CN106230827A - 一种基于成本效益优化的多目标服务组合方法 - Google Patents

Abstract

本发明公开了一种基于成本效益优化的多目标服务组合方法，包括多目标服务组合模型和基于精英指导的多目标人工蜂群算法EMOABC两部分，多目标服务组合模型中，以最大化服务质量，最小化成本为两个优化目标，将服务组合问题建模为多目标整数规划模型；EMOABC算法用蜜蜂的觅食来模拟对服务组合方案的搜索。本发明提出的基于成本效益优化的多目标服务组合模型可以满足用户的复杂需求，提出的EMOABC算法无论在运行效率还是求解质量上相较于其他算法均具有明显优势。

Description

一种基于成本效益优化的多目标服务组合方法

技术领域

本发明涉及一种基于成本效益优化的多目标服务组合方法，属于面向服务计算技术领域。

背景技术

在面向服务计算模式下，服务作为一种随时可被访问的资源，极大地方便了用户的使用。服务的松散耦合性和高可复用性使得当单个服务无法满足用户需求时，可以进行组合来提供复杂的功能。服务组合技术可以实现资源的共享，因而是近年来的一个研究热点。然而，云计算的推广导致网络中服务数量的激增，这就要求服务组合方法具有更高的有效性。

服务组合是在每个服务群中选择出合适的服务组件进行绑定，再根据业务流程将各服务组件进行组合成为一个带有复杂功能的新服务的过程。由于网络中服务数量的快速增长，使得满足相同功能需求的服务越来越多，因此服务质量常被用来描述服务的非功能属性并在组合过程中对服务加以区分。

以往的研究大多是将服务组合问题作为单目标优化问题来考虑，其研究重点在于如何有效构造组合服务使其满足所有的约束条件并且其QoS全局最优。然而，这种单一目标的优化简化了用户需求的多样性，所获得的最优服务组合方案并不能真正满足用户的需求。在实际的运用中，用户更希望获得“性价比”优的服务组合方案，即在有限的成本下选取质量最优的方案。这种复杂的需求迫使我们要将服务组合问题转化为多目标优化问题，通过相应的算法求解出一组最优非劣解，让用户根据自身偏好来进行选择。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于成本效益优化的多目标服务组合方法。

为解决上述技术问题，本发明提供一种基于成本效益优化的多目标服务组合方法，其特征在于，包括以下步骤：

1)构建基于成本效益优化的多目标服务组合模型，将服务组合问题建模为多目标整数规划模型；

2)采用基于精英指导的多目标人工蜂群算法对步骤1)构建的多目标服务组合模型进行求解；

3)根据步骤2)的求解结果，用户选择一种服务组合方案。

前述的步骤1)构建基于成本效益优化的多目标服务组合模型，具体包括以下步骤：

1-1)、构建最大化服务质量优化目标：

1-1-1)、计算每个单一服务ws_i,j的质量属性，记为：q(ws_i,j)＝{q_rt,q_a,q_t,q_re}，

其中，ws_i,j表示第i个服务群S_i中的第j个候选服务，且1≤i≤m，m为服务群的数量，且1≤j≤n，n为候选服务的数量，假设所有服务群中候选服务的数量均相等；q_rt为单一服务的反馈时间，q_a为单一服务的可用性，q_t为单一服务的吞吐量，q_re为单一服务的信誉；

1-1-2)、计算组合服务cs的质量属性，记为：Q(cs)＝{Q_rt,Q_a,Q_t,Q_re}，

其中，cs表示组合服务，Q_rt为组合服务的反馈时间，Q_a为组合服务的可用性，Q_t为组合服务的吞吐量，Q_re为组合服务的信誉；

1-1-3)、对组合服务的质量属性进行归一化操作，用Q_k统一表示组合服务的质量属性Q_rt,Q_a,Q_t,Q_re，且1≤k≤r，r为质量属性的个数，归一化结果用UniQ_k来表示；Q_a，Q_t，Q_re的归一化计算公式如下：

${\mathrm{UniQ}}_k=\left\{\begin{array}{cc}\frac{Q_k-\min Q_k}{\max Q_k-\min Q_k},& \begin{array}{cc}if& \max Q_k\≠\min Q_k\end{array}\\ 1,& \begin{array}{cc}if& \max Q_k=\min Q_k\end{array}\end{array}\right.---\left(1\right)$

