CN107016461A - 一种混合多目标进化方法 - Google Patents

Abstract

本发明提供一种混合多目标进化方法，得到分布性较好的解。所述方法包括：在第G次迭代时，根据当前迭代次数调整自适应变异中的变异因子和交叉操作中的交叉因子，基于调整后的变异因子和交叉因子，利用自适应全局DE算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群；将第G代种群和子种群进行结合，确定每个个体的QoS指标值，根据确定的QoS指标值计算每个个体的非支配等级和拥挤度；根据计算得到的非支配等级和拥挤度，选择非支配等级低且拥挤度大的N个个体作为新种群；采用局部搜索方法对新种群中的非支配解集进行局部搜索，淘汰分布度不好的个体。本发明适用于互联云计算环境中的服务组合领域。

Description

一种混合多目标进化方法

技术领域

本发明涉及互联云计算环境中的服务组合领域，特别是指一种混合多目标进化方法。

背景技术

互联云环境下的服务组合(简称：互联云服务组合)，是要在不同地理位置的云提供商中寻找多个服务实例组合在一起，以完成用户提交的任务，并满足用户多个服务质量(QoS)指标的需求，因此是一个多目标优化问题。多目标进化算法能有效处理此类问题。但现有的算法大多没有自适应动态调整参数，并从局部进一步改善帕累托(Pareto)解的分布性，这样导致Pareto解的分布性较差，Pareto解中存在大量相似的解，从而不能给决策者提供更多合理有效的选择。

发明内容

本发明要解决的技术问题是提供一种混合多目标进化方法，以解决现有技术所存在的Pareto解的分布性较差的问题。

为解决上述技术问题，本发明实施例提供一种混合多目标进化方法，包括：

在第G次迭代时，根据当前迭代次数调整自适应变异中的变异因子和交叉操作中的交叉因子，基于调整后的变异因子和交叉因子，利用自适应全局DE算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群；

将第G代种群和子种群进行结合，确定结合后的种群中每个个体在多个目标下的QoS指标值，根据确定的QoS指标值计算结合后的种群中每个个体的非支配等级和拥挤度；

根据计算得到的结合后的种群中每个个体的非支配等级和拥挤度，选择非支配等级低且拥挤度大的N个个体作为新种群，其中，所述新种群包括：非支配解集；

采用局部搜索方法对新种群中的非支配解集进行局部搜索，淘汰分布度不好的个体。

进一步地，在第G次迭代时，根据当前迭代次数调整自适应变异中的变异因子和交叉操作中的交叉因子，基于调整后的变异因子和交叉因子，利用自适应全局DE算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群之前，所述方法还包括：

在第G次迭代时，计算第G代种群中所有个体在多个目标下的QoS指标值；

根据计算得到的第G代种群中每个个体在多个目标下的QoS指标值，计算第G代种群中每个个体的非支配等级和拥挤度；

根据计算得到的第G代种群中每个个体的非支配等级和拥挤度，从第G代种群中选出非支配等级最小且拥挤度最大的个体作为最优个体。

进一步地，所述计算第G代种群中每个个体的拥挤度包括：

通过拥挤度计算公式计算每个个体的拥挤度，所述拥挤度计算公式表示为：

其中，表示第G代种群中个体x_i,G的拥挤度距离，和分别表示个体x_i+1,G和x_i-1,G在目标m下的QoS指标值，m∈(1,2,…,M)，M表示目标总数，和分别表示在目标m下最大QoS值和最小QoS值。

进一步地，所述利用自适应全局DE算法对第G代种群中所有个体进行自适应变异包括：

通过自适应变异公式对第G代种群中所有个体进行自适应变异，得到第G代种群中每个个体的变异个体所述自适应变异公式表示为：

v_i,G＝(1-β)×x_r1,G+β×x_best,G+F×(x_r2,G-x_r3,G)

其中，v_i,G表示第G代种群中个体x_i,G的变异个体，β表示平衡参数，β＝G/G_max，G_max表示最大迭代次数，x_best,G表示第G代种群中最优的个体，F表示根据当前迭代次数调整后的变异因子，x_r1,G，x_r2,G，x_r3,G是第G代种群中不同于x_i,G的个体，r1，r2，r3∈{1,2,…,N}是随机生成的数，且r1≠r2≠r3≠i，N表示种群中个体的数目。

