CN109344953A - 云服务组合方法 - Google Patents
云服务组合方法 Download PDFInfo
- Publication number
- CN109344953A CN109344953A CN201810964960.8A CN201810964960A CN109344953A CN 109344953 A CN109344953 A CN 109344953A CN 201810964960 A CN201810964960 A CN 201810964960A CN 109344953 A CN109344953 A CN 109344953A
- Authority
- CN
- China
- Prior art keywords
- wolf
- cloud service
- artificial
- combination
- head
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000282461 Canis lupus Species 0.000 claims abstract description 262
- 230000005012 migration Effects 0.000 claims abstract description 24
- 238000013508 migration Methods 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- 230000008439 repair process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 10
- 230000009467 reduction Effects 0.000 description 4
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010130 dispersion processing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000344 soap Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种云服务组合方法,本方法可用于快速准确地从拥有海量云服务的云服务候选池中组合优选出最好的组合云服务,包括如下步骤:S1.构建云服务候选集;S2.组合云服务的人工狼编码;S3.初始化狼群;S4.定义组合云服务的适应度函数;S5.云服务组合的游走;S6.云服务组合的奔袭;S7.云服务组合的围攻;S8.更新头狼位置;S9.更新狼群;S10.终止条件判断;S11.输出头狼所在位置对应的组合云服务。
Description
技术领域
本发明涉及云服务技术领域,尤其涉及一种云服务组合方法。
背景技术
随着信息技术的高速发展,人们迎来了新一轮技术变革,2006年谷歌在搜索引擎大会上提出了“云计算”的概念,借鉴分布式的计算思维,将计算机集群作为数据和计算中心,通过将IT计算资源虚拟化后通过网络以服务的方式提供给用户使用,云计算支持大规模的高性能计算、数据处理及共享资源池,并降低了用户运维成本。近几年,云计算迅速发展并逐渐成为主流的应用环境。云计算中,计算、软件、存储等IT资源都是服务,用户可以根据自己的需求购买并使用服务。当前国内外各大IT企业部署云平台并对外提供相应的云服务,例如亚马逊的云计算服务AWS、谷歌推出的Google App Engine、微软的 Azure、IBM的Blue Cloud、阿里的阿里云、腾讯的腾讯云以及百度的百度云等。由此可见,IT资源服务化的思想日益普及,服务成为云计算的核心,云计算系统中的一切都是或者可以是服务,呈现出“一切皆服务”(X as a Service,XaaS)的趋势。云服务能够为用户的个性化需求提供按需服务,这种新兴的服务提供模式非常有效地提升了IT资源的利用率和用户体验。
云计算环境下,面向服务的计算(Service Oriented Computing,SOC)将用户问题的解决方案封装成服务,利用简单对象访问协议(Simple Object Access Protocol,SOAP)、Web服务描述语言(Web Services Description Language,WSDL)、超文本传输协议(HyperText Transfer Protocol,HTTP)等成熟的协议标准,给用户提供简单便捷的服务调用接口,通过调用服务接口,用户可以根据自身的功能需求及非功能偏好对具有不同功能和 QoS(Quality of Service,服务质量)属性的云服务进行组合,将多个功能单一、计算能力有限的简单云服务组合在一起,形成新的组合云服务,从而快速组建自己所需的应用来完成更为复杂的任务。在进行云服务组合时,除了需要对用户的功能性需求进行满足,更重要的是要考虑云服务的非功能属性等信息,这样可以确保云服务在组合后产生的组合云服务用户满意度和执行成功率更高。为解决上述问题,云服务组合问题正在被广泛的研究。