Q_rt的归一化计算公式如下：

${\mathrm{UniQ}}_k=\left\{\begin{array}{cc}\frac{\max Q_k-Q_k}{\max Q_k-\min Q_k},& \begin{array}{cc}if& \max Q_k\≠\min Q_k\end{array}\\ 1,& \begin{array}{cc}if& \max Q_k=\min Q_k\end{array}\end{array}\right.---\left(2\right)$

其中，max Q_k表示所有组合路径中第k维属性的最大值，min Q_k表示所有组合路径中第k维属性的最小值；

1-1-4)、构建优化目标，采用简单加权和法来计算组合服务的质量，令组合服务的各质量属性的权重分别为ω_rt,ω_a,ω_t,ω_re，则组合服务的质量函数f_per的计算方法如下：

f_per＝UniQ_rt*ω_rt+UniQ_a*ω_a+UniQ_t*ω_t+UniQ_re*ω_re (3)

其中，Q_rt的归一化结果为UniQ_rt，Q_a的归一化结果为UniQ_a，Q_t的归一化结果为UniQ_t，Q_re的归一化结果为UniQ_re；

1-2)、构建最小化成本优化目标：

记服务的成本为q_c，组合时，其聚合函数为：

$Q_c={\mathrm{\Σ}}_{i=1}^m{q}_c\left({\mathrm{ws}}_{i,j}\right),1\≤j\≤n---\left(4\right)$

服务的成本函数f_c用归一化值来表示，计算公式为：

$f_c={\mathrm{UniQ}}_c=\frac{Q_c-\min Q_c}{\max Q_c-\min Q_c}---\left(5\right)$

其中，max Q_c表示所有组合路径中属性q_c的最大值，min Q_c表示所有组合路径中属性q_c的最小值；

1-3)、构建基于成本效益优化的多目标服务组合模型：

令组合服务的质量最大化max f_per，成本最小化min f_c为两个优化目标，为便于求解，将max f_per转化为min(-f_per)，转化后模型如下：

min y＝f(x)＝[-f_per,f_c] (6)

约束条件：

Q_rt≤RT

Q_a≥A

Q_t≥T

Q_re≥RE

Q_c≤C

其中，y表示目标函数，RT、A、T、RE、C分别表示反馈时间、可用性、吞吐量、信誉、成本的全局约束。

前述的步骤2)采用基于精英指导的多目标人工蜂群算法进行求解，具体包括以下步骤：

2-1)、对食物源进行编码，所述食物源为服务组合方案，具体是采用整数数组编码方法对服务组合方案进行编码；

2-2)、进行算法初始化：

随机产生SN个可行解{x₁,x₂,...,x_SN}即食物源作为初始种群，SN表示食物源的数量，第d个食物源为x_d，且1≤d≤SN；

每个可行解x_d均为m维数组，表示为：

其中，m为服务群的数量，在该数组中，每个元素表示服务群S_i对应的候选服务ws_i,j的下标j的值，其值为[lb,ub]范围内的整数，下界lb为1，上界ub为该服务群中候选服务的总数n；

初始化具体包含以下步骤：

2-2-1)、的初始化计算公式为：

其中，为向下取整操作，

重复执行m次，得到m维数组x_d；

2-2-2)、判断产生的可行解x_d是否满足约束条件式(7)，如满足，就继续；如不满足，则返回步骤2-2-1)重新生成可行解；

2-2-3)、根据公式(3)和公式(5)计算可行解x_d的目标函数(-f_per)和f_c的值；

2-2-4)、重复执行步骤2-2-1)和步骤2-2-2)，直到产生SN个可行解{x₁,x₂,...,x_SN}；

2-2-5)、对生成的SN组食物源进行非支配排序，并计算其拥挤距离；

2-2-6)、保存目前种群中排名为1的解作为精英解集；

2-3)、雇佣蜂行为：

2-3-1)、每一只雇佣蜂d在其所依附的食物源x_d的领域内根据精英指导策略进行局部搜索，并计算新的食物源位置v_d的目标函数(-f_per)和f_c值，重复执行SN次，产生2*SN组食物源；

2-3-2)、对生成的2*SN组食物源进行非支配排序，并计算其拥挤距离；

2-3-3)、保存目前种群中排名为1的解作为精英解集；

2-3-4)、根据种群选择策略选择前SN组作为当前新的种群P；

2-4)、观察蜂行为：

2-4-1)、每一只观察蜂依据选择概率采取轮盘赌法来选择食物源，并在当前所附食物源x_d的邻域内根据精英指导策略进行局部搜索，并计算新的食物源位置v_d的目标函数(-f_per)和f_c值；

2-4-2)、对生成的新的食物源集合进行非支配排序，并计算其拥挤距离；

2-4-3)、保存目前种群中排名为1的解作为精英解集；

2-4-4)、根据种群选择策略选择前SN组作为当前新的种群P；

2-5)、侦查蜂行为：

当食物源迭代limit次均无更新时，雇佣蜂成为侦察蜂，随机产生一个新的食物源位置重新开始搜索，其中limit值在算法初始化过程中进行设置；

2-6)、判断迭代次数是否达到最大循环次数MCN，达到则返回当前种群P作为最优解集P*；否则返回步骤2-3)。

前述的步骤2-3-1)和步骤2-4-1)中，根据精英指导策略进行局部搜索，公式为：

其中，v_d为生成的新的食物源位置，上标i为从m维数组中随机选择的一个维度，为[-1,1]之间的随机数，为当前雇佣蜂所依附食物源x_d的第i个元素，为食物源x_e的第i个元素，e∈{1,2,...,SN}且e≠d，为[0,2]之间的随机数，yⁱ为精英解集中随机选择的任一解的第i个元素；表示向下取整操作；若超出[lb,ub]边界，则使用边界值。

前述的步骤2-4-1)中每一只观察蜂依据选择概率采取轮盘赌法来选择食物源的具体步骤如下：

2-4-1-1)、将目标函数值进行归一化：

${f_k}^{\′}\left(x_d\right)=\left\{\begin{array}{cc}\frac{\max f_k-f_k\left(x_d\right)}{\max f_k-\min f_k},& \begin{array}{cc}if& \max f_k\≠\min f_k\end{array}\\ 1,& \begin{array}{cc}if& \max f_k=\min f_k\end{array}\end{array}\right.---\left(10\right)$

其中， f_k(x_d)为可行解x_d的第k个目标函数值，k＝1,2；

2-4-1-2)、计算可行解x_d的适应度fit(x_d)，其公式为：

$fit\left(x_d\right)=\frac{1}{u}*\left({\mathrm{\Σ}}_{k=1}^u{f_k}^{\′}\right(x_d\left)\right)---\left(11\right)$

其中，u为目标函数的个数；

2-4-1-3)、计算选择概率p_d，其公式为：

$p_d=\frac{0.9\×fit\left(x_d\right)}{{\max }_{d=1}^{SN}fit\left(x_d\right)}+0.1---\left(12\right)$

其中，SN为食物源的数量；

2-4-1-4)、观察蜂行动前，首先生成一个(0,1)的随机数，如果该数大于p_d，则观察蜂不动；反之，该随机数小于p_d，此观察蜂依附到食物源x_d上，并在当前所附食物源x_d的邻域内根据精英指导策略进行局部搜索。

本发明所达到的有益效果：

本发明与现有技术相比，其显著优点为：1)现有的服务组合优化研究都是以服务质量最大化作为优化目标，限制了用户的多样化需求，本发明的基于成本效益优化的多目标服务组合模型可以满足用户对服务组合的复杂需求；2)在经典的人工蜂群算法中加入多目标优化策略，提出基于精英指导的多目标人工蜂群算法，无论在运行效率还是求解质量上相较于其他算法均具有明显优势。

附图说明

图1是本发明方法流程图；

图2为实施例中的实验对比结果图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明的基于成本效益优化的多目标服务组合方法，首先构建基于成本效益优化的多目标服务组合模型，以最大化QoS，最小化成本为两个目标同时进行优化，将服务组合问题建模为多目标整数规划问题；在原始的人工蜂群算法中加入多目标优化策略，采用基于精英指导的多目标人工蜂群算法EMOABC对上述模型进行求解。具体包括以下步骤：

步骤1、构建基于成本效益优化的多目标服务组合模型，将服务组合问题建模为多目标整数规划模型。具体如下：

步骤1-1、构建最大化服务质量优化目标：

步骤1-1-1、计算每个单一服务ws_i,j的质量属性，记为q(ws_i,j)＝{q_rt,q_a,q_t,q_re}，其中，ws_i,j表示第i个服务群S_i中的第j个候选服务，且1≤i≤m，m为服务群的数量，且1≤j≤n，n为候选服务的数量，假设所有服务群中候选服务的数量均相等；其他符号的含义和计算公式如下：