进一步地，在通过自适应变异公式对第G代种群中所有个体进行自适应变异，得到第G代种群中每个个体的变异个体之后，所述方法包括：

通过交叉公式对第G代种群中个体x_i,G和变异个体v_i,G进行交叉操作，得到交叉个体，所述交叉公式表示为：

其中，表示交叉个体u_i,G的第j个参数，是个体x_i,G的第j个参数，j∈(1,2,…,D)，D是个体中参数的个数，表示变异个体的第j个参数，CR表示根据当前迭代次数调整后的交叉因子，rand是[0，1]之间的随机数，α∈(1,2,…,D)是一个随机数。

进一步地，所述调整后的变异因子F表示为：

所述调整后的交叉因子CR表示为：

其中，G_max表示最大迭代次数，F_max和F_min分别为变异因子F的最大值和最小值，CR_max和CR_min分别为交叉因子CR的最大值和最小值，G表示第G代和当前迭代次数。

进一步地，所述采用局部搜索方法对新种群中的非支配解集进行局部搜索，淘汰分布度不好的个体包括：

对新种群中的非支配集按照目标m进行排序，排序后，通过距离临界值计算公式计算随种群密集程度自适应变化的距离临界值；

判断个体x_i,G和x_i+1,G之间的距离是否小于等于距离临界值δ；

若小于等于距离临界值δ，则个体x_i,G和x_i+1,G是相邻个体；

若个体x_i,G和x_i+1,G是相邻个体，则利用个体x_i-1,G和x_i+2,G产生新个体x_j,G，其中，新个体x_j,G处于x_i-1,G和x_i+2,G的中间位置；

从个体x_i,G和x_i+1,G中，留下距离x_j,G较近的个体，淘汰距离x_j,G较远的个体。

进一步地，所述距离临界值计算公式表示为：

其中，δ表示距离临界值，|F{1}|是新种群中的非支配个体的数目，dist_1,n表示新种群中非支配解集中的两个边界个体x_1,G和x_n,G之间的距离。

进一步地，所述方法包括：

通过距离公式计算两个个体之间的距离，所述距离公式表示为：

其中，dist_i,j表示两个个体x_i,G和x_j,G间的距离，和分别表示个体x_i,G和x_j,G在目标m下的QoS指标值，m∈(1,2,…,M)，M表示目标总数。

进一步地，所述方法包括：

利用个体x_i-1,G和x_i+2,G通过个体产生公式产生新个体x_j,G，所述个体产生公式表示为：

其中，和分别表示个体x_j,G，x_i-1,G和x_i+2,G在所有目标下的QoS指标值的集合。

本发明的上述技术方案的有益效果如下：

上述方案中，在第G次迭代时，根据当前迭代次数调整自适应变异中的变异因子和交叉操作中的交叉因子，基于调整后的变异因子和交叉因子，利用自适应全局DE算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群，从而能更有效的在解空间中搜索最优解，使混合多目标进化方法具有更好的收敛性和多样性；同时利用局部搜索方法，对新一代中的非支配解集进行局部搜索，淘汰分布度不好的个体，动态地维护种群，使得分布性优秀的个体有更大的生存机会，从而增强了Pareto解的分布性，能够应用于解决互联云环境服务组合问题，可以在得到分布性较好的Pareto解的同时，也能具有较优的全局探测和局部开采能力。

附图说明

图1为本发明实施例提供的混合多目标进化方法的流程示意图；

图2为本发明实施例提供的混合多目标进化方法的详细流程示意图；

图3为本发明实施例提供的种群内个体分布实例图；

图4为本发明实施例提供的改善后的种群内个体分布实例图；

图5为本发明实施例提供的互联云服务组合实例；

图6为本发明实施例提供的四种多目标算法得到的服务组合的平均QoS值和Spread值；

图7为本发明实施例提供的NSGA-II得到的服务组合Pareto前沿；

图8为本发明实施例提供的MOPSO得到的服务组合Pareto前沿；

图9为本发明实施例提供的MOEA/D得到的服务组合Pareto前沿；

图10为本发明实施例提供的LS-NSGA-II-DE得到的服务组合Pareto前沿；

图11为本发明实施例提供的五种算法得到的响应时间随服务实例的增长的变化示意图；

图12为本发明实施例提供的五种算法得到的花费随服务实例的增长的变化示意图；

图13为本发明实施例提供的五种算法得到的可靠性随服务实例的增长的变化示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的Pareto解的分布性较差的问题，提供一种混合多目标进化方法。