以往在解决云服务组合问题时经常会出现以下问题:云服务组合的效率比较低。这是因为有大量功能相同或相似的候选云服务存在于云环境中,使得云服务的组合的过程中消耗了大量的时间。
发明内容
本发明的目的在于克服现有技术的不足,适应现实需要,公开一种云服务组合方法,本方法可用于快速准确地从拥有海量云服务的云服务候选池中组合优选出最好的组合云服务。
为了实现本发明的目的,本发明所采用的技术方案为:
公开一种云服务组合方法,其特征在于:包括如下步骤:
一种云服务组合方法,包括如下步骤:
S1.构建云服务候选集;
S2.组合云服务的人工狼编码;
S3.初始化狼群;
S4.定义组合云服务的适应度函数;
S5.云服务组合的游走;
S6.云服务组合的奔袭;
S7.云服务组合的围攻;
S8.更新头狼位置;
S9.更新狼群;
S10.终止条件判断;
S11.输出头狼所在位置对应的组合云服务。
步骤S1具体为:将云服务候选集形式化定义为一个四元组:
CSi=(Cn,Fun,Nums,Mems)
其中:Cn表示该云服务候选集的分类编号,同一候选集中所有云服务具有相同Cn;Fun 是该候选集中所有云服务具有的功能描述;Nums为该云服务候选集的所有云服务在候选集中的编号序列,即1,2,3,…,s,其中s为该云服务候选集中云服务的个数;Mems为按顺序构成该云服务候选集的所有云服务组成的一个序列。
步骤S2具体为:对人工狼的位置采用整数编码,设定:每个组合云服务对应一只人工狼,每只人工狼的位置有D维,分别对应组合云服务中的D个云服务,组合云服务中完成每个子任务的云服务在相应云服务候选集中的编号对应为人工狼的d维位,人工狼的位置定义为:
Xi=(xi1,xi2,…,xid,…,xiD)
其中,xid表示第i(1≤i≤N)只人工狼在第d(1≤d≤D)维上的值。
步骤S3具体为:设狼群的规模为N,最大迭代次数为Kmax,探狼比例因子为a,最大游走次数为Tmax,距离判定因子为w,步长因子为S,更新比例因子为β,X为狼群中的人工狼集合,通过以下公式随机产生第i只人工狼Xi的初始位置:
Xi=(xi1,xi2,…,xid,…,xiD)
xid=xdmin+rand(0,1)(xdmax-xdmin)
式中,xid表示第i(1≤i≤N)只狼在第d(1≤d≤D)维上的值,rand(0,1) 为在[0,1]范围内分布的随机数,xdmax、xdmin分别为狼群第d维的最大值和最小值。步骤S4具体为:
定义一个4维的QoS评价指标来作为云服务组合结果的评价标准,分别为服务时间(T)、服务费用(C)、可用性(Av)、可靠性(Rel);
云服务组合的适应度函数定义为:
其中w1、w2、w3、w4是相应的权重,且
步骤S5具体为:
S51.根据适应度函数计算每条组合执行路径的适应度值,选择具有最大值的组合路径对应的人工狼为头狼,设定头狼所在位置对应的组合云服务的适应度值为Ylead;
S52.选择除头狼外的适应度值最大的m条云服务组合路径作为探狼,其中m为之间的整数,a为探狼比例因子;
S53.探狼按照以下方式进行游走:
S531.探狼i所在位置对应的组合云服务适应度值为Yi,其中i=1,2,…,m;如果Yi大于头狼的Ylead,则Ylead=Yi,探狼i替代头狼,如果Yi<Ylead,则探狼i进行自主决策,进行下一步骤:
S532.分别向dmax个方向前进一步,此时的步长设为stepa,并记录下移动后的适应度值,然后退回原位置,探狼i向第p个方向移动后在第d维空间的位置定义为:
stepa=rand-N(1,dmax)
其中,rand-N(1,dmax)为在[1,dmax]范围内分布的随机整数,dmax为狼群所有维度的最大值。
S533.此时,探狼i所在位置对应的组合云服务路径的适应度值为Yip,选择大于当前位置适应度值中最大的方向前进一步,对探狼i的位置进行更新,不断重复游走直到某个位置的适应度值大于头狼所在位置的适应度值,或者游走次数T达到最大游走次数Tmax。
步骤S6具体为:
S61.头狼周围的人工狼都以相对较大的奔袭步长stepb=2*|dmax-dmin|/S快速接近头狼所在位置,人工狼i经过第k+1次迭代后在第d维的位置为下式所示:
其中,为第k代群体头狼在第d维空间的位置。
S62.如果人工狼i在奔袭的途中某位置对应的组合云服务适应度值Yi>Ylead,则Ylead= Yi,即该人工狼转变为头狼,然后转到步骤S61重新进行奔袭行为;若Yi<Ylead,则人工狼 i继续奔袭,直到其与头狼之间的距离小于dnear时转入围攻行为,dnear由下式确定:
其中,xdmax、xdmin分别为狼群第d维的最大值和最小值,w为距离判定因子,d=1,2,…D。
步骤S7具体为:人工狼对头狼的位置进行围攻,对于第k代人工狼狼群,人工狼狼群的围攻行为用下式表示:
其中,为第k代人工狼狼群中的头狼在第d维空间中的位置,λ为[-1,1]范围内均匀分布的随机数,stepc为人工狼执行围攻行为时的攻击步长,stepc由下式确定:
stepc=|dmax-dmin|/2S
