CN110188861A - 一种基于I-PGA算法的Web服务组合优化方法 - Google Patents
一种基于I-PGA算法的Web服务组合优化方法 Download PDFInfo
- Publication number
- CN110188861A CN110188861A CN201910465144.7A CN201910465144A CN110188861A CN 110188861 A CN110188861 A CN 110188861A CN 201910465144 A CN201910465144 A CN 201910465144A CN 110188861 A CN110188861 A CN 110188861A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- algorithm
- web service
- web
- 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.)
- Pending
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
- G06N3/004—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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于I‑PGA算法的Web服务组合优化方法,该方法将GA算法和PSO算法进行融合,将GA算法的交叉和变异操作有效加入于PSO算法的寻解过程中,并保留PSO算法原本的记忆两个最优解特性,该方案继承了PSO算法的较快求解速度和较高时间收敛能力,以及GA算法较好的全局优化能力。本发明使得Web服务组合寻优过程时间复杂度低,运行时间少,更容易求得全局最优解,从而帮助用户从海量的Web候选原子服务中选择最合适的原子服务进行组合和架构,从而实现更为复杂的增值功能,提高Web服务的适用性和有效性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种基于I-PGA算法的Web服务组合优化方法。
背景技术
Web服务组合(ServiceComposition)问题是一种根据Web服务中的服务质量(QualityofService,QoS)属性偏重来选择每个服务节点中对应服务的优化过程,它属于服务组合领域问题,是典型的NP-hard问题。
Web原子服务根据其语义规范和工作流体系、以有机结合的架构方式组合成功能更强大的增值服务。在服务流中通常包含若干个服务节点,每个服务节点对应着包含大量彼此实现功能相同但质量QoS属性不同的Web原子服务,而每个Web原子服务都包含数个QoS属性指标,如执行费用Cost、响应时间Time、信誉度Rep、可用性Avai,等。那么如何从大量的候选原子服务中选择QoS属性最优的服务组合,是本发明的问题所在。
目前已有许多智能方法被用来求解此类问题,包括遗传算法、粒子群算法、蚁群算法、最短路径算法、模拟退火算法等等。这些智能算法通常在随机生成初始解集的情况下,运用迭代更新、适应度衡量、历史信息跟踪、添加突变机制等技术实现Web服务组合的全局优化。
其中,遗传算法(Genetic Algorithm,GA)是一种模拟自然界生物优胜劣汰进化的智能算法,其基本思想是进化论基础和遗传变异理论。进化论中去劣存优的思想使种群能朝着越来越适应环境的趋向发展,保留和选择(Selection)生存能力较强(即适应度高)的个体,淘汰生存能力较弱的个体;遗传变异理论在于种群遗传依靠染色体的交叉变异,描述了以基因和染色体方式遗传的生物在进化中通过染色体的不断交叉(Crossover)和变异(Mutation),进而产生更多类型的子代个体。
如果采用GA算法求解Web服务组合,适应度较高的组合服务会被随机选择出来,在满足交叉概率时使两个不同服务组合染色体相互交叉,最后通过变异概率判断服务组合对应的染色体是否进行突变操作,实现种群染色体的多样性,最后将迭代更新的结果作为新一代种群继续进化。直至达到进化代数阀值时进化结束,输出进化到最后得到Web服务组合的全局最优解信息。使用GA求解Web服务组合问题过程如图1所示。
对于GA和蚁群算法等具有较好的全局寻优能力的算法,其算法大多比较复杂且寻优速度缓慢,算法自身操作困难,过度依赖初始种群,算法中各算子和参数的设计会对算法产生较大的影响,特别是在候选服务个数急速增加时,很难保证算法时间的收敛性,基本无法满足实时系统的需要。
