度值，得到A次适应度值的方差B2；
步骤4-7：若B2≤Q2，则转到步骤4-6，否则结束中期阶段迭代，其中，Q2是方差B2的门限值。
4.根据权利要求1所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在于，步骤5中的后期阶段迭代具体包括：
步骤5-1：将N个常规蚂蚁放在起始位置，无特殊蚂蚁，设置迭代次数Nc3＝0；
步骤5-2：常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁移动到概率最大的服务下；
步骤5-3：更新每条路径上的信息素；
步骤5-4：令Nc3＝Nc3+1，判断迭代次数Nc3是否达到固定次数M3，若是，则转到步骤5-5，若否，则转到步骤5-2；
步骤5-5：重复步骤5-2到步骤5-3共A次，并计算每次迭代的适应度值，得到A次适应度值的方差B3；
步骤5-6：若B3≤Q3，则转到步骤5-5，否则结束后期阶段迭代，其中，Q3是方差B3的门限值。
5.根据权利要求2或3或4所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在于，第一状态转移概率为：
其中，表示在t时刻第k只蚂蚁由服务i移动到j服务的概率；allowedk表示在t时刻第k只蚂蚁接下来可以选择的服务；α表示信息启发式因子；β表示期望启发式因子；ηij(t)表示由i移动到j的期望程度，前期阶段β＝βlow，中期阶段β＝βmid，后期β＝βhigh，且βlow＜βmid＜βhigh，其中，βlow是前期阶段的期望启发式因子，βmid是中期阶段的期望启发式因子，βhigh是后期阶段的期望启发式因子。
6.根据权利要求2或3所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在于，第二状态转移概率为：
其中，m为下一步转移允许的j的总数，为第一状态转移概率；表示在t时刻第k只蚂蚁由服务i移动到j服务的概率；allowedk表示在t时刻第k只蚂蚁接下来可以选择的服务。
7.根据权利要求2或3所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在于，信息素更新公式为：
τij(t+n)＝(1-ρ)·τij(t)+Δτij(t)+q·f(xn)
其中，ρ为信息素挥发度，ρ∈[0,1)；Δτij(t)表示执行完一次寻优后线路(i,j)上的信息素增量，初始化时Δτij(t)＝0；表示第k只蚂蚁在执行完一次寻优后留在线路(i,j)上的信息素增量，f(xn)为混沌变量，q为系数，τij(t)为信息素，τij(t+n)表示完成对n个服务遍历后(i,j)路径上的信息素，M表示总的蚂蚁数，k表示第k个蚂蚁，前期阶段ρ＝ρlow，中期阶段ρ＝ρmid，后期阶段ρ＝ρhigh，且ρmid＜ρmid＜ρhigh，其中，ρlow是前期阶段的信息素挥发度，ρmid是中期阶段的信息素挥发度，ρhigh是后期阶段的信息素挥发度。
8.根据权利要求4所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在于，信息素更新公式为：
τij(t+n)＝(1-ρ)·τij(t)+Δτij(t)
其中，τij(t+n)表示完成对n个服务遍历后(i,j)路径上的信息素，ρ为信息素挥发度，ρ∈[0,1)，τij(t)为信息素，Δτij(t)表示执行完一次寻优后线路(i,j)上的信息素增量。
CN201610548769.6A 2016-07-13 2016-07-13 基于动态自适应混沌蚁群算法的Web服务组合方法 Active CN106022475B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610548769.6A CN106022475B (zh) 2016-07-13 2016-07-13 基于动态自适应混沌蚁群算法的Web服务组合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610548769.6A CN106022475B (zh) 2016-07-13 2016-07-13 基于动态自适应混沌蚁群算法的Web服务组合方法

Publications (2)

Publication Number Publication Date
CN106022475A CN106022475A (zh) 2016-10-12
CN106022475B true CN106022475B (zh) 2018-08-03

Family

ID=57109762

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610548769.6A Active CN106022475B (zh) 2016-07-13 2016-07-13 基于动态自适应混沌蚁群算法的Web服务组合方法

Country Status (1)

Country Link
CN (1) CN106022475B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107317699B (zh) * 2017-05-25 2020-11-13 南京邮电大学 一种云制造服务组合的动态蚁群快速优选方法
CN112085143B (zh) * 2020-07-31 2022-08-26 南京邮电大学 基于同化机制的混沌蚁群算法及Web服务组合优化方法
CN113673662B (zh) * 2021-08-02 2024-01-09 南京邮电大学 一种基于反向学习的混沌蜂群Web服务组合优化方法
CN115361303B (zh) * 2022-07-08 2023-09-29 南京邮电大学 一种基于动态飞行蚁群算法的Web服务组合优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932422A (zh) * 2012-09-29 2013-02-13 南京邮电大学 基于改进蚁群算法的云环境任务调度方法
CN103002520A (zh) * 2012-06-06 2013-03-27 北京邮电大学 多模终端选择能够保证服务质量的目标网络的方法
CN103903062A (zh) * 2014-03-12 2014-07-02 国家电网公司 基于双蚁群优化的配电网网络重构方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9536192B2 (en) * 2014-06-23 2017-01-03 International Business Machines Corporation Solving vehicle routing problems using evolutionary computing techniques

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103002520A (zh) * 2012-06-06 2013-03-27 北京邮电大学 多模终端选择能够保证服务质量的目标网络的方法
CN102932422A (zh) * 2012-09-29 2013-02-13 南京邮电大学 基于改进蚁群算法的云环境任务调度方法
CN103903062A (zh) * 2014-03-12 2014-07-02 国家电网公司 基于双蚁群优化的配电网网络重构方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Application of Chaos Ant Colony Algorithm in Web Service composition based on;Wang Yunwu;《2009 International Forum on Information Technology and Applications》;20090904;第225-227页 *
综合功能属性和非功能属性的Web服务组合研究;宗方;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140915;第I139-123页 *

Also Published As

Publication number Publication date
CN106022475A (zh) 2016-10-12

Similar Documents

Publication Publication Date Title
CN106022475B (zh) 基于动态自适应混沌蚁群算法的Web服务组合方法
Dalal et al. Halo assembly bias in hierarchical structure formation
CN103593353B (zh) 信息搜索方法、展示信息排序权重值确定方法及其装置
CN105207821B (zh) 一种面向业务的网络综合性能评估方法
CN109634744B (zh) 一种基于云平台资源分配的精确匹配方法，设备及存储介质
CN106203935B (zh) 基于用户生成内容及用户关系的技能评估与岗位匹配方法
CN101398836A (zh) 基于主客观指标及权重分配的搜索排序方法
CN102567851B (zh) 一种云计算环境下安全感知的科学工作流数据布局方法
CN104468413B (zh) 一种网络服务方法及系统
CN109871622A (zh) 一种基于深度学习的低压台区线损计算方法及系统
CN103298076A (zh) 一种异构网络中的接入网络选择的方法
CN103336771B (zh) 基于滑动窗口的数据相似检测方法
CN101465749A (zh) 基于Web Service组合的问答服务构建方法
CN101360064A (zh) 一种实现网络资源选择的方法和装置
CN107317699A (zh) 一种云制造服务组合的动态蚁群快速优选方法
CN105024886B (zh) 一种基于用户元数据的快速Web服务QoS预测方法
CN108416368A (zh) 样本特征重要性的确定方法及装置，电子设备
CN103824127B (zh) 云计算环境下服务的自适应组合优化方法
CN106230827A (zh) 一种基于成本效益优化的多目标服务组合方法
CN108024307A (zh) 一种基于物联网的异构网络接入选择方法及系统
CN105761154A (zh) 一种社会化推荐方法及装置
CN111523768A (zh) 一种基于熵权-topsis的广义需求侧资源品质评价方法
CN110162716A (zh) 一种基于社区检索的影响力社区搜索方法和系统
CN109787836A (zh) 基于遗传算法的vnf调度方案的确定方法及装置
CN113450031A (zh) 居民智慧用能服务潜在台区选取方法及装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20181214

Address after: 226000 Room 8319, Building 11, Happy New Town, Gangzha District, Nantong City, Jiangsu Province

Patentee after: Nanjing University of Posts and Telecommunications Nantong Institute Limited

Address before: 210003 new model road 66, Gulou District, Nanjing, Jiangsu

Patentee before: Nanjing Post & Telecommunication Univ.

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210226

Address after: 226001 22 / F, Tongdu building, Nantong Development Zone, Nantong City, Jiangsu Province

Patentee after: Shenzhou Longxin Intelligent Technology Co.,Ltd.

Address before: Room 8319, building 11, Xingfu new town, Gangzha District, Nantong City, Jiangsu Province, 226000

Patentee before: NANJING UNIVERSITY OF POSTS AND TELECOMMUNICATIONS INSTITUTE AT NANTONG Co.,Ltd.

TR01 Transfer of patent right
CP02 Change in the address of a patent holder

Address after: Room 1702, building 19, jianghaijiayuan, Gangzha District, Nantong City, Jiangsu Province 226001

Patentee after: Shenzhou Longxin Intelligent Technology Co.,Ltd.

Address before: 226001 22 / F, Tongdu building, Nantong Development Zone, Nantong City, Jiangsu Province

Patentee before: Shenzhou Longxin Intelligent Technology Co.,Ltd.

CP02 Change in the address of a patent holder