其中,S为步长因子,如果实施围攻行为后人工狼所在位置对应的组合云服务适应度值大于其原来位置对应组合云服务的适应度值,则更新此人工狼的位置,否则人工狼位置不变。
步骤S8具体为:步骤S7实施围攻行为后,按“适应度值最大”的头狼产生规则对头狼位置进行更新。
步骤S9具体为:去除适应度值最差的R只人工狼,同时按照步骤S3的初始化狼群的方法重新随机产生R只新的人工狼加入狼群中,R的取值为[N/2β,N/β]之间的随机整数,β为狼群更新比例因子;
步骤S10具体为:判断是否达到最大迭代次数kmax,若达到则转到步骤S11,否则转步骤S5。
步骤S11具体为:输出头狼位置对应的组合云服务。
步骤S3、S5至步骤S9各步骤求解的结果分别进行离散化处理。
本发明的有益效果在于:
本方法在应用中可用于快速准确地从拥有海量云服务的云服务候选池中组合优选出最好的组合云服务。
附图说明
图1为本发明的流程图;
图2为云服务组合执行路径图;
图3为破碎纸片修复系统示意图;
图4为组合云服务与人工狼的对应编码图。
具体实施方式
下面结合附图和实施例对本发明进一步说明:
实施例1:一种云服务组合方法,参见图1至图4。
它包括如下步骤:
S1.构建云服务候选集
云服务平台根据用户的需求筛选出能完成各个子任务的云服务候选集,每个云服务候选集中的云服务都具有相同或相似的功能,本发明将云服务候选集形式化定义为一个四元组:
CSi=(Cn,Fun,Nums,Mems)
其中:Cn表示该云服务候选集的分类编号,同一候选集中所有云服务具有相同Cn;Fun 是该候选集中所有云服务具有的功能描述;Nums为该云服务候选集的所有云服务在候选集中的编号序列,即1,2,3,…,s,其中s为该云服务候选集中云服务的个数;Mems为按顺序构成该云服务候选集的所有云服务组成的一个序列。
S2.组合云服务的人工狼编码
针对云服务组合问题,本发明对人工狼的位置采用整数编码的方式,将每个组合云服务对应一只人工狼,假设每只人工狼的位置有D维,分别对应组合云服务中的D个云服务,组合云服务中完成每个子任务的云服务在相应云服务候选集中的编号对应为人工狼的d维位置,则人工狼的位置定义为:
Xi=(xi1,xi2,…,xid,…,xiD)
其中,xid表示第i(1≤i≤N)只人工狼在第d(1≤d≤D)维上的值。则一个由D 个云服务组合而成的组合云服务对应的人工狼编码如图4所示。。
S3.初始化狼群
在初始化狼群时,定义狼群的规模为N,最大迭代次数为Kmax,探狼比例因子为a,最大游走次数为Tmax,距离判定因子为w,步长因子为S,更新比例因子为β,X表示狼群中的人工狼集合,则通过以下公式随机产生第i只人工狼Xi的初始位置为:
Xi=(xi1,xi2,…,xid,…,xiD)
xid=xdmin+rand(0,1)(xdmax-xdmin)
式中,xid表示第i(1≤i≤N)只狼在第d(1≤d≤D)维上的值,rand(0,1)为在[0,1]范围内分布的随机数,xdmax、xdmin分别为狼群第d维的最大值和最小值。
S4.定义组合云服务的适应度函数
本发明通过定义一个4维的QoS(Quality of Service,服务质量)评价指标来作为云服务组合结果的评价标准,分别为服务时间(T)、服务费用(C)、可用性(Av)、可靠性(Rel)。
(1)服务时间(T):指用户从开始提交服务到服务执行完成并返回结果所消耗的全部时间,记为T。通常服务时间越短则说明该服务越好。
(2)服务费用(C):指从用户提交服务请求到服务执行完成返回结果所需要的所有金钱花费,记为C。
(3)可用性(Av):指服务可以成功被访问的概率,定义为该云服务成功访问的次数与总访问次数的比值:
Av=Asuc/Asum
其中,Asum为一段时间内对该云服务的访问总次数,Asuc为该云服务自身成功响应的次数。
(4)可靠性(Rel):指云服务正常运行的概率,定义为服务实例可用时间占总的服务工作时间的比例:
Rel=Trun/Ttol
其中,Ttol为云服务运行的总时间,Trun为该段时间内正常运行的时间。
QoS表示了云服务的非功能属性,云服务的QoS可以由运营商提供,也可以基于服务的运行情况得到,或者通过使用过的用户反馈获得。组合云服务的QoS属性值不仅和单个云服务的QoS属性值有关,还和云服务之间的结构有关。
如表2所示,在云服务组合中云服务之间存在顺序结构、选择结构、并行结构和循环结构四种基本结构,所以云服务经过组合后可以产生大量结构不同的组合云服务,形成云服务的组合执行路径。
表2所示为分别对这四种基本结构的组合云服务QoS的计算表达式。其中,Pi为选择结构模型中每个云服务CSi被选中执行的概率,K表示循环结构模型中执行的次数。
表2四种基本结构组合云服务QoS计算表达式
因此,基于云服务组合的目标是服务时间、服务费用尽量少,可用性、可靠性尽量高。
本发明中将云服务组合的适应度函数定义如下:
其中w1、w2、w3、w4是相应的权重,且
S5.云服务组合的游走
根据适应度函数计算每条组合执行路径的适应度值,选择具有最大值的组合路径对应的人工狼为头狼,头狼所在位置对应的组合云服务的适应度值为Ylead。