q_rt为反馈时间：表示用户从给服务ws_i,j发送请求到接收服务反馈的时间，包括请求在发送和接收过程中的信号传输时间t_send、t_response及服务运行的时间t_process，通常以’ms’为单位，其计算公式为：q_rt(ws_i,j)＝t_send+t_process+t_response；

q_a为可用性：表示服务ws_i,j调用成功的概率，为被成功调用的时间t_success与总统计时间t_total的比值，其计算公式为：q_a(ws_i,j)＝t_success/t_total；

q_t为吞吐量：表示服务ws_i,j的调用频率，为调用总次数N_total与总统计时间t_total的比值，单位为’次/s’，其计算公式为：q_t(ws_i,j)＝N_total/t_total；

q_re为信誉：表示用户使用后对服务的满意度评价；

步骤1-1-2、计算组合服务cs的质量属性，记为Q(cs)＝{Q_rt,Q_a,Q_t,Q_re}，针对各属性的不同，聚合操作有平均AVERAGE、最小MIN、求和SUM、乘积PRODUCT四种形式。其中，cs表示组合服务，假设ws_i,j为在第i个服务群中挑选出来进行组合的候选服务，其他符号的具体含义及计算公式如下：

Q_rt为反馈时间，其计算公式为：

Q_a为可用性，其计算公式为：

Q_t为吞吐量，其计算公式为：

Q_re为信誉，其计算公式为：

步骤1-1-3、归一化操作，用Q_k表示组合服务的质量属性，且1≤k≤r，r为质量属性的个数，即Q_rt,Q_a,Q_t,Q_re统一用Q_k表示，其归一化结果用UniQ_k来表示，即Q_rt的归一化结果为UniQ_rt，Q_a的归一化结果为UniQ_a，Q_t的归一化结果为UniQ_t，Q_re的归一化结果为UniQ_re，则可用性、吞吐量、信誉的归一化计算公式如下：

${\mathrm{UniQ}}_k=\left\{\begin{array}{cc}\frac{Q_k-\min Q_k}{\max Q_k-\min Q_k},& \begin{array}{cc}if& \max Q_k\≠\min Q_k\end{array}\\ 1,& \begin{array}{cc}if& \max Q_k=\min Q_k\end{array}\end{array}\right.---\left(1\right)$

反馈时间的归一化计算公式如下：

${\mathrm{UniQ}}_k=\left\{\begin{array}{cc}\frac{\max Q_k-Q_k}{\max Q_k-\min Q_k},& \begin{array}{cc}if& \max Q_k\≠\min Q_k\end{array}\\ 1,& \begin{array}{cc}if& \max Q_k=\min Q_k\end{array}\end{array}\right.---\left(2\right)$

其中，max Q_k表示所有组合路径中第k维属性的最大值，min Q_k表示所有组合路径中第k维属性的最小值，如果两者相等，则属性的归一化值为1；

步骤1-1-4、构建优化目标，采用简单加权和法来计算组合服务的质量，即给各属性按照重要程度赋予不同的权重，再通过加权和进行计算。令组合服务的各质量属性的权重分别为ω_rt,ω_a,ω_t,ω_re，则组合服务的质量函数f_per的计算方法如下：

f_per＝UniQ_rt*ω_rt+UniQ_a*ω_a+UniQ_t*ω_t+UniQ_re*ω_re (3)。

步骤1-2、构建最小化成本优化目标，记服务的成本为q_c，表示用户使用服务所必须支付的费用。组合时，其聚合函数为：

$Q_c={\mathrm{\Σ}}_{i=1}^m{q}_c\left({\mathrm{ws}}_{i,j}\right),1\≤j\≤n---\left(4\right)$

服务的成本函数f_c用归一化值来表示，计算公式为：

$f_c={\mathrm{UniQ}}_c=\frac{Q_c-\min Q_c}{\max Q_c-\min Q_c}---\left(5\right)$

其中，max Q_c表示所有组合路径中属性q_c的最大值，min Q_c表示所有组合路径中属性q_c的最小值。

步骤1-3、构建基于成本效益优化的多目标服务组合模型，令组合服务的质量最大化max f_per，成本最小化min f_c为两个优化目标，为便于求解，将max f_per转化为min(-f_per)，转化后模型如下：

min y＝f(x)＝[-f_per,f_c] (6)

约束条件：

Q_rt≤RT

Q_a≥A

Q_t≥T

Q_re≥RE

Q_c≤C

其中，y表示目标函数，RT、A、T、RE、C分别表示反馈时间、可用性、吞吐量、信誉、成本的全局约束；后2个表示下标的类型与取值范围，其中i表示服务群，其范围为[1,m]且为整数，m为服务群的总数；j表示服务群中的候选服务，其范围为[1,n]且为整数。

步骤2、采用基于精英指导的多目标人工蜂群算法EMOABC对模型进行求解，算法主要流程如图1所示。具体如下：

步骤2-1、对食物源进行编码，所述食物源为服务组合方案，具体是采用整数数组编码方法对服务组合方案进行编码。食物源的数量为SN，食物源集合为种群P＝{x₁,x₂,...,x_SN}。在整数数组编码方案中，每个食物源x_d用m维数组表示，其中，数组大小m为服务群的数量。在该数组中，每个元素表示服务群S_i中包含的候选服务ws_i,j的下标j的值，其值为[lb,ub]范围内的整数。其下界lb为1，上界ub为该服务群中候选服务的总数n。

步骤2-2、算法初始化：

随机产生SN个可行解{x₁,x₂,...,x_SN}即食物源作为初始种群，SN表示食物源的数量，第d个食物源为x_d，即且1≤d≤SN；每个可行解x_d均为m维数组，表示为其中，m为服务群的数量；在该数组中，每个元素表示服务群S_i对应的候选服务ws_i,j的下标j的值，初始化阶段具体包含以下步骤：

步骤2-2-1、的初始化计算公式为：

其中，为向下取整操作，以保证食物源的每一维均为整数，重复执行m次，得到m维数组x_d，即为初始方案；

步骤2-2-2、判断产生的可行解x_d是否满足步骤1-3中的约束条件，如满足，就继续；如不满足，则返回步骤2-2-1重新生成可行解；

步骤2-2-3、根据步骤1中的公式(3)和公式(5)计算可行解x_d的目标函数(-f_per)和f_c的值；

步骤2-2-4、重复执行步骤2-2-1和步骤2-2-2，直到产生SN个可行解{x₁,x₂,...,x_SN}；

步骤2-2-5、对生成的SN组食物源进行非支配排序，并计算其拥挤距离；

步骤2-2-6、保存目前种群中排名为1的解作为精英解集。

步骤2-3、雇佣蜂行为：

步骤2-3-1、每一只雇佣蜂d在其所依附的食物源x_d的领域内根据精英指导策略进行局部搜索，其公式为：

其中，v_d为生成的新的食物源位置，上标i为从m维数组中随机选择的一个维度，i∈{1,2,...,m}，为[-1,1]之间的随机数，为当前雇佣蜂所依附食物源x_d的第i个元素，为食物源x_e的第i个元素，e∈{1,2,...,SN}且e≠d，为[0,2]之间的随机数，yⁱ为精英解集ES中随机选择的任一解的第i个元素；表示向下取整操作，以保证新的食物源位置均为整数；若超出[lb,ub]边界，则使用边界值；之后计算新的食物源位置v_d的目标函数(-f_per)和f_c值。d＝1,2,...,SN，即重复执行SN次。此时共产生2*SN组食物源；

步骤2-3-2、对生成的2*SN组食物源进行非支配排序，并计算其拥挤距离；

步骤2-3-3、保存目前种群中排名为1的解作为精英解集ES；

步骤2-3-4、根据种群选择策略选择前SN组作为当前新的种群P。

步骤2-4、观察蜂行为：

步骤2-4-1、每一只观察蜂依据选择概率采取轮盘赌法来选择食物源，选择概率的计算步骤如下：

步骤2-4-1-1、将目标函数值进行归一化：

${f_k}^{\′}\left(x_d\right)=\left\{\begin{array}{cc}\frac{\max f_k-f_k\left(x_d\right)}{\max f_k-\min f_k},& \begin{array}{cc}if& \max f_k\≠\min f_k\end{array}\\ 1,& \begin{array}{cc}if& \max f_k=\min f_k\end{array}\end{array}\right.---\left(10\right)$

其中， f_k(x_d)为可行解x_d的第k个目标函数值，步骤1-3)中构建的基于成本效益优化的多目标服务组合模型含2个优化目标函数(-f_per)和f_c，因此k的值为1或2。可行解x_d的目标函数值经过归一化后的值f_k'(x_d)∈[0,1]；

步骤2-4-1-2、计算可行解x_d的适应度，其公式为：

$fit\left(x_d\right)=\frac{1}{u}*\left({\mathrm{\Σ}}_{k=1}^u{f_k}^{\′}\right(x_d\left)\right)---\left(11\right)$

其中，u为目标函数的个数；

步骤2-4-1-3、计算选择概率p_d，其公式为：

$p_d=\frac{0.9\×fit\left(x_d\right)}{{\max }_{d=1}^{SN}fit\left(x_d\right)}+0.1---\left(12\right)$

其中，SN为食物源的数量；

步骤2-4-1-4、观察蜂行动前，首先生成一个(0,1)的随机数，如果该数大于p_d，则观察蜂不动；反之，该随机数小于p_d，此观察蜂依附到食物源x_d上，并在当前所附食物源x_d的邻域内根据精英指导策略进行局部搜索，局部搜索的公式为式(9)，并计算新的食物源位置v_d的目标函数(-f_per)和f_c值；

步骤2-4-2、对生成的新的食物源集合进行非支配排序，并计算其拥挤距离；

步骤2-4-3、保存目前种群中排名为1的解作为精英解集；

步骤2-4-4、根据种群选择策略选择前SN组作为当前新的种群P。

步骤2-5、侦查蜂行为：

当食物源迭代limit次均无更新时，雇佣蜂成为侦察蜂，随机产生一个新的食物源位置重新开始搜索，其中limit值在算法初始化过程中进行设置。

步骤2-6、判断迭代次数是否达到最大循环次数MCN，达到则返回当前种群P作为最优解集P*；否则返回步骤2-3。

步骤3、根据EMOABC算法的结果，用户可选择一种服务组合方案。

实施例

随机生成50万个模拟服务数据，每个服务对于各质量属性的评价值在(0,1)范围内均匀分布。实验环境为：Intel Core i3-2370M(2.4GHz)，6.0GB RAM，Windows 7(64bit)，MATLAB R2010b。将EMOABC算法与同类算法进行对比。实验中，各算法采用相同的控制参数，种群数为50，所有的实验结果取30次实验的平均值。对比算法的参数设置如下：

1)NSGA-II：交叉概率设为0.9，变异概率为0.1，采取模拟二进制交叉和多项式变异策略，交叉和变异算子的分布索引均为20；

2)MOPSO：存储库大小为种群数，惯性权重w为0.4，个体学习系数c₁和全局学习系数c₂均为(0,1)范围内的随机数，每一维的网格数为10；

3)MOABC：limit为20，采用原始局部搜索策略；

4)EMOABC：limit为20，采用精英指导局部搜索策略。

为了对各多目标优化函数的性能作出定量评估，采用以下评价指标，其含义及计算公式如下：

1)世代距离(GD)：描述算法求得的解的PF值离真实的PF^*中各点的距离，是反映求解质量的指标，计算公式为：其中，SN表示各算法结束后，获得的可行解数量，p_d表示PF^*中所有真实点离可行解x_d对应PF值的最小欧拉距离；

2)差错率(ER)：描述各算法求得的解的PF值在真实的PF^*集合中的比率，也是反映求解质量的指标。计算公式为：其中，e_d＝0表示可行解x_d在PF^*中，否则e_d＝1；

3)扩展范围(SPR)：描述解的扩展程度，计算公式为：其中，p_d表示第d个解和第d+1个解之间的连续欧拉距离，为所有p_d的平均值，是P*中对应于第k个目标函数的极值解和获得的解集P的边界解之间的欧拉距离；

4)运行时间(Time,TI)：描述算法运行的时间，是反映算法性能的指标，TI的值越小说明算法效率越高。

令服务群数m为100，每个服务群中候选服务数n为500，进行实验，实验结果如图2所示。

由图2可知，从算法运行来看，EMOABC和MOABC效率相近，MOPSO次之，NSGA-II最慢；从求解质量上看，EMOABC在指标GD、SPR和TI上，均优于其他算法。

综上可知，本发明的EMOABC算法无论是在求解质量上还是求解效率上，均具有相当的优势，从而验证了本发明方法的有效性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于成本效益优化的多目标服务组合方法，其特征在于，包括以下步骤：

1)构建基于成本效益优化的多目标服务组合模型，将服务组合问题建模为多目标整数规划模型；

2)采用基于精英指导的多目标人工蜂群算法对步骤1)构建的多目标服务组合模型进行求解；

3)根据步骤2)的求解结果，用户选择一种服务组合方案。

2.根据权利要求1所述的一种基于成本效益优化的多目标服务组合方法，其特征在于，所述步骤1)构建基于成本效益优化的多目标服务组合模型，具体包括以下步骤：

1-1)、构建最大化服务质量优化目标：

1-1-1)、计算每个单一服务ws_i,j的质量属性，记为：q(ws_i,j)＝{q_rt,q_a,q_t,q_re}，

其中，ws_i,j表示第i个服务群S_i中的第j个候选服务，且1≤i≤m，m为服务群的数量，且1≤j≤n，n为候选服务的数量，假设所有服务群中候选服务的数量均相等；q_rt为单一服务的反馈时间，q_a为单一服务的可用性，q_t为单一服务的吞吐量，q_re为单一服务的信誉；