粒子群算法(Particle Swarm Optimization,PSO)是根据鸟群觅食行为而模拟实现,主要映射关系为:在D维搜索觅食空间中,群体粒子规模为n,每个粒子i都代表着解空间内一组解信息。鸟群中每个粒子彼此共享两个信息,分别是迄今为止每个粒子个体的历史最优解pBest和种群全局最优解gBest,粒子在整个解空间迭代,就是鸟类觅食的过程,当鸟群找到了食物,就表示粒子算法找到了最优解信息。
在PSO中,每个粒子i都包含四个分量:当前位置当前速度历史最优解全局最优解gBest=(g1,g2,…,gD)。
PSO粒子更新公式为:
上式中,i为粒子个体序号;d为解空间维数;c1和c2是调整粒子飞行速度的学习因子,通常取2;rand为(0,1)区间的随机数。PSO求解更新过程如图2所示,图中字母标识含义与公式中相同,上角标t表示迭代轮次,由于是常规技术手段,这里不详述。
使用PSO和模拟退火算法这类寻优速度非常高的算法,虽然具有容易实现、收敛快等优点,但是它们在Web服务组合优化过程中,由于在算法中缺少突变和降温这类的变异操作,结果通常容易陷入局部最优解中。
综上所述,现有的大多数智能算法在解决Web服务组合全局优化问题中通常存在着一些不足,在解决Web服务组合全局优化的问题上,不能既具有较好的全局优化能力,同时又拥有较快的求解速度和较高的时间收敛能力。
发明内容
有鉴于此,本发明提供了一种基于改进的粒子群-遗传算法(I-PGA)的Web服务组合优化方法,能够既具有较好的全局优化能力,同时又拥有较快的求解速度和较高的时间收敛能力。
为了解决上述技术问题,本发明是这样实现的:
一种基于改进的粒子群-遗传算法I-PGA的Web服务组合优化方法,该方法包括如下步骤:
步骤1、采用种群中的个体代表Web服务组合,个体中的基因对应Web服务组合中的服务节点,基因的值代表为服务节点分配的Web原子服务;初始化种群,设置进化代数为0;
步骤2、求解种群中全部个体的适应度、种群个体最优解pBest及全局最优解gBest信息;
步骤3、终止条件判断,若满足终止条件,则进化结束,输出最优Web服务组合方案;否则,继续执行步骤4;
步骤4、根据粒子群算法PSO更新种群个体的速度和位置信息,求解种群更新后的个体适应度值,并更新pBest和gBest信息;
步骤5、使用遗传算法GA的交叉算子产生新的种群个体,并更新pBest和gBest信息;
步骤6、使用GA算法的变异算子产生新的种群个体,并求解相应适应度值,并更新pBest和gBest信息;
步骤7、进化代数加1,跳转执行步骤3。
优选地,步骤5进行交叉操作后,进一步进行精英保留操作。
优选地,所述精英保留操作为:将亲代种群中适应度值大于新生成种群内最佳个体适应度值的个体直接复制到新种群中,替代新种群中相应数量的最差个体,然后再更新pBest和gBest信息。
优选地,个体k的适应度的获取方式为:已知Web原子服务的M个QoS属性指标值,根据Web服务组合k的组合模型类型,采用与类型对应的计算方式得到Web服务组合k的m个QoS属性指标,然后进行加权计算,得到Web服务组合k的QoS,即个体k的适应度。
优选地,每个Web原子服务包含4种QoS属性指标,分别为执行费用Qc(WSk)、响应时间Qt(WSk)、信誉度Qrep(WSk)和可用性Qavai(WSk),则Web服务组合的适应度值Fit(WSk)为:
Fit(WSk)=(Qc(WSk),Qt(WSk),Qrep(WSk),Qavai(WSk))×W
其中,W为四个QoS属性指标的权重向量。
优选地,步骤5的交叉操作采用多点交叉方式。
优选地,步骤6的变异操作采用基本位变异方式。
有益效果:
(1)本发明将GA和PSO两种算法进行融合,将GA算法的交叉和变异操作有效加入于PSO算法的寻解过程中,并保留PSO算法原本的记忆两个最优解特性,该方案继承了PSO算法的较快求解速度和较高时间收敛能力,以及GA算法较好的全局优化能力。
(2)由于交叉算子对提高基因组合多样性的效果非常明显,也使得种群个体经过交叉操作后,很容易将原种群内具有较高适应度的亲代个体染色体打乱和破坏,这样就会造成不必要的进化损失,为了减少因交叉操作而造成的种群中最优解被损坏,本发明在交叉操作中加入了基于精英保留策略的亲代较优解保留方法,在每一代的交叉过程中都保护了最优解染色体不受破坏。
(3)本发明对PSO算法迭代的结果进行多点交叉和基本位变异操作,使种群能够较大程度增加基因序列和染色体多样性。