然后选择除头狼外适应度值最大的m条云服务组合路径作为探狼,其中m取之间的整数,a为探狼比例因子。
为了提高探狼的搜索精度,探狼按照以下方式进行游走行为:探狼i(其中i=1,2,…,m) 所在位置对应的组合云服务适应度值为Yi。如果Yi大于头狼的Ylead,则Ylead=Yi,探狼i替代头狼,如果Yi<Ylead,则探狼i进行自主决策,即分别向dmax个方向前进一步,此时的步长设为stepa,并记录下移动后的适应度值,然后退回原位置,探狼i向第p(p=1,2,...,dmax) 个方向移动后在第d维空间的位置定义为:
stepa=rand-N(1,dmax)
其中,rand-N(1,dmax)为在[1,dmax]范围内分布的随机整数,dmax为狼群所有维度的最大值。
此时,探狼i所在位置对应的组合云服务路径的适应度值为Yip,选择大于当前位置适应度值中最大的方向前进一步,对探狼i的位置进行更新,不断重复游走直到某个位置的适应度值大于头狼所在位置的适应度值,或者游走次数T达到最大游走次数Tmax。
S6.云服务组合的奔袭
头狼确定后,头狼周围的人工狼都以相对较大的奔袭步长stepb=2*|dmax-dmin|/S快速接近头狼所在位置,人工狼i经过第k+1次迭代后在第d维的位置为下式所示:
其中,为第k代群体头狼在第d维空间的位置。
如果人工狼i在奔袭的途中某位置对应的组合云服务适应度值Yi>Ylead,则Ylead=Yi,即该人工狼转变为头狼,然后重新进行奔袭行为;若Yi<Ylead,则人工狼i继续奔袭,直到其与头狼之间的距离小于dnear时转入围攻行为。dnear由下式确定:
其中,xdmax、xdmin分别为狼群第d(d=1,2,…,D)维的最大值和最小值,w为距离判定因子。
S7.云服务组合的围攻行为
经过奔袭的人工狼已离猎物较近,需要对猎物进行围攻以将其捕获,这里头狼的位置就是猎物的位置。狼群对猎物的位置进行围攻时,对于第k代狼群,狼群的围攻行为可用下式表示:
其中,为第k代群体头狼在第d维空间中的位置,λ为[-1,1]范围内均匀分布的随机数, stepc为人工狼执行围攻行为时的攻击步长。
stepc由下式确定:
stepc=|dmax-dmin|/2S
其中,S为步长因子,如果实施围攻行为后人工狼所在位置对应的组合云服务适应度值大于其原来位置对应组合云服务的适应度值,则更新此人工狼的位置,否则人工狼位置不变。
S8.更新头狼位置
实施围攻行为后,按“适应度值最大”的头狼产生规则对头狼位置进行更新。
S9.更新狼群
狼群按照捕猎过程中的功劳大小进行分配食物,导致弱小的狼会被饿死,即在算法中去除适应度值最差的R只人工狼,同时按照步骤S3的初始化狼群的方法随机产生R只人工狼加入狼群。R的取值为[N/2β,N/β]之间的随机整数,β为狼群更新比例因子。
S10.终止条件判断
判断是否达到最大迭代次数kmax,若达到则转到步骤S11,否则转步骤S5。
S11.输出头狼位置对应的组合云服务。
S12.离散化处理和越界处理
通常狼群算法是用来对连续域的最优化问题求解,狼群算法中人工狼的位置在空间是连续变化的,但本发明在求解云服务系统自适应演化问题时,对人工狼位置的编码为整数编码的方式,所以需要对除步骤S4外的步骤S3、S5至步骤S9各步骤的求解结果进行离散化处理。
本发明采用将连续型结果变量直接转换成离散值的离散化处理方法,具体的实现就是根据连续结果变量和离散变量之间的距离,用离连续型变量最近的离散变量作为离散化处理的结果,如下所示:
如果人工狼更新后的位置超出了搜索范围,则进行必要的越界处理,将人工狼限制在解决方案空间内。本发明对每只人工狼第k次更新后的位置,按照下式进行处理:
式中,xdmax,xdmin分别是第d维搜索范围的最大值和最小值。因此,每只人工狼在第d维空间的位置的值就被限制在[xdmin,xdmax]的范围内,以防止人工狼的位置出现越界。
使用本发明方法的具体案例分析如下:
本方法采用破碎纸片修复系统来演示该方法的实现过程,破碎纸质文档的修复在纸质司法物证复原和历史文献修复等工作中发挥了很重要的作用。一般来说,碎纸片的拼接复原工作是通过人工来完成的,这种方式虽然在准确率上能得到保证,但是效率会很低。特别是当碎片数量非常大时,通过人工拼接的方式在短时间内很难保质保量的完成工作。
随着当前信息技术的发展,用户可以通过计算机软件来完成,由于本地计算资源有限,云计算平台提供的强大的计算服务是一个很好的选择。为了完成对破碎纸片修复这个任务,首先需要对破碎纸片源图像进行图像灰度化、图像二值化和图像降噪等数据预处理工作,然后进行形状结构化和边缘信息结构化等数据结构化处理,最后完成基于文字信息拼接和基于形状拼接的处理。
如图3所示,图中,t1:图像灰度化;t2:图像二值化;t3:图像降噪;t4:形状结构化;t5:边缘信息结构化;t6:基于文字信息拼接;t7:基于形状拼接;图中,将破碎纸片修复分解成7个子任务:图像灰度化任务t1、图像二值化任务t2,图像降噪任务t3、形状结构化任务t4、边缘信息结构化任务t5、基于文字信息拼接任务t6、基于形状拼接任务t7。其中t1、 t2、t3为并行关系,t4、t5为并行关系,t6、t7为并行关系,这三个并行关系整体构成一个顺序关系。