如图1所示，本发明实施例提供的混合多目标进化方法，包括：

S11，在第G次迭代时，根据当前迭代次数调整自适应变异中的变异因子和交叉操作中的交叉因子，基于调整后的变异因子和交叉因子，利用自适应全局差分进化(Differential evolution，DE)算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群；

S12，将第G代种群和子种群进行结合，确定结合后的种群中每个个体在多个目标下的QoS指标值，根据确定的QoS指标值计算结合后的种群中每个个体的非支配等级和拥挤度；

S13，根据计算得到的结合后的种群中每个个体的非支配等级和拥挤度，选择非支配等级低且拥挤度大的N个个体作为新种群，其中，所述新种群包括：非支配解集；

S14，采用局部搜索方法对新种群中的非支配解集进行局部搜索，淘汰分布度不好的个体。

本发明实施例所述的混合多目标进化方法，在第G次迭代时，根据当前迭代次数调整自适应变异中的变异因子和交叉操作中的交叉因子，基于调整后的变异因子和交叉因子，利用自适应全局DE算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群，从而能更有效的在解空间中搜索最优解，使混合多目标进化方法具有更好的收敛性和多样性；同时利用局部搜索方法，对新一代中的非支配解集进行局部搜索，淘汰分布度不好的个体，动态地维护种群，使得分布性优秀的个体有更大的生存机会，从而增强了Pareto解的分布性，能够应用于解决互联云环境服务组合问题，可以在得到分布性较好的Pareto解的同时，也能具有较优的全局探测和局部开采能力。

本实施例中，为了实现混合多目标的进化方法，如图2所示，在第一次迭代时，需初始化包含N个个体的种群pop_G和最大迭代次数G_max等，其中，pop_G＝(x_1,G,…,x_i,G,…,x_N,G)，G是当前迭代次数，在第一次迭代时，G＝1，x_i,G是pop_G中第i个个体，N表示种群pop_G中个体的数目。

在前述混合多目标进化方法的具体实施方式中，进一步地，在第G次迭代时，根据当前迭代次数调整自适应变异中的变异因子和交叉操作中的交叉因子，基于调整后的变异因子和交叉因子，利用自适应全局DE算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群之前，所述方法还包括：

在第G次迭代时，计算第G代种群中所有个体在多个目标下的QoS指标值；

根据计算得到的第G代种群中每个个体在多个目标下的QoS指标值，计算第G代种群中每个个体的非支配等级和拥挤度；

根据计算得到的第G代种群中每个个体的非支配等级和拥挤度，从第G代种群中选出非支配等级最小且拥挤度最大的个体作为最优个体。

本实施例中，在初始化包含N个个体的种群pop_G和最大迭代次数G_max之后，且在第G次迭代时，根据当前迭代次数调整自适应变异中的变异因子和交叉操作中的交叉因子，基于调整后的变异因子和交叉因子，利用自适应全局DE算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群之前，需计算第G代种群中所有个体在多个目标下的QoS指标值；根据计算得到的第G代种群pop_G中每个个体在多个目标下的QoS指标值，计算第G代种群pop_G中每个个体的非支配等级和拥挤度，然后依据第G代种群pop_G中每个个体的非支配等级和拥挤度对第G代种群pop_G中的个体进行排序，选出第G代种群pop_G中的最优个体x_best,G，最优个体x_best,G为非支配等级最小且拥挤度最大的个体。

本实施例中，非支配排序是指：在服务组合多目标优化问题中，如果某一个体x_i,G的一个或是多个QoS指标均优于另外一个个体x_j,G，而其它QoS指标相同，那么称个体x_i,G支配个体x_j,G；根据支配关系给个体分配非支配等级，按照非支配等级由低到高对个体进行排序，其中，等级低的个体支配等级高的个体。