附图说明
图1为现有技术使用遗传算法求解Web服务组合问题的流程图;
图2为现有技术粒子群算法中求解更新过程的流程图;
图3为本发明基于I-PGA算法的Web服务组合优化方法流程图;
图4为多点交叉操作的示意图;
图5为本发明采用精英保留策略的例子。
具体实施方式
本发明提供了一种基于I-PGA算法的Web服务组合优化方法,I-PGA是改进的粒子群-遗传算法的缩写,该方法的基本思想是:将GA算法和PSO算法进行融合,将GA算法的交叉和变异操作有效加入于PSO算法的寻解过程中,并保留PSO算法原本的记忆两个最优解特性,该方案继承了PSO算法的较快求解速度和较高时间收敛能力,以及GA算法较好的全局优化能力。
进一步地,在交叉算子中引入了精英保留机制,对种群中当前最优个体进行保护,避免因染色体交叉而对基因序列造成不可估算的损坏,同时也提高了算法的收敛能力。
下面结合附图对基于I-PGA算法的Web服务组合优化过程进行详细描述。
种群中的个体代表Web服务组合,个体中的每个基因对应Web服务组合中的一个服务节点,基因的值代表为该服务节点分配的Web原子服务序号。例如,某个个体为[1,2,4,3],表示为服务节点1分配Web原子服务1,为服务节点2分配Web原子服务2,服务节点3分配Web原子服务4,服务节点4分配Web原子服务3。
由于GA算法中个体的概念和PSO算法中粒子的概念相同,本发明将其统一称为个体。
图3为本发明基于I-PGA算法的Web服务组合优化方法的流程图,如图3所示,该方法包括如下步骤:
步骤1、获取数据。获取Web服务组合中服务节点的个数N以及各服务节点所对应候选Web原子服务的QoS属性,求解各Web原子服务的QoS属性初始标准值。
每个Web原子服务都包含M个QoS属性指标。最常用的如下4种,即执行费用Cost、响应时间Time、信誉度Rep、可用性Avai,则本实施例中M=4。为了在求取适应度时,不同种类的属性值能够相互计算,则需要对他们进行数值范围的统一。本发明采用如下标准化方法对QoS属性进行规范,将不同属性归一化到[0,1]之间,得到QoS属性初始标准值。如公式(3)(4)所示,其中公式(3)在对执行费用、响应时间等成本型QoS属性的值进行标准化时使用,公式(4)在对信誉度、可用性等效益型QoS属性的值进行标准化时使用。
其中,对候选Web服务进行排序,对于第i个Web原子服务,qij表示第i个Web原子服务的第j个属性换算前的属性值,pij表示第i个Web原子服务的第j个属性换算后的属性值,表示所有候选Web服务中第j个属性的最大值,表示所有候选Web服务中第j个属性的最小值。
经本步骤处理,获得了各Web原子服务的QoS属性初始标准值。
步骤2、初始化种群并进行染色体编码,同时将进化代数设置为0。
初始化种群操作包括群体规模,每个个体的位置和速度。步骤1中确定的Web服务组合中服务节点的个数设为N,因此种群中每个个体包含N个基因。通过染色体编码,获得初始种群。
步骤3、求解种群中全部个体的适应度、种群个体最优解pBest及全局最优解gBest信息。
适应度函数(Fitness Function)是度量一个服务组合的服务质量优异程度的考察标准,在算法中主要是通过种群个体特征来判断个体的适应度值大小。本实施例中个体的适应度是指Web服务组合的QoS属性。Web服务组合的QoS属性是由各个Web原子服务的QoS属性综合得到。具体来说:
Web服务组合包含四种模型,分别为顺序组合模型、循环组合模型、选择组合模型、并行组合模型,这四种模型的QoS属性计算方式不同,如表1所示:
表1四种模型中QoS计算公式
上表中,Cn、Tn、Rn、An分别表示Web服务组合中第n个Web原子服务的执行费用Cost、响应时间Time、信誉度Rep、可用性Avai;μ和ρn分别表示Web原子服务n的循环执行次数和被选择执行的概率。Max{}和Min{}分别表示求取N个属性中的最大值、最小值。
通过表1的求取,对于任意一个服务组合k,其QoS属性可以表示为:
Q(WSk)=(Qc(WSk),Qt(WSk),Qrep(WSk),Qavai(WSk)) (5)
接着,基于上述Q(WSk)进行适应度计算。适应度函数可以有很多种,本发明直接以待求解的目标函数转化为适应度函数,即:
Fit(WSk)=(Qc(WSk),Qt(WSk),Qrep(WSk),Qavai(WSk))×W (6)
式中W为QoS指标的权重向量,有W=(w1,w2,w3,w4),适应度函数的计算结果为:
pBest和gBest分别指的是个体最优解和全局最优解。当算法迭代第i次时,pBest指的是这i次迭代中某个个体出现的最好的位置;gBest指的是这i次迭代中全部个体中出现的最好的位置。最好的位置即适应度表现最好的个体所在位置。可以根据pBest的位置向量信息计算出pBest对应的适应度值,计算方法和PSO中由普通粒子位置信息计算出对应的适应度一样。gBest也是如此。利用个体的速度可以计算出位置信息,进而找到所述的最好位置,即pBest和gBest。pBest及gBest信息的具体获取方式为PSO算法中的常规技术,这里不详述。
步骤4、终止条件判断,若满足终止条件,则进化结束,输出最优Web服务组合方案;否则继续执行步骤5。
步骤5、根据PSO进化公式(1)和(2),更新种群个体的速度和位置信息,求解种群更新后的适应度值,并更新pBest和gBest信息。其中,若子代个体适应度值低于其对应亲代pBest的适应度值,则把pBest的位置和适应度信息替换成此个体的对应信息;若有子代个体的适应度值低于种群gBest的适应度值,则把gBest的位置适应度值信息替换成该个体的对应信息。
步骤6、使用GA算法的交叉算子产生新的种群粒子,进行精英保留操作,把亲代种群中适应度值大于新生成种群内最佳个体适应度值的个体直接复制到新种群中,替代新种群中相应数量的最差个体,并更新pBest和gBest信息。
本步骤中,为了能增大种群染色体中基因序列的多样性,使粒子求解范围更广,本发明采用多点交叉的方式实现交叉操作,如图4所示。
在典型交叉算子根据交叉概率Pc确定是否执行交叉操作的基础上,多点交叉算子还包含两个步骤:首先随机生成一条与亲代个体染色体长度相同的(0,1)向量。然后根据该向量中的0和1所在位置,判断亲代染色体中对应位置的基因是否进行交叉操作,若为1,则交叉;若为0,则不交叉。
由于交叉算子对提高基因组合多样性的效果非常明显,也使得种群个体经过交叉操作后,很容易将原种群内具有较高适应度的亲代个体染色体打乱和破坏,这样就会造成不必要的进化损失,为了减少因交叉操作而造成的种群中最优解被损坏,算法在交叉操作中提出并使用了基于精英保留策略的亲代较优解保留方法,在每一代的交叉过程中都保护了最优解染色体不受破坏。本发明所采用的精英保留策略是:将亲代种群中适应度值大于新生成种群内最佳个体适应度值的个体直接复制到新种群中,替代新种群中相应数量的最差个体。
举个例子,如图5所示,父代的P1~P6经交叉后,得到C1~C6,经适应度计算,P2和P4是父代中的精英,这两个个体的适应度均大于C1~C6内最佳个体适应度值,因此将P2和P4替换掉C1~C6内最差个体C1和C5,形成了优选的子代P2、P4、C2、C3、C4、C6。
步骤7、使用GA的变异算子产生新的种群个体,并求解相应适应度值,最后更新种群中两个最优解信息—pBest和gBest。
在I-PGA算法中要完成种群的进化过程,还要添加GA算法中自有的变异操作。本发明的变异操作是以一定概率修改个体染色体的某一位基因值,以便能够在搜索空间中尚未检查的区域继续进行探索。
由于本文对个体采用了实数编码的方式,而实数编码串中不同编码位的改变几率在解集空间的变化幅度是等价的。因此,本发明采用基本位变异方法作为种群中个体变异的方法,基本位变异就是对个体的基因位置依照变异概率指定某一位为变异点,对该变异点的基因值进行改变。
步骤8、进化代数加1,跳转执行步骤4。
至此,本流程结束。
本发明基于I-PGA算法的Web服务组合优化方法,其时间复杂度低,运行时间少,更容易求得全局最优解,从而帮助用户从海量的Web候选原子服务中选择最合适的原子服务进行组合和架构,从而实现更为复杂的增值功能,提高Web服务的适用性和有效性。
相对于GA算法,I-PGA算法寻优中完全不依靠初始种群,算法复杂度较低、求解过程容易实现,而且算法时间开销较低,收敛效果较优。相对于PSO算法,I-PGA算法较易求得全局最优解,不易陷入局部最优。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于改进的粒子群-遗传算法I-PGA的Web服务组合优化方法,其特征在于,该方法包括如下步骤:
步骤1、采用种群中的个体代表Web服务组合,个体中的基因对应Web服务组合中的服务节点,基因的值代表为服务节点分配的Web原子服务;初始化种群,设置进化代数为0;
步骤2、求解种群中全部个体的适应度、种群个体最优解pBest及全局最优解gBest信息;
步骤3、终止条件判断,若满足终止条件,则进化结束,输出最优Web服务组合方案;否则,继续执行步骤4;
步骤4、根据粒子群算法PSO更新种群个体的速度和位置信息,求解种群更新后的个体适应度值,并更新pBest和gBest信息;
步骤5、使用遗传算法GA的交叉算子产生新的种群个体,并更新pBest和gBest信息;
步骤6、使用GA算法的变异算子产生新的种群个体,并求解相应适应度值,并更新pBest和gBest信息;
步骤7、进化代数加1,跳转执行步骤3。
2.如权利要求1所述的方法,其特征在于,步骤5进行交叉操作后,进一步进行精英保留操作。
3.如权利要求2所述的方法,其特征在于,所述精英保留操作为:将亲代种群中适应度值大于新生成种群内最佳个体适应度值的个体直接复制到新种群中,替代新种群中相应数量的最差个体,然后再更新pBest和gBest信息。
4.如权利要求1所述的方法,其特征在于,个体k的适应度的获取方式为:已知Web原子服务的M个QoS属性指标值,根据Web服务组合k的组合模型类型,采用与类型对应的计算方式得到Web服务组合k的m个QoS属性指标,然后进行加权计算,得到Web服务组合k的QoS,即个体k的适应度。
5.如权利要求4所述的方法,其特征在于,每个Web原子服务包含4种QoS属性指标,分别为执行费用Qc(WSk)、响应时间Qt(WSk)、信誉度Qrep(WSk)和可用性Qavai(WSk),则Web服务组合的适应度值Fit(WSk)为:
Fit(WSk)=(Qc(WSk),Qt(WSk),Qrep(WSk),Qavai(WSk))×W
其中,W为四个QoS属性指标的权重向量。
6.如权利要求1所述的方法,其特征在于,步骤5的交叉操作采用多点交叉方式。
7.如权利要求1所述的方法,其特征在于,步骤6的变异操作采用基本位变异方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465144.7A CN110188861A (zh) | 2019-05-30 | 2019-05-30 | 一种基于I-PGA算法的Web服务组合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910465144.7A CN110188861A (zh) | 2019-05-30 | 2019-05-30 | 一种基于I-PGA算法的Web服务组合优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110188861A true CN110188861A (zh) | 2019-08-30 |
Family
ID=67719071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910465144.7A Pending CN110188861A (zh) | 2019-05-30 | 2019-05-30 | 一种基于I-PGA算法的Web服务组合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110188861A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112822043A (zh) * | 2020-12-31 | 2021-05-18 | 扆亮海 | 预防局部极优的高质量网络服务组合方法 |
CN114356564A (zh) * | 2021-12-29 | 2022-04-15 | 四川大学 | 一种集成服务资源的系统 |
CN114640587A (zh) * | 2022-03-28 | 2022-06-17 | 云南电网有限责任公司信息中心 | Web服务组合优化方法、装置、服务器及存储介质 |
-
2019
- 2019-05-30 CN CN201910465144.7A patent/CN110188861A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112822043A (zh) * | 2020-12-31 | 2021-05-18 | 扆亮海 | 预防局部极优的高质量网络服务组合方法 |
CN114356564A (zh) * | 2021-12-29 | 2022-04-15 | 四川大学 | 一种集成服务资源的系统 |
CN114640587A (zh) * | 2022-03-28 | 2022-06-17 | 云南电网有限责任公司信息中心 | Web服务组合优化方法、装置、服务器及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yoon et al. | GANITE: Estimation of individualized treatment effects using generative adversarial nets | |
Hu et al. | The hierarchical fair competition (hfc) framework for sustainable evolutionary algorithms | |
Nayyar et al. | Evolutionary computation: theory and algorithms | |
Doerner et al. | Pareto ant colony optimization: A metaheuristic approach to multiobjective portfolio selection | |
CN110188861A (zh) | 一种基于I-PGA算法的Web服务组合优化方法 | |
CN107197006B (zh) | 基于全局QoS分解的多约束服务选取方法及其装置 | |
CN106023195A (zh) | 基于自适应遗传算法的bp神经网络图像分割方法及装置 | |
CN109325580A (zh) | 一种用于服务组合全局优化的自适应布谷鸟搜索方法 | |
Singh et al. | Performance of a hybrid EA-DE-memetic algorithm on CEC 2011 real world optimization problems | |
CN105184415B (zh) | 一种配电网络重构设计方法 | |
JP2007200302A (ja) | 収束基準を利用する多目的最適化のためのモデルベースおよび遺伝ベースの子孫生成の組み合わせ | |
CN102902772A (zh) | 一种基于多目标优化的Web社区发现方法 | |
Comellas et al. | Bumblebees: a multiagent combinatorial optimization algorithm inspired by social insect behaviour | |
CN111292062B (zh) | 基于网络嵌入的众包垃圾工人检测方法、系统及存储介质 | |
CN112329906A (zh) | 一种基于粒子群算法的人工智能金融风险度量方法 | |
CN115277445B (zh) | 一种基于QoS目标的微服务系统调度优化方法 | |
Aydın et al. | A configurable generalized artificial bee colony algorithm with local search strategies | |
CN115659800A (zh) | 一种用于芯片研制的多目标优化方法 | |
Dadauto et al. | Data-driven intra-autonomous systems graph generator | |
CN108924196A (zh) | 工业互联网绿色能源管理系统 | |
Xie et al. | A novel crossover operator for particle swarm algorithm | |
Tongchan et al. | Harmony search algorithm's parameter tuning for traveling salesman problem | |
Chen et al. | Virtual enterprise risk management using artificial intelligence. | |
Akhmedova et al. | Co-operation of biology related algorithms for multi-objective binary optimization | |
Ergul | An Active Elitism Mechanism for Multi-objective Evolutionary Algorithms |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190830 |