现将提出的云服务组合方法应用于上述破碎纸片修复系统,具体步骤如下。
(1)构建破碎纸片修复系统各个子任务的云服务候选集
破碎纸片修复系统的各子任务包括图像灰度化(其云服务候选集用IG表示),图像二值化(其云服务候选集用IB表示),图像降噪(其云服务候选集用IP表示),形状结构化(其云服务候选集用SS表示),边缘信息结构化(其云服务候选集用IS表示),基于文字信息拼接(其云服务候选集用IT表示),基于形状拼接(其云服务候选集用ST表示),表示为如表3所示结构。
表3云服务候选集结构
根据破碎纸片修复系统各子任务的功能需求,构建云服务候选集如下表4所示。
表4各子任务候选云服务集
(2)利用定义的组合云服务编码规则编码破碎纸片修复系统
如表5所示,采用对人工狼在7维空间位置整数编码的方式来编码实现破碎纸片修复系统的组合云服务,人工狼在每一维空间中的整数位置为实现破碎纸片修复系统的组合云服务在相应云服务候选集中的编号。例如,一个破碎纸片修复系统的组合云服务,其人工狼的对应编码如表5所示:
表5破碎纸片修复系统组合云服务编码
(3)初始化狼群
本实例规定初始化狼群的规模N=100,人工狼的位置维数D=7,最大迭代次数Kmax=1000,探狼比例因子a=5,最大游走次数Tmax=20,距离判定因子w=100,步长因子 S=200,更新比例因子β=6。
初始化狼群的过程为:通过以下公式随机产生第i只人工狼Xi的初始位置。
Xi=(xi1,xi2,…,xid,…,xiD)
xid=xdmin+rand(0,1)(xdmax-xdmin)
式中,xid表示第i(1≤i≤100)只狼在第d(1≤d≤7)维上的值,rand(0,1)为在 [0,1]范围内分布的随机数,xdmax、xdmin分别为狼群第d维的最大值和最小值。
(4)适应度函数值计算
根据定义的云服务各个QoS属性值计算方法,计算各属性的QoS值,针对破碎纸片修复系统,定义云服务组合的适应度函数如下:
其中,规定w1=0.25、w2=0.25、w3=0.25、w4=0.25是相应的权重,各个属性的计算公式如下:
T=Max(TIG,TIB,TIP)+Max(TSS,TIS)+Max(TIT,TST)
C=CIG+CIB+CIP+CSS+CIS+CIT+CST
Av=AvIG×AvIB×AvIP×AvSS×AvIS×AvIT×AvST
Rel=RelIG×RelIB×RelIP×RelSS×RelIS×RelIT×RelST。
(5)云服务组合的游走行为
根据适应度函数计算破碎纸片修复系统中每条组合执行路径的适应度值,选择具有最大值的执行路径对应的人工狼为头狼。头狼所在位置对应的组合云服务适应度值为Ylead,然后选择适应度值除头狼外最大的m=20条云服务执行路径作为探狼,这里本案例探狼比例因子a=5。探狼按照方式进行游走行为:探狼i(其中i=1,2,…,m)所在位置对应的组合云服务适应度值为Yi。如果Yi大于头狼的Ylead,则Ylead=Yi,探狼i替代头狼,如果Yi<Ylead,则探狼i进行自主决策,即分别向dmax个方向前进一步,此时的步长设为stepa,并记录下移动后的适应度值,然后退回原位置,探狼i向第p(p=1,2,...,dmax)个方向移动后在第d维空间的位置定义为:
stepa=rand-N(1,dmax)
其中,rand-N(1,dmax)为在[1,dmax]范围内分布的随机整数,dmax为狼群所有维度的最大值。
此时,探狼所在位置对应的组合云服务路径的适应度值为Yip,选择大于当前位置适应度值中最大的方向前进一步,对探狼的位置进行更新,不断重复游走直到某个位置的适应度值大于头狼所在位置的适应度值,或者游走次数T达到最大游走次数Tmax(这里设Tmax=20)。
(6)云服务组合的奔袭行为
头狼确定后,头狼周围的人工狼都以相对较大的奔袭步长 stepb=2*|dmax-dmin|/S=2*3/100快速接近头狼所在位置,人工狼通过跟踪全局最优适应度值 Ylead来更新它们的位置,人工狼i经过第k+1次迭代后在第d维的位置为下式所示:
其中,为第k代群体头狼在第d维空间的位置。
如果人工狼i在奔袭的途中某位置对应的组合云服务适应度值Yi>Ylead,则Ylead=Yi,该人工狼转变为头狼后重新进行奔袭行为;若Yi<Ylead,则人工狼i继续奔袭直到其与头狼之间的距离小于dnear时转入围攻行为。dnear由下式确定:
这里距离判定因子w为100。
(7)云服务组合的围攻行为
狼群对猎物进行围攻时,头狼的位置就是猎物的位置,对于第k代狼群,狼群的围攻行为可用下式表示:
其中,为第k代群体头狼在第d维空间中的位置,λ为[-1,1]范围内均匀分布的随机数, stepc为人工狼执行围攻行为时的攻击步长。stepc由下式确定:
stepc=|dmax-dmin|/2S=3/400
如果实施围攻行为后人工狼所在位置对应的组合云服务适应度值大于其原来位置对应组合云服务的适应度值,则更新此人工狼的位置,否则人工狼位置不变。