1-1-2)、计算组合服务cs的质量属性，记为：Q(cs)＝{Q_rt,Q_a,Q_t,Q_re}，

其中，cs表示组合服务，Q_rt为组合服务的反馈时间，Q_a为组合服务的可用性，Q_t为组合服务的吞吐量，Q_re为组合服务的信誉；

1-1-3)、对组合服务的质量属性进行归一化操作，用Q_k统一表示组合服务的质量属性Q_rt,Q_a,Q_t,Q_re，且1≤k≤r，r为质量属性的个数，归一化结果用UniQ_k来表示；Q_a，Q_t，Q_re的归一化计算公式如下：

${\mathrm{UniQ}}_k=\left\{\begin{array}{cc}\frac{Q_k-\min Q_k}{\max Q_k-\min Q_k},& if\max Q_k\≠\min Q_k\\ 1,& if\max Q_k=\min Q_k\end{array}\right.---\left(1\right)$

Q_rt的归一化计算公式如下：

${\mathrm{UniQ}}_k=\left\{\begin{array}{cc}\frac{\max Q_k-Q_k}{\max Q_k-\min Q_k},& if\max Q_k\≠\min Q_k\\ 1,& if\max Q_k=\min Q_k\end{array}\right.---\left(2\right)$

其中，max Q_k表示所有组合路径中第k维属性的最大值，min Q_k表示所有组合路径中第k维属性的最小值；

1-1-4)、构建优化目标，采用简单加权和法来计算组合服务的质量，令组合服务的各质量属性的权重分别为ω_rt,ω_a,ω_t,ω_re，则组合服务的质量函数f_per的计算方法如下：

f_per＝UniQ_rt*ω_rt+UniQ_a*ω_a+UniQ_t*ω_t+UniQ_re*ω_re (3)

其中，Q_rt的归一化结果为UniQ_rt，Q_a的归一化结果为UniQ_a，Q_t的归一化结果为UniQ_t，Q_re的归一化结果为UniQ_re；

1-2)、构建最小化成本优化目标：

记服务的成本为q_c，组合时，其聚合函数为：

$Q_c={\mathrm{\Σ}}_{i=1}^m{q}_c\left({\mathrm{ws}}_{i,j}\right),1\≤j\≤n---\left(4\right)$

服务的成本函数f_c用归一化值来表示，计算公式为：

$f_c={\mathrm{UniQ}}_c=\frac{Q_c-\min Q_c}{\max Q_c-\min Q_c}---\left(5\right)$

其中，max Q_c表示所有组合路径中属性q_c的最大值，min Q_c表示所有组合路径中属性q_c的最小值；

1-3)、构建基于成本效益优化的多目标服务组合模型：

令组合服务的质量最大化max f_per，成本最小化min f_c为两个优化目标，为便于求解，将max f_per转化为min(-f_per)，转化后模型如下：

min y＝f(x)＝[-f_per,f_c] (6)

约束条件：

Q_rt≤RT

Q_a≥A

Q_t≥T

Q_re≥RE

Q_c≤C

其中，y表示目标函数，RT、A、T、RE、C分别表示反馈时间、可用性、吞吐量、信誉、成本的全局约束。

3.根据权利要求2所述的一种基于成本效益优化的多目标服务组合方法，其特征在于，所述步骤2)采用基于精英指导的多目标人工蜂群算法进行求解，具体包括以下步骤：

2-1)、对食物源进行编码，所述食物源为服务组合方案，具体是采用整数数组编码方法对服务组合方案进行编码；

2-2)、进行算法初始化：

随机产生SN个可行解{x₁,x₂,...,x_SN}即食物源作为初始种群，SN表示食物源的数量，第d个食物源为x_d，且1≤d≤SN；

每个可行解x_d均为m维数组，表示为：

其中，m为服务群的数量，在该数组中，每个元素表示服务群S_i对应的候选服务ws_i,j的下标j的值，其值为[lb,ub]范围内的整数，下界lb为1，上界ub为该服务群中候选服务的总数n；

初始化具体包含以下步骤：

2-2-1)、的初始化计算公式为：

其中，为向下取整操作，

重复执行m次，得到m维数组x_d；

2-2-2)、判断产生的可行解x_d是否满足约束条件式(7)，如满足，就继续；如不满足，则返回步骤2-2-1)重新生成可行解；

2-2-3)、根据公式(3)和公式(5)计算可行解x_d的目标函数(-f_per)和f_c的值；

2-2-4)、重复执行步骤2-2-1)和步骤2-2-2)，直到产生SN个可行解{x₁,x₂,...,x_SN}；

2-2-5)、对生成的SN组食物源进行非支配排序，并计算其拥挤距离；

2-2-6)、保存目前种群中排名为1的解作为精英解集；

2-3)、雇佣蜂行为：

2-3-1)、每一只雇佣蜂d在其所依附的食物源x_d的领域内根据精英指导策略进行局部搜索，并计算新的食物源位置v_d的目标函数(-f_per)和f_c值，重复执行SN次，产生2*SN组食物源；

2-3-2)、对生成的2*SN组食物源进行非支配排序，并计算其拥挤距离；

2-3-3)、保存目前种群中排名为1的解作为精英解集；

2-3-4)、根据种群选择策略选择前SN组作为当前新的种群P；

2-4)、观察蜂行为：

2-4-1)、每一只观察蜂依据选择概率采取轮盘赌法来选择食物源，并在当前所附食物源x_d的邻域内根据精英指导策略进行局部搜索，并计算新的食物源位置v_d的目标函数(-f_per)和f_c值；

2-4-2)、对生成的新的食物源集合进行非支配排序，并计算其拥挤距离；

2-4-3)、保存目前种群中排名为1的解作为精英解集；

2-4-4)、根据种群选择策略选择前SN组作为当前新的种群P；

2-5)、侦查蜂行为：

当食物源迭代limit次均无更新时，雇佣蜂成为侦察蜂，随机产生一个新的食物源位置重新开始搜索，其中limit值在算法初始化过程中进行设置；

2-6)、判断迭代次数是否达到最大循环次数MCN，达到则返回当前种群P作为最优解集P*；否则返回步骤2-3)。

4.根据权利要求3所述的一种基于成本效益优化的多目标服务组合方法，其特征在于，所述步骤2-3-1)和步骤2-4-1)中，根据精英指导策略进行局部搜索，公式为：

其中，v_d为生成的新的食物源位置，上标i为从m维数组中随机选择的一个维度，为[-1,1]之间的随机数，为当前雇佣蜂所依附食物源x_d的第i个元素，为食物源x_e的第i个元素，e∈{1,2,...,SN}且e≠d，为[0,2]之间的随机数，yⁱ为精英解集中随机选择的任一解的第i个元素；表示向下取整操作；若超出[lb,ub]边界，则使用边界值。

5.根据权利要求3所述的一种基于成本效益优化的多目标服务组合方法，其特征在于，所述步骤2-4-1)中每一只观察蜂依据选择概率采取轮盘赌法来选择食物源的具体步骤如下：

2-4-1-1)、将目标函数值进行归一化：

${f_k}^{\′}\left(x_d\right)=\left\{\begin{array}{cc}\frac{\max f_k-f_k\left(x_d\right)}{\max f_k-\min f_k},& if\max f_k\≠\min f_k\\ 1,& if\max f_k=\min f_k\end{array}\right.---\left(10\right)$

其中，f_k(x_d)为可行解x_d的第k个目标函数值，k＝1,2；

2-4-1-2)、计算可行解x_d的适应度fit(x_d)，其公式为：

$fit\left(x_d\right)=\frac{1}{u}*\left({\mathrm{\Σ}}_{k=1}^u{f_k}^{\′}\right(x_d\left)\right)---\left(11\right)$

其中，u为目标函数的个数；

2-4-1-3)、计算选择概率p_d，其公式为：

$p_d=\frac{0.9\×fit\left(x_d\right)}{{\max }_{d=1}^{SN}fit\left(x_d\right)}+0.1---\left(12\right)$

其中，SN为食物源的数量；

2-4-1-4)、观察蜂行动前，首先生成一个(0,1)的随机数，如果该数大于p_d，则观察蜂不动；反之，该随机数小于p_d，此观察蜂依附到食物源x_d上，并在当前所附食物源x_d的邻域内根据精英指导策略进行局部搜索。