本实施例中，拥挤度计算是指：随着优化过程的进行，优秀的个体将会越来越多，需要确定选择哪个个体进入到下一次迭代，拥挤度排序就是用来对处于相同的非支配等级的个体进行排序，并选择拥挤度大的个体进入到下一次迭代中。

本实施例中，拥挤度计算公式如式(1)所示：

其中，表示第G代种群中个体x_i,G的拥挤度距离，和分别表示个体x_i+1,G和x_i-1,G在目标m下的QoS指标值，m∈(1,2,…,M)，M表示目标总数，和分别表示在目标m下最大QoS值和最小QoS值，且假设处于边界的两个个体的拥挤度设为无穷大。

在前述混合多目标进化方法的具体实施方式中，进一步地，所述利用自适应全局DE算法对第G代种群中所有个体进行自适应变异包括：

通过自适应变异公式对第G代种群中所有个体进行自适应变异，得到第G代种群中每个个体的变异个体所述自适应变异公式表示为：

v_i,G＝(1-β)×x_r1,G+β×x_best,G+F×(x_r2,G-x_r3,G)

其中，v_i,G表示第G代种群中个体x_i,G的变异个体，β表示平衡参数，β＝G/G_max，G_max表示最大迭代次数，x_best,G表示第G代种群中最优的个体，F表示根据当前迭代次数调整后的变异因子，x_r1,G，x_r2,G，x_r3,G是第G代种群中不同于x_i,G的个体，r1，r2，r3∈{1,2,…,N}是随机生成的数，且r1≠r2≠r3≠i，N表示种群中个体的数目。

本实施例中，可以利用自适应全局DE算法对第G代种群pop_G中所有个体进行自适应变异和交叉操作产生子种群。

本实施例中，差分进化算法有多种变异策略，例如，式(2)中的变异策略特点是全局探测性较强，不易陷入局部最优，但收敛速度较慢；式(3)中的变异策略，其特点是收敛速度较快，局部开采能力强，但易陷入局部最优。

v_i,G＝x_r1,G+F×(x_r2,G-x_r3,G) (2)

v_i,G＝x_best,G+F×(x_r1,G-x_r2,G) (3)

其中，x_r1,G，x_r2,G，x_r3,G是第G代种群pop_G中不同于x_i,G的个体，r1,r2,r3∈{1,2,…,N}是随机生成的数，且r1≠r2≠r3≠i，v_i,G是个体x_i,G的变异个体，x_best,G是第G代种群中最优的个体，F表示根据当前迭代次数调整后的变异因子。

考虑式(2)和式(3)中的两种变异策略的特点，本实施例采用两者结合的变异策略(自适应变异公式)，从而平衡算法的全局探测和局部开采能力，所述自适应变异公式如式(4)所示：

v_i,G＝(1-β)×x_r1,G+β×x_best,G+F×(x_r2,G-x_r3,G) (4)

其中，v_i,G表示第G代种群中个体x_i,G的变异个体，β表示平衡参数，β＝G/G_max，G_max表示最大迭代次数，x_best,G表示第G代种群中最优的个体，F表示根据当前迭代次数调整后的变异因子，x_r1,G，x_r2,G，x_r3,G是第G代种群中不同于x_i,G的个体，r1，r2，r3∈{1,2,…,N}是随机生成的数，且r1≠r2≠r3≠i，N表示种群中个体的数目。

在自适应变异公式中，β随迭代的进行由0逐渐变为1，使得变异操作中x_r1,G的比重逐渐减少，x_best,G比重逐渐增多，从而增强了算法的全局探测能力和局部开采能力。

本实施例中，优选地，在通过自适应变异公式对第G代种群中所有个体进行自适应变异，得到第G代种群中每个个体的变异个体之后，通过交叉公式对第G代种群中个体x_i,G和变异个体v_i,G进行交叉操作，得到交叉个体，所述交叉公式表示为式(5)：

其中，表示交叉个体u_i,G的第j个参数，是个体x_i,G的第j个参数，j∈(1,2,…,D)，D是个体中参数的个数，表示变异个体的第j个参数，CR表示根据当前迭代次数调整后的交叉因子，rand是[0，1]之间的随机数，α∈(1,2,…,D)是一个随机数，α是用来确保交叉个体u_i,G至少能从变异个体v_i,G中获得一个参数。

本实施例中，用DE算法的自适应变异公式和交叉公式代替NSGA-II算法中的模拟二进制交叉算子和多项式变异算子，从而更有效的在解空间中搜索最优解。

本实施例中，可以自适应调整自适应变异公式中变异因子和交叉公式中交叉因子，所述变异因子和交叉因子的调整公式分别如式(6)和(7)所示：

在前述混合多目标进化方法的具体实施方式中，进一步地，所述调整后的变异因子F表示为：

所述调整后的交叉因子CR表示为：

其中，G_max表示最大迭代次数，F_max和F_min分别为变异因子F的最大值和最小值，CR_max和CR_min分别为交叉因子CR的最大值和最小值，G表示第G代和当前迭代次数。

本实施例中，G_max是G的最大值，可以令F_max＝0.9、F_min＝0.4，CR_max＝0.9、CR_min＝0.3，在迭代开始阶段，F和CR取值较大，有利于扩大解空间，从而保持种群的多样性，避免早熟。在迭代后期，F和CR取值较小，有助于快速收敛于最优解。

本实施例中，使用DE算法的自适应变异和交叉算法代替NSGA-II的变异和交叉算法，结合DE算法两种不同变异方式，并随迭代次数自适应改变DE算法的变异因子和交叉因子，从而能更有效的在解空间中搜索最优解，使算法具有更好的收敛性和多样性，增强了全局探测能力和局部开采能力。

本实施例中，在第G次迭代时，利用自适应全局DE算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群，产生子种群后，将第G代种群和子种群进行结合，确定结合后的种群中每个个体在多个目标下的QoS指标值，根据确定的QoS指标值计算结合后的种群中每个个体的非支配等级和拥挤度；根据计算得到的结合后的种群中每个个体的非支配等级和拥挤度进行排序，根据排序结果及NSGA-II精英策略，选择非支配等级低且拥挤度大的N个个体作为新种群进入下一代，其中，所述新种群包括：非支配解集。

本实施例中，NSGA-II精英策略是指：选择排序前N个个体作为新种群，得到父种群和子种群结合后的前N个优质的解进入下一代，提高了优化的效率，保证了解的多样性，排序越靠前的个体，其等级非支配等级越低。

本实施例中，根据NSGA-II精英策略选择那些非支配等级低并且拥挤度较大的个体进行下一代进化后，还需对新种群中的非支配解集F{1}进行局部搜索，因为，拥挤度大的个体其解密度不一定小，因此分布度很好的一些个体也可能被淘汰，而分布度不好的个体却可能保留下来。通过图3说明存在的问题，如图3所示，如果按照NSGA-II中的拥挤度方法计算聚集距离，个体x_b,G和个体x_c,G的聚集距离比较接近且都较大，这两个点可能会同时保留下来，而理想的情况应该是只保留个体x_b,G，x_c,G中的一个。个体x_e,G，x_f,G也同样只保留一个。

为改善NSGA-II算法中种群分布性，本实施例采用局部搜索方法(Local Search，LS)进行局部搜索，以提高Pareto解的分布性。LS主要有三个重要的步骤：1)距离临界值计算，2)相邻个体的确定，3)淘汰个体。

1)对新种群中的非支配集F{1}按其中一个目标m(m∈(1,2,…,M))进行排序，排序后，根据距离临界值计算公式计算随种群密集程度自适应变化的距离临界值δ，距离临界值计算公式如式(8)所示：

其中，δ表示距离临界值，|F{1}|是新种群中的非支配个体的数目，dist_1,n表示新种群中非支配解集中的两个边界个体x_1,G和x_n,G之间的距离，δ在进化过程中将随着当代种群非支配集合|F{1}|的数量变化进行动态调整，从而动态地维护了种群，使得分布性好的个体具有更大的生存机会，保证了当代非支配前沿的均匀分布。

任意两个个体x_i,G和x_j,G间的距离dist_i,j由式(9)计算：

其中，dist_i,j表示两个个体x_i,G和x_j,G间的距离，和分别表示个体x_i,G和x_j,G在目标m下的QoS指标值，m∈(1,2,…,M)，M表示目标总数。

2)相邻个体的确定：根据式(9)计算两个个体之间的距离，如果个体x_i,G和x_i+1,G的距离小于等于δ，即dist_i,i+1≤δ，则x_i,G和x_i+1,G是相邻个体。

3)淘汰个体：若个体x_i,G和x_i+1,G是相邻个体，由式(10)利用个体x_i-1,G和x_i+2,G产生新个体x_j,G,，新个体处于x_i-1,G和x_i+2,G的中间位置；然后从个体x_i,G和x_i+1,G中，留下距离x_j,G较近的个体，淘汰距离x_j,G较远的个体。

其中，和分别是个体x_j,G，x_i-1,G和x_i+2,G在所有目标下的QoS指标值的集合，如

根据LS的三个步骤可以判定图3中有两组相邻个体满足局部搜索条件，分别为(x_b,G,x_c,G)和(x_e,G,x_f,G)，通过局部搜索LS，个体x_c,G和x_f,G将被淘汰，改善后的图如图4所示。

最后，判断迭代次数G是否达到最大迭代次数G_max，若达到最大迭代次数G_max，则停止迭代，否则，转S11继续执行。

本实施例中，利用局部搜索方法LS，对每代的非支配解集F{1}进行局部搜索，计算随种群密集程度自适应变化的距离临界值，动态地维护种群，使得分布性优秀的个体有更大的生存机会，从而改善了Pareto解的分布性。

将本实施例所述的混合多目标进化方法应用于复杂的互联云环境服务组合问题时，可以在得到分布性较好的解的同时，也能具有较优的全局探测和局部开采能力。

为了便于说明，将本实施例提供的基于NSGA-II和DE算法的带局部搜索LS的混合多目标进化方法，用英文表示为LS-NSGA-II-DE(Algorithm with Local Search based onNSGA-II and DE)。

本实施例中，在复杂的互联云环境下，互联云服务组合的优化目标是在多个不同地理位置分布的云提供商提供的大量的具有不同QoS等级的服务实例空间中，寻找整体性能最优的并且满足用户QoS需求的服务组合方案。

本实施例定义的优化目标即QoS指标包括：响应时间T(ms)、花费C($)、可靠性R(％)。式(11)表示寻找服务组合解需要优化的目标是响应时间T和花费C最小，可靠性R最大，并且满足用户所要求的响应时间，花费，可靠性的约束条件分别为T₀,C₀,R₀，约束使用惩罚函数解决约束问题。

本实施例可以通过QoS聚合函数来计算服务组合的QoS指标值，服务组合结构分为串行，分支和并行结构，如图5所示，图5中{S¹,S²,S³,S⁴,S⁵,S⁶,S⁷,S⁸,S⁹,S¹⁰}是十个服务类，需要具体的服务实例来完成。QoS指标值由式(12)，(13)，(14)求取，其中，T_k为第k个服务实例的响应时间，L_k为第k个服务实例之间的网络延迟，R_k为第k个服务实例的可靠性，C_k为第k个服务实例的花费。p_k是第k个并行服务实例的概率。由于服务实例可能来自地理位置不同的云提供商，服务实例之间的数据传输必然会产生网络延迟，所以组合服务的响应时间T包含服务实例的响应时间T_k以及服务实例之间的网络延迟L_k。

串行：

分支：

并行：

其中，K表示服务实例的数目。

当用本实施例提供的混合多目标进化方法对服务组合问题进行优化时，对于需要最小化的QoS目标，如响应时间和花费，由式(15)计算，对于需要最大化的QoS目标，如可靠性，由式(16)计算，从而保证优化的问题都是最小化问题。其中，是个体x_i,G在目标m下未归一化的QoS值。和在目标m下未归一化的QoS的最大值和最小值.。

对本实施例提供的混合多目标进化方法进行测试时，首先在服务实例不变的情况下，比较各个多目标算法求解的平均QoS值、Spread值和Pareto前沿，测试步骤包括：

1、服务组合实验数据采用的是QWS2.0数据集，由Eyhab Al-Masri和QusayH.Mahmoud在2008年采集到的真实数据，解决的服务组合实例如图5所示，一个任务需要10个来自不同地理分布的云提供商提供的服务类组合来完成，不同的云提供商可以提供相同或不同的服务类，每个服务类包含10个服务实例，其中两个由不同云提供商提供的连续的服务实例之间存在网络延迟，响应时间，花费，可靠性的约束条件通过多次实验设置为T₀＝2000，C₀＝800，R₀＝0.15，将LS-NSGA-II-DE与基于非支配排序的多目标优化算法(Non-dominated Sorting Genetic Algorithm-II，NSGA-II)、多目标粒子群优化算法(Multi-Objective Particle Swarm Optimization，MOPSO)、基于分解的多目标进化算法(Multi-Objective Evolutionary Algorithm based on Decomposition，MOEA/D)分别进行比较；

2、经过30次独立仿真得到的平均QoS值和Spread值如图6所示，四种算法得到的Pareto前沿如图7，图8，图9，图10所示。由图可知，相比于其他算法，LS-NSGA-II-DE得到的Pareto前沿分布性更好，LS-NSGA-II-DE得到的解相较于其他算法最优，即响应时间最低，可靠性最高，花费也较低。

对本实施例提供的混合多目标进化方法进行测试时，为了验证本实施例提供的混合多目标进化方法的可扩展性，在服务实例变化的情况下，比较各个多目标算法解随服务实例增长的变化情况，测试步骤包括：

1、每个云服务提供商提供的每个服务类的服务实例数由10个依次增加30个一直到190个。服务实例的QoS值随机生成，且都服从高斯分布，其中响应时间(ms)的均值为500，标准差为100，可靠性(％)的平均值是90，标准差为10，花费($)的平均值是80，标准差为20。这里不设置约束。将LS-NSGA-II-DE与遗传算法(Genetic Algorithm，GA)、NSGA-II、MOPSO、MOEA/D分别进行比较；

2、仿真结果见图11，图12，图13，由图可见，相比于其他算法，LS-NSGA-II-DE找到的解随着服务实例数增加，其结果相对其他算法表现更优，表明该算法扩展性好，寻优能力强。

以上所述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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种混合多目标进化方法，其特征在于，包括：

在第G次迭代时，根据当前迭代次数调整自适应变异中的变异因子和交叉操作中的交叉因子，基于调整后的变异因子和交叉因子，利用自适应全局DE算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群；

将第G代种群和子种群进行结合，确定结合后的种群中每个个体在多个目标下的QoS指标值，根据确定的QoS指标值计算结合后的种群中每个个体的非支配等级和拥挤度；

根据计算得到的结合后的种群中每个个体的非支配等级和拥挤度，选择非支配等级低且拥挤度大的N个个体作为新种群，其中，所述新种群包括：非支配解集；

采用局部搜索方法对新种群中的非支配解集进行局部搜索，淘汰分布度不好的个体。

2.根据权利要求1所述的混合多目标进化方法，其特征在于，在第G次迭代时，根据当前迭代次数调整自适应变异中的变异因子和交叉操作中的交叉因子，基于调整后的变异因子和交叉因子，利用自适应全局DE算法对第G代种群中所有个体进行自适应变异和交叉操作产生子种群之前，所述方法还包括：

在第G次迭代时，计算第G代种群中所有个体在多个目标下的QoS指标值；

根据计算得到的第G代种群中每个个体在多个目标下的QoS指标值，计算第G代种群中每个个体的非支配等级和拥挤度；

根据计算得到的第G代种群中每个个体的非支配等级和拥挤度，从第G代种群中选出非支配等级最小且拥挤度最大的个体作为最优个体。

3.根据权利要求2所述的混合多目标进化方法，其特征在于，所述计算第G代种群中每个个体的拥挤度包括：

通过拥挤度计算公式计算每个个体的拥挤度，所述拥挤度计算公式表示为：

其中，表示第G代种群中个体x_i,G的拥挤度距离，和分别表示个体x_i+1,G和x_i-1,G在目标m下的QoS指标值，m∈(1,2,…,M)，M表示目标总数，和分别表示在目标m下最大QoS值和最小QoS值。

4.根据权利要求1所述的混合多目标进化方法，其特征在于，所述利用自适应全局DE算法对第G代种群中所有个体进行自适应变异包括：

通过自适应变异公式对第G代种群中所有个体进行自适应变异，得到第G代种群中每个个体的变异个体所述自适应变异公式表示为：

v_i,G＝(1-β)×x_r1,G+β×x_best,G+F×(x_r2,G-x_r3,G)

其中，v_i,G表示第G代种群中个体x_i,G的变异个体，β表示平衡参数，β＝G/G_max，G_max表示最大迭代次数，x_best,G表示第G代种群中最优的个体，F表示根据当前迭代次数调整后的变异因子，x_r1,G，x_r2,G，x_r3,G是第G代种群中不同于x_i,G的个体，r1，r2，r3∈{1,2,…,N}是随机生成的数，且r1≠r2≠r3≠i，N表示种群中个体的数目。

5.根据权利要求4所述的混合多目标进化方法，其特征在于，在通过自适应变异公式对第G代种群中所有个体进行自适应变异，得到第G代种群中每个个体的变异个体之后，所述方法包括：

通过交叉公式对第G代种群中个体x_i,G和变异个体v_i,G进行交叉操作，得到交叉个体，所述交叉公式表示为：

其中，表示交叉个体u_i,G的第j个参数，是个体x_i,G的第j个参数，j∈(1,2,…,D)，D是个体中参数的个数，表示变异个体的第j个参数，CR表示根据当前迭代次数调整后的交叉因子，rand是[0，1]之间的随机数，α∈(1,2,…,D)是一个随机数。

6.根据权利要求5所述的混合多目标进化方法，其特征在于，所述调整后的变异因子F表示为：

所述调整后的交叉因子CR表示为：

其中，G_max表示最大迭代次数，F_max和F_min分别为变异因子F的最大值和最小值，CR_max和CR_min分别为交叉因子CR的最大值和最小值，G表示第G代和当前迭代次数。

7.根据权利要求1所述的混合多目标进化方法，其特征在于，所述采用局部搜索方法对新种群中的非支配解集进行局部搜索，淘汰分布度不好的个体包括：

对新种群中的非支配集按照目标m进行排序，排序后，通过距离临界值计算公式计算随种群密集程度自适应变化的距离临界值；

判断个体x_i,G和x_i+1,G之间的距离是否小于等于距离临界值δ；

若小于等于距离临界值δ，则个体x_i,G和x_i+1,G是相邻个体；

若个体x_i,G和x_i+1,G是相邻个体，则利用个体x_i-1,G和x_i+2,G产生新个体x_j,G，其中，新个体x_j,G处于x_i-1,G和x_i+2,G的中间位置；

从个体x_i,G和x_i+1,G中，留下距离x_j,G较近的个体，淘汰距离x_j,G较远的个体。

8.根据权利要求7所述的混合多目标进化方法，其特征在于，所述距离临界值计算公式表示为：

其中，δ表示距离临界值，|F{1}|是新种群中的非支配个体的数目，dist_1,n表示新种群中非支配解集中的两个边界个体x_1,G和x_n,G之间的距离。

9.根据权利要求7所述的混合多目标进化方法，其特征在于，所述方法包括：

通过距离公式计算两个个体之间的距离，所述距离公式表示为：

其中，dist_i,j表示两个个体x_i,G和x_j,G间的距离，和分别表示个体x_i,G和x_j,G在目标m下的QoS指标值，m∈(1,2,…,M)，M表示目标总数。

10.根据权利要求7所述的混合多目标进化方法，其特征在于，所述方法包括：

利用个体x_i-1,G和x_i+2,G通过个体产生公式产生新个体x_j,G，所述个体产生公式表示为：

其中，和分别表示个体x_j,G，x_i-1,G和x_i+2,G在所有目标下的QoS指标值的集合。