(8)更新头狼位置
实施围攻行为后,按“适应度值最大”的头狼产生规则对头狼位置进行更新。
(9)更新狼群
去除适应度值最差的R=10只人工狼,同时按照步骤(3)的初始化狼群的方法随机产生10只人工狼加入狼群。
(10)终止条件判断
判断是否达到最大迭代次数kmax,若达到则输出头狼位置对应的组合云服务,即云服务组合路径的最优解,否则转步骤(5)。
本发明的实施例公布的是较佳的实施例,但并不局限于此,本领域的普通技术人员,极易根据上述实施例,领会本发明的精神,并做出不同的引申和变化,但只要不脱离本发明的精神,都在本发明的保护范围内。
Claims (10)
1.一种云服务组合方法,其特征在于:包括如下步骤:
S1.构建云服务候选集;
S2.组合云服务的人工狼编码;
S3.初始化狼群;
S4.定义组合云服务的适应度函数;
S5.云服务组合的游走;
S6.云服务组合的奔袭;
S7.云服务组合的围攻;
S8.更新头狼位置;
S9.更新狼群;
S10.终止条件判断;
S11.输出头狼所在位置对应的组合云服务。
2.如权利要求1所述的云服务组合方法,其特征在于:步骤S1具体为:将云服务候选集形式化定义为一个四元组:
CSi=(Cn,Fun,Nums,Mems)
其中:Cn表示该云服务候选集的分类编号,同一候选集中所有云服务具有相同Cn;Fun是该候选集中所有云服务具有的功能描述;Nums为该云服务候选集的所有云服务在候选集中的编号序列,即1,2,3,…,s,其中s为该云服务候选集中云服务的个数;Mems为按顺序构成该云服务候选集的所有云服务组成的一个序列。
3.如权利要求1所述的云服务组合方法,其特征在于:步骤S2具体为:对人工狼的位置采用整数编码,设定:每个组合云服务对应一只人工狼,每只人工狼的位置有D维,分别对应组合云服务中的D个云服务,组合云服务中完成每个子任务的云服务在相应云服务候选集中的编号对应为人工狼的d维位,人工狼的位置定义为:
Xi=(xi1,xi2,…,xid,…,xiD)
其中,xid表示第i(1≤i≤N)只人工狼在第d(1≤d≤D)维上的值。
4.如权利要求1所述的云服务组合方法,其特征在于:步骤S3具体为:设狼群的规模为N,最大迭代次数为Kmax,探狼比例因子为a,最大游走次数为Tmax,距离判定因子为w,步长因子为S,更新比例因子为β,X为狼群中的人工狼集合,通过以下公式随机产生第i只人工狼Xi的初始位置:
Xi=(xi1,xi2,…,xid,…,xiD)
xid=xdmin+rand(0,1)(xdmax-xdmin)
式中,xid表示第i(1≤i≤N)只狼在第d(1≤d≤D)维上的值,rand(0,1)为在[0,1]范围内分布的随机数,xdmax、xdmin分别为狼群第d维的最大值和最小值。
5.如权利要求1所述的云服务组合方法,其特征在于:步骤S4具体为:
定义一个4维的QoS评价指标来作为云服务组合结果的评价标准,分别为服务时间(T)、服务费用(C)、可用性(Av)、可靠性(Rel);
云服务组合的适应度函数定义为:
其中w1、w2、w3、w4是相应的权重,且
6.如权利要求1所述的云服务组合方法,其特征在于:步骤S5具体为:
S51.根据适应度函数计算每条组合执行路径的适应度值,选择具有最大值的组合路径对应的人工狼为头狼,设定头狼所在位置对应的组合云服务的适应度值为Ylead;
S52.选择除头狼外的适应度值最大的m条云服务组合路径作为探狼,其中m为之间的整数,a为探狼比例因子;
S53.探狼按照以下方式进行游走:
S531.探狼i所在位置对应的组合云服务适应度值为Yi,其中i=1,2,…,m;如果Yi大于头狼的Ylead,则Ylead=Yi,探狼i替代头狼,如果Yi<Ylead,则探狼i进行自主决策,进行下一步骤:
S532.分别向dmax个方向前进一步,此时的步长设为stepa,并记录下移动后的适应度值,然后退回原位置,探狼i向第p个方向移动后在第d维空间的位置定义为:
stepa=rand-N(1,dmax)
其中,rand-N(1,dmax)为在[1,dmax]范围内分布的随机整数,dmax为狼群所有维度的最大值。
S533.此时,探狼i所在位置对应的组合云服务路径的适应度值为Yip,选择大于当前位置适应度值中最大的方向前进一步,对探狼i的位置进行更新,不断重复游走直到某个位置的适应度值大于头狼所在位置的适应度值,或者游走次数T达到最大游走次数Tmax。
7.如权利要求1所述的云服务组合方法,其特征在于:步骤S6具体为:
S61.头狼周围的人工狼都以相对较大的奔袭步长stepb=2*|dmax-dmin|/S快速接近头狼所在位置,人工狼i经过第k+1次迭代后在第d维的位置为下式所示:
其中,为第k代群体头狼在第d维空间的位置。
S62.如果人工狼i在奔袭的途中某位置对应的组合云服务适应度值Yi>Ylead,则Ylead=Yi,即该人工狼转变为头狼,然后转到步骤S61重新进行奔袭行为;若Yi<Ylead,则人工狼i继续奔袭,直到其与头狼之间的距离小于dnear时转入围攻行为,dnear由下式确定:
其中,xdmax、xdmin分别为狼群第d维的最大值和最小值,w为距离判定因子,d=1,2,…D。
8.如权利要求1所述的云服务组合方法,其特征在于:步骤S7具体为:人工狼对头狼的位置进行围攻,对于第k代人工狼狼群,人工狼狼群的围攻行为用下式表示:
其中,为第k代人工狼狼群中的头狼在第d维空间中的位置,λ为[-1,1]范围内均匀分布的随机数,stepc为人工狼执行围攻行为时的攻击步长,stepc由下式确定:
stepc=|dmax-dmin|/2S
其中,S为步长因子,如果实施围攻行为后人工狼所在位置对应的组合云服务适应度值大于其原来位置对应组合云服务的适应度值,则更新此人工狼的位置,否则人工狼位置不变。
9.如权利要求8所述的云服务组合方法,其特征在于:步骤S8具体为:步骤S7实施围攻行为后,按“适应度值最大”的头狼产生规则对头狼位置进行更新。
10.如权利要求9所述的云服务组合方法,其特征在于:步骤S9具体为:去除适应度值最差的R只人工狼,同时按照步骤S3的初始化狼群的方法重新随机产生R只新的人工狼加入狼群中,R的取值为[N/2β,N/β]之间的随机整数,β为狼群更新比例因子;
步骤S10具体为:判断是否达到最大迭代次数kmax,若达到则输出头狼位置对应的组合云服务,即云服务组合路径的最优解,否则转步骤S5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964960.8A CN109344953B (zh) | 2018-08-23 | 2018-08-23 | 云服务组合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810964960.8A CN109344953B (zh) | 2018-08-23 | 2018-08-23 | 云服务组合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109344953A true CN109344953A (zh) | 2019-02-15 |
CN109344953B CN109344953B (zh) | 2022-03-01 |
Family
ID=65294139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810964960.8A Active CN109344953B (zh) | 2018-08-23 | 2018-08-23 | 云服务组合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109344953B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
CN104794526A (zh) * | 2015-05-13 | 2015-07-22 | 哈尔滨工程大学 | 一种狼群搜索算法优化的船舶自动避碰方法 |
CN105117769A (zh) * | 2015-09-14 | 2015-12-02 | 杭州电子科技大学 | 基于差分进化狼群算法的欺骗干扰识别方法 |
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN107124379A (zh) * | 2017-04-07 | 2017-09-01 | 淮南联合大学 | 一种基于改进狼群优化的正交小波常模盲均衡方法 |
-
2018
- 2018-08-23 CN CN201810964960.8A patent/CN109344953B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408589A (zh) * | 2014-10-24 | 2015-03-11 | 陕西科技大学 | 基于混合粒子群算法的agv优化调度方法 |
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN104794526A (zh) * | 2015-05-13 | 2015-07-22 | 哈尔滨工程大学 | 一种狼群搜索算法优化的船舶自动避碰方法 |
CN105117769A (zh) * | 2015-09-14 | 2015-12-02 | 杭州电子科技大学 | 基于差分进化狼群算法的欺骗干扰识别方法 |
CN107124379A (zh) * | 2017-04-07 | 2017-09-01 | 淮南联合大学 | 一种基于改进狼群优化的正交小波常模盲均衡方法 |
Non-Patent Citations (1)
Title |
---|
吴虎胜 等: "一种新的群体智能算法——狼群算法", 《系统工程与电子技术》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109344953B (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Intelligent cloud resource management with deep reinforcement learning | |
JP6530783B2 (ja) | 機械学習装置、制御装置及び機械学習プログラム | |
Almezeini et al. | Task scheduling in cloud computing using lion optimization algorithm | |
Zhou et al. | A modified PSO algorithm for task scheduling optimization in cloud computing | |
CN110520868A (zh) | 分布式强化学习 | |
CN105704255A (zh) | 一种基于遗传算法的服务器负载均衡方法 | |
CN109067834B (zh) | 基于振荡式惯性权重的离散粒子群调度算法 | |
Zhang et al. | Performance analysis of the libra blockchain: An experimental study | |
Nguyen et al. | People-centric evolutionary system for dynamic production scheduling | |
CN112052071A (zh) | 强化学习和机器学习相结合的云软件服务资源分配方法 | |
CN116257363B (zh) | 资源调度方法、装置、设备及存储介质 | |
Abdullah et al. | Integrated MOPSO algorithms for task scheduling in cloud computing | |
Hendrickson et al. | Enhancing data locality by using terminal propagation | |
CN115658230A (zh) | 一种云数据中心高效能容器编排方法及系统 | |
CN109347900A (zh) | 基于改进狼群算法的云服务系统自适应演化方法 | |
Zhang et al. | Cost-aware scheduling systems for real-time workflows in cloud: An approach based on Genetic Algorithm and Deep Reinforcement Learning | |
CN109344953A (zh) | 云服务组合方法 | |
CN104346380B (zh) | 基于MapReduce模型的数据排序方法和系统 | |
Fan et al. | Associated task scheduling based on dynamic finish time prediction for cloud computing | |
JP2007072527A (ja) | 複数の属性を持つ段取りを伴う動的ロットサイズスケジューリングのための方法 | |
Boeres et al. | Hybrid evolutionary static scheduling for heterogeneous systems | |
CN105550765B (zh) | 一种路网距离计算中的代表元选取方法 | |
CN116974774B (zh) | 一种星载计算资源分配优化方法、服务器及存储介质 | |
CN115190135B (zh) | 一种分布式存储系统及其副本选择方法 | |
US20230409537A1 (en) | Distributed storage system with machine learning model for selecting a hash function to map a data item to a storage device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20231007 Address after: Building 3, Entrepreneurship Incubation Base, Chongren County, Fuzhou City, Jiangxi Province, 344000 Patentee after: Jiangxi Chuancha Import and Export Co.,Ltd. Address before: 418 Guanglan Avenue, Nanchang Economic and Technological Development Zone, Jiangxi Province Patentee before: EAST CHINA INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |