CN110691000A - 基于FAHP与规划图融合的Web服务组合方法 - Google Patents
基于FAHP与规划图融合的Web服务组合方法 Download PDFInfo
- Publication number
- CN110691000A CN110691000A CN201910977269.8A CN201910977269A CN110691000A CN 110691000 A CN110691000 A CN 110691000A CN 201910977269 A CN201910977269 A CN 201910977269A CN 110691000 A CN110691000 A CN 110691000A
- Authority
- CN
- China
- Prior art keywords
- service
- qos
- value
- layer
- fahp
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Fuzzy Systems (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及Web服务组合技术领域,具体涉及一种基于FAHP与规划图融合的Web服务组合方法。它包括输入用户请求和Web服务存储库中的服务;通过FAHP方法分别计算每个服务的归一化QoS值;执行规划图的向前扩展阶段;根据用户请求执行规划图向后搜索阶段,所述向后搜索阶段包括根据用户需要寻找的每一个目标输出g,在Ai层中寻找满足最多功能性需求且归一化QoS值最高的服务ws;将服务ws的输入参数作为Pi‑1层中的目标状态,重复此过程直至到达初始状态层;将得到的该最佳服务组合路径输出。本方法可以匹配出能够实现用户复杂需求的服务组合,也能准确反应候选服务对于用户偏好的综合QoS水平。
Description
技术领域
本发明涉及Web服务组合技术领域,具体涉及一种基于FAHP与规划图融合的Web服务组合方法。
背景技术
近年来,网络时代高速发展,网络服务越来越普及。为了提高用户的满意度,许多Web服务优化方法应运而生。比如模糊层次分析算法FAHP、规划图法Graphplan。GraphPlan方法是一种通过图分析达到目标状态的人工智能算法,包括向前扩展与向后搜索两个阶段,可在有限时间内构建出一个包含有限个可能方案的图(规划图)。GraphPlan方法使用用户请求以及服务信息来构建搜索图,构建过程可在多项式时间内完成。将用户的请求分别映射为初始状态和目标g,服务的输入、输出参数分别映射为规划图的前提条件p(a)和动作效果effects(a)。在规划图中,P层和A层交替出现,P层包含服务的参数,A层包含可被唤醒的Web服务。参数层P0为问题的输入,表示规划问题的初始状态,Ai的每个节点都有Pi-1层的输入弧与Pi层的输出弧。如果目标状态存在于搜索图中,表示问题有解,解方案是这个规划图的子图,可从后向前由目标状态至初始状态寻找解方案;如果目标状态不在搜索图中,表示问题无解。
规划图方法包含两个阶段:向前扩展阶段和向后搜索阶段。
GraphPlan方法可以将单一的Web服务组合在一起来实现更复杂的功能,但无法处理用户的模糊请求或为用户做出具有倾向性的选择。扩展过程类似于广度优先算法,搜索盲目,难以适用于海量数据集,且容易陷入局部最大化问题。
发明内容
本发明的目的就是针对现有技术的缺陷,提供一种可以匹配出能够实现用户复杂需求的服务组合,也能准确反应候选服务对于用户偏好的综合QoS水平的基于FAHP与规划图融合的Web服务组合方法。
本发明一种基于FAHP与规划图融合的Web服务组合方法,其技术方案为,包括:
输入用户请求和Web服务存储库中的服务,所述用户请求包括输入与所需的目标输出g;
通过FAHP方法分别计算每个服务的归一化QoS值;
执行规划图的向前扩展阶段,直至遍历完服务存储库中的所有服务且没有新的服务加入;
根据用户请求执行规划图向后搜索阶段,所述向后搜索阶段包括
根据用户需要寻找的每一个目标输出g,在Ai层中寻找满足最多功能性需求且归一化QoS值最高的服务ws;
将服务ws的输入参数作为Pi-1层中的目标状态,重复此过程直至到达初始状态层;
将得到的该组从初始状态到目标状态的最佳服务组合路径输出。
较为优选的,所述规划图的向前扩展阶段包括:
设定用于修剪服务的阈值,修剪归一化QoS值低于所述阈值的Web服务;
根据用户的输入构建第一层P0;
遍历修剪后的Web服务存储库,若当前参数层包含所遍历到的服务所有所需输入参数,则将该服务加入规划图的服务层Ai,并将该服务的输出参数加入参数层Pi;重复该过程,直至遍历完服务存储库中所有服务且服务层Ai有没有新的服务加入,得到新的服务层Ai与参数层Pi;
判断规划图参数层Pi是否符合用户的全部输出请求,若符合,则执行规划图的向后搜索阶段,否则降低用于修剪服务的阈值,重复上述所有流程,直至规划图参数层Pi符合用户的全部输出请求,或阈值小于0。
较为优选的,所述降低用于修剪服务的阈值时,每次降低的阈值大于上一次降低的阈值。
较为优选的,所述通过FAHP方法分别计算每个服务的归一化QoS值包括:
构建决策矩阵;
计算每个QoS属性的模糊数;
计算每个QoS属性的权重;
计算服务单个QoS效用值;
计算归一化的QoS值。
较为优选的,所述构建决策矩阵的方法为:
根据偏好程度语言描述对照指标表,两两比较QoS属性,得到每个QoS属性的三角模糊值和比较矩阵
其中,lij表示元素li相对于元素lj比较时元素具有的模糊关系,mij表示元素mi相对于元素mj比较时元素具有的模糊关系,uij表示元素ui相对于元素uj比较时元素具有的模糊关系。
较为优选的,所述每个QoS属性的模糊数根据以下公式进行计算:
根据公式
对QoS属性的权重进行归一化。
较为优选的,所述计算服务单个QoS效用值包括:
当所述QoS属性为积极属性,则其效用值通过公式
当所述QoS属性为消极属性,则其效用值通过公式
较为优选的,所述归一化的QoS值通过公式计算,其中,di表示QoS属性i的权重。
本发明的有益效果为:
1、将模糊层次分析法的QoS值应用到规划图算法中,在向后搜索阶段,根据归一化QoS值对服务进行比较,选择最佳候选服务进行组合。与传统的模糊层次方法相比,本方法可以解决Web服务组合问题,实现更复杂的功能。与传统的规划图方法相比,本方法可以匹配出能够实现用户复杂需求的服务组合,也能准确反应候选服务对于用户偏好的综合QoS的水平。
2、利用动态阈值法对服务进行修剪,减小了规划图的规模,降低了时间复杂度,提高了算法的效率。同时,在Pi层不满足用户的全部输出请求时,降低阈值,能够保证在解路径存在的前提下一定找到有效组合路径。动态阈值加速调节,进一步提高了算法的效率。
3、相较于传统的QoS计算方法将各QoS属性权重等同,本方法的FAHP先根据用户需求计算各QoS属性的模糊数,然后根据模糊数的大小设置权重大小不同,再计算归一化的QoS,能够更好的满足用户需求。
附图说明
图1为本发明流程示意图;
图2为本发明规划图的搜索图示意图;
图3、4为本发明与传统Web服务组合方法比较示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明,便于清楚地了解本发明,但它们不对本发明构成限定。
如图1所示为基于FAHP与规划图融合的Web服务组合方法的流程,如图2所示,规划图搜索图中,P表示一组参数,A表示一组服务。初始层P0表示规划问题的初始状态,Ai的每个节点都有Pi-1层的输入与Pi层的输出。如果计划有多种方案能够实现相同的功能,但服务组合拥有不同的QoS值,规划图方法可以提供多个候选方案。为了对基于FAHP与规划图融合的Web服务组合方法进行说明,以下结合图2搜索图进行描述:
步骤1、输入用户请求和Web服务存储库中的服务,用户请求包括输入与所需的目标输出g。
步骤2、通过FAHP方法计算综合QoS值。
步骤3、引入动态阈值,修剪归一化QoS值低于所述阈值的Web服务。首先设置一个用于修建服务的阈值,将Web服务存储库中服务的归一化QoS值与阈值作比较,如果某服务的归一化QoS值低于阈值,将此服务修剪。通过引入阈值,一方面可以剪枝竞争力较差的Web服务,另一方面可以加快向前扩展的速度。如果设置的阈值过高,有可能会将Web组合所需的服务修剪掉,无法得到满足用户需求的服务组合。为了保证找到解决方案,采用动态阈值法,结合规划图的向前扩展过程。当向前扩展结束找不到解决方案时,需要降低阈值,重新构建搜索图。直到规划图中包含所有目标g或证明问题无解为止。考虑到查询速度问题,使用加速减小阈值的方法,即当前阈值减去上一次步长的两倍。步长为阈值的变化值,即上一步的阈值减去当前阈值的差。加速减小阈值的过程可以加快阈值减小的速度,阈值减小的值越大能更快地找到合适的阈值。此步骤引入阈值,对Web服务存储库进行修剪,一方面可以剪枝竞争力较差的Web服务,另一方面可以加快向前扩展的速度。
步骤4、如图2所示,构建初始参数层P0。
步骤5、遍历步骤3修剪过的服务存储库。
步骤6、判断当前参数层Pi-1是否包含所遍历到的服务所有所需输入参数,若符合,则执行步骤7,否则返回步骤5。
步骤7、将该服务加入规划图的服务层Ai,将该服务的输出参数加入参数层Pi,Pi层是Ai层输出参数的集合。
步骤8、判断是否遍历完服务存储库中的服务,若符合,则执行步骤9,否则返回步骤5。
步骤9、得到新的服务层Ai与状态层Pi。
步骤10、判断服务层Ai有没有新的服务加入,若符合,则执行步骤6,否则执行步骤11。
步骤11、判断规划图参数层Pi是否符合用户的全部输出请求,若符合,则执行步骤12,否则返回步骤3降低阈值。如果规划图参数层Pi符合用户的全部输出请求,说明当前规划图存在满足用户所有需求的组合方案。下一步是根据输出向前搜索寻找组合路径。如果规划图参数层Pi不符合用户的全部输出请求,说明此时规划图不能满足用户需求,应返回步骤3减小阈值,重新剪枝服务,再次进行规划图扩展。在该过程中,若阈值小于0时规划图参数层Pi依然不符合用户的全部输出请求,则返回失败。
步骤12、根据目标输出请求向前搜索,寻找组合路径。
向后搜索过程是从最后一层到第一层的反向搜索循环。根据Pi层用户要找的目标状态,在Ai层中寻找一组归一化QoS最佳且满足目标状态的服务ws,这一组服务ws的输入又是前一层Pi-1层中的目标状态。重复此过程,每层选择归一化QoS最佳的候选服务进行组合,直到达到初始状态层,得到一组从初始状态到目标状态的服务组合路径。通过上述改进,可以保证每次的选择都是当前状态下最优的。向后搜索的过程包括以下步骤:
(1)根据用户要找的每一个目标状态g,在Ai层中寻找满足最多功能性需求并且归一化QoS值最高的候选服务ws。
(2)得到ws的输入参数作为下一循环Pi-1层中的目标状态。
(3)重复(2),直到到达初始状态层。
(4)得到一组从初始状态到目标状态的最佳服务组合路径。
步骤13、输出组合路径结果,结束。一组Web服务的组合路径(wi,wj,…,wn)为整个方案的输出。
通过FAHP方法分别计算每个服务的归一化QoS值包括:
1、构建决策矩阵;
步骤1a、根据表1,通过两两比较QoS属性,得到模糊数。模糊数可以表示为三值判断:最低可能值,中间值,最高可能值。一般三角模糊数表示为(l,m,u),其中m为三角模糊数的中值,此时完全隶属于三角模糊数。l和u分别为三角模糊数的上界和下界,在l,u以外完全不属于模糊数。在这个过程中考虑的不确定性水平标注参数β。在这种情况下,最大可能描述的不确定性值β=0。而β=1的值对应完全确定的情况给出的语言表达式对应的最优标准。参数值β可以是[0,1]区间的任意数。此过程为了确定评价标准的重要性。偏好程度语言描述对照指标如表1所示:
表1
注1:如果所有的xβ<1,则xβ<1。
注2:如果所有的(2-β)x>9,则(2-β)x=9。
步骤1b、根据子步骤(a),两两比较QoS属性后得到相应的三角模糊值和比较矩阵:
lij表示元素li相对于元素lj比较时,元素具有的模糊关系,mij,uij同理。
2、计算每个QoS属性的模糊数;
第i个属性的模糊数值为:
3、计算每个QoS属性的权重;
步骤3b、计算权重并进行归一化。权重公式见公式(3):
4、计算服务单个QoS效用值;
计算服务单个QoS效用值。如果匹配程序产生的分数界限是已知的,即已知Web服务在QoS属性下的最大值与最小值则可以进行归一化处理。对于积极的QoS属性,例如吞吐量、可靠性,使用公式(4)来计算QoS的值。对于消极的QoS属性,例如响应时间、花费,则用公式(5)计算QoS值。
式中,Qi(wj)表示wj在Qi标准的值,表示Qi标准的最大(最小)值。
5、计算归一化的QoS值。
计算归一化的QoS值。将各个属性归一化后的QoS值Ui与对应的权重di值相乘,并求和,即得归一化QoS值,见公式(6)。
实施例一
在本实施例中,Web服务的信息如表2所示,其中包括输入、输出的概念、响应时间(#Resp)、吞吐量(#Tpt)和成本(#Cost)。
表2
w<sub>i</sub> | 输入 | 输出 | #Resp | #Tpt | #Cost |
w<sub>1</sub> | A,B | D | 450 | 16000 | 50 |
w<sub>2</sub> | B,C | E | 480 | 2500 | 20 |
w<sub>3</sub> | C,D | E | 80 | 12000 | 65 |
w<sub>4</sub> | E | F | 150 | 13000 | 55 |
w<sub>5</sub> | E | F | 200 | 19000 | 8 |
一种基于FAHP与规划图融合的Web服务方法包括以下步骤:
步骤1、构建决策矩阵。行元素分别为#Resp、#Tpt、#Cost,列元素分别为#Resp、#Tpt、#Cost。
步骤2、计算每个QoS属性的模糊数。
以#Resp为例,根据公式(1),模糊数为;
分别求得#Resp、#Tpt、#Cost的模糊数:
S#Resp=(0.2269,0.5749,1.3355)
S#Tpt=(0.1373,0.3114,0.7161)
S#Cost=(0.0700,0.1138,0.2516)
步骤3、计算每个属性的QoS权重。
根据公式(2),#Resp、#Tpt、#Cost两两的重要程度:
V(S#Rgsp≥S#Tpt)=1
V(S#Rgsp≥S#Cost)=1
V(S#Tpt≥S#Resp)=0.6500
V(S#Tpt≥S#Cost)=1
V(S#cost≥S#Resp)=0.0509
V(S#Cost≥S#Tpt)=0.3666
根据公式(3),V(S#Resp≥S#Tpt,S#Cost)=1,V(S#Tpt≥S#Resp,S#Cost)=0.6500,V(S#Cost≥S#Resp,S#Cost)=0.0509,再对权重进行归一化,#Resp的权重为1/(1+0.6500+0.0509)=0.5879,#Tpt的权重为0.6500/(1+0.6500+0.0509)=0.3822,#Cost的权重为0.0509/(1+0.6500+0.0509)=0.0299,则#Resp、#Tpt、#Cost的权重Ew=(0.5879,0.3822,0.0299)。
步骤4、计算服务单个QoS效用值。
表3
w<sub>i</sub> | #Resp | #Tpt | #Cost |
w<sub>1</sub> | 0.10 | 0.80 | 0.50 |
w<sub>2</sub> | 0.04 | 0.16 | 0.80 |
w<sub>3</sub> | 0.84 | 0.60 | 0.35 |
w<sub>4</sub> | 0.70 | 0.65 | 0.45 |
w<sub>5</sub> | 0.60 | 0.95 | 0.20 |
步骤5、计算归一化QoS。
以w1的综合QoS为例:
根据Web服务的归一化QoS值对服务进行排序(表4)。
表4
编号 | w<sub>i</sub> | 归一化QoS值 |
1 | w<sub>5</sub> | 0.7336 |
2 | w<sub>3</sub> | 0.7218 |
3 | w<sub>4</sub> | 0.6734 |
4 | w<sub>1</sub> | 0.3795 |
5 | w<sub>2</sub> | 0.1086 |
步骤6、使用本方法的GraphPlan方法获得解决方案。
在向前扩展的过程中,Graphplan方法会根据综合QoS对服务进行剪枝操作。例如,w2的综合QoS比较低,其被剪枝掉,后续过程中w2不可用。
在向后搜索的阶段中,从A层中选择最佳服务进行组合。最后一层A3中的目标结果F可由服务w4或w5输出,比较w4和w5的综合QoS值,选择综合QoS较高的w5,其需要的输入为E;在A2层,E是由w2和w3输出,由于w2被剪枝掉,选取w3,又因C已知,其需要的输入为D;最后,在A1层,只有w1输出D,其输入已知为A,B。此时,得到最佳的服务组合为(w1;w3;w5)。
该服务组合的响应时间为730,吞吐量为12000,花费为195。
如图3和4,为验证方法的有效性,采用执行时间为衡量标准,将本文提出的FIGP(Fuzzy Improved Graphplan)算法与Graphplan,Skyline以及没有剪枝的FIGP算法进行对比实验。
测试的软件及硬件环境如下:
(1)CPU:Intel(R)Core(TM)i5-7200U 2.50GHz 2.71GHz
(2)RAM:8.00GB DDR4-2400
(3)硬盘:LITEON T11 256GB,TOSHIBA MQ01ACF050
500GB
(4)操作系统:Windows 10专业版64位。
实验数据:使用TestsetGenerator2009生成五个数据集。Web服务存储库是使用Web Service Challenge 2009Testset Generator生成的数据集,此数据集生成器由卡塞尔大学的Marc Kirchhoff、Thomas Weise和Steffen Bleul开发。每个数据集包含OWL(WebOntology Language)文件、WSDL(Web Service Description Language)文件、WLSA(WebService Level Agreement)文件,分别介绍如下:OWL文件用来描述服务本体论协议,通过OWL文件提供的本体语义关系构建本体语义树,描述服务本体论的结构关系。WSDL文件用于描述Web服务的名称、输入、输出、以及如何对它们进行访问等信息。WLSA文件描述了服务的QoS属性值,可能包含的QoS属性如:响应时间、吞吐量、花费等。Dataset1包含1000个服务,3000个参数。Dataset2包含5000个服务,15000个参数。Dataset3包含10000个服务,30000个参数。Dataset 4包含15000个服务,45000个参数。Dataset 5拥有20000个服务,60000个参数。测试程序用Java实现。
实验结果如表5所示,FIGP表示属性之间的重要性相同;FIGP Cost表示花费比响应时间和吞吐量稍微重要,响应时间和吞吐量同样重要;响应时间和吞吐量的占优方法也是如此。该表中,实验结果用斜杠分隔,分别表示:服务数量、响应时间、吞吐量、成本。如图3所示,在相同条件下,使用FIGP的搜索时间最短,Skyline算法在向前扩阶段需要更长的时间。如图4所示,对服务进行剪枝可以减少向后搜索阶段的执行时间。
综上,FIGP可以根据综合QoS和功能要求在每一层中选择最优服务,并且可以在前向扩展阶段剪枝掉竞争力差的服务。普通Graphplan和Skyline方法只能从特定集合中随机选择服务。实验表明,FIGP比其他算法在QoS感知的Web服务组合中的组合结果以及算法效率上更优。
表5
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (9)
1.一种基于FAHP与规划图融合的Web服务组合方法,其特征在于,包括:
输入用户请求和Web服务存储库中的服务,所述用户请求包括输入与所需的目标输出g;
通过FAHP方法分别计算每个服务的归一化QoS值;
执行规划图的向前扩展阶段,直至遍历完服务存储库中的所有服务且没有新的服务加入;
根据用户请求执行规划图向后搜索阶段,所述向后搜索阶段包括
根据用户需要寻找的每一个目标输出g,在Ai层中寻找满足最多功能性需求且归一化QoS值最高的服务ws;
将服务ws的输入参数作为Pi-1层中的目标状态,重复此过程直至到达初始状态层;
将得到的该组从初始状态到目标状态的最佳服务组合路径输出。
2.根据权利要求1所述的基于FAHP与规划图融合的Web服务组合方法,其特征在于,所述规划图的向前扩展阶段包括:
设定用于修剪服务的阈值,修剪归一化QoS值低于所述阈值的Web服务;
根据用户的输入构建第一层P0;
遍历修剪后的Web服务存储库,若当前参数层包含所遍历到的服务所有所需输入参数,则将该服务加入规划图的服务层Ai,并将该服务的输出参数加入参数层Pi;重复该过程,直至遍历完服务存储库中所有服务且服务层Ai有没有新的服务加入,得到新的服务层Ai与参数层Pi;
判断规划图参数层Pi是否符合用户的全部输出请求,若符合,则执行规划图的向后搜索阶段,否则降低用于修剪服务的阈值,重复上述所有流程,直至规划图参数层Pi符合用户的全部输出请求,或阈值小于0。
3.根据权利要求2所述的基于FAHP与规划图融合的Web服务组合方法,其特征在于,所述降低用于修剪服务的阈值时,每次降低的阈值大于上一次降低的阈值。
4.根据权利要求2所述的基于FAHP与规划图融合的Web服务组合方法,其特征在于,所述通过FAHP方法分别计算每个服务的归一化QoS值包括:
构建决策矩阵;
计算每个QoS属性的模糊数;
计算每个QoS属性的权重;
计算服务单个QoS效用值;
计算归一化的QoS值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910977269.8A CN110691000B (zh) | 2019-10-15 | 2019-10-15 | 基于FAHP与规划图融合的Web服务组合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910977269.8A CN110691000B (zh) | 2019-10-15 | 2019-10-15 | 基于FAHP与规划图融合的Web服务组合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110691000A true CN110691000A (zh) | 2020-01-14 |
CN110691000B CN110691000B (zh) | 2021-12-21 |
Family
ID=69112677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910977269.8A Active CN110691000B (zh) | 2019-10-15 | 2019-10-15 | 基于FAHP与规划图融合的Web服务组合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110691000B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114422582A (zh) * | 2022-01-20 | 2022-04-29 | 中国科学院软件研究所 | 一种面向科技资源的服务动态组合方法及装置 |
CN114500636A (zh) * | 2022-01-19 | 2022-05-13 | 中国科学院软件研究所 | 一种基于图的科技资源服务发现方法及装置 |
CN115175274A (zh) * | 2022-07-13 | 2022-10-11 | 国网山西省电力公司信息通信分公司 | 面向智能配电的5g异构无线网络接入选择方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718805A (zh) * | 2016-01-25 | 2016-06-29 | 福建北卡科技有限公司 | 基于评价可信度的云计算信任管理方法 |
CN107070704A (zh) * | 2017-03-22 | 2017-08-18 | 东南大学 | 一种基于QoS的可信Web服务组合优化方法 |
CN109146204A (zh) * | 2018-09-27 | 2019-01-04 | 浙江中海达空间信息技术有限公司 | 一种多层次综合评估的风电场升压站自动选址方法 |
CN109784722A (zh) * | 2019-01-15 | 2019-05-21 | 齐鲁工业大学 | 基于用户偏好的Web服务选择方法及系统 |
-
2019
- 2019-10-15 CN CN201910977269.8A patent/CN110691000B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105718805A (zh) * | 2016-01-25 | 2016-06-29 | 福建北卡科技有限公司 | 基于评价可信度的云计算信任管理方法 |
CN107070704A (zh) * | 2017-03-22 | 2017-08-18 | 东南大学 | 一种基于QoS的可信Web服务组合优化方法 |
CN109146204A (zh) * | 2018-09-27 | 2019-01-04 | 浙江中海达空间信息技术有限公司 | 一种多层次综合评估的风电场升压站自动选址方法 |
CN109784722A (zh) * | 2019-01-15 | 2019-05-21 | 齐鲁工业大学 | 基于用户偏好的Web服务选择方法及系统 |
Non-Patent Citations (4)
Title |
---|
ALAM, KA: "A HYBRID FUZZY MULTI-CRITERIA DECISION MODEL FOR CLOUD SERVICE SELECTION AND IMPORTANCE DEGREE OF COMPONENT SERVICES IN SERVICE COMPOSITIONS", 《WORLD SCIENTIFIC PROCEEDINGS SERIES ON COMPUTER ENGINEERING AND INFORMATION SCIENCE》 * |
JIANZHOU FENG: "A Fuzzy Multi-objective Genetic Algorithm for QoS-based Cloud Service Composition", 《IEEE》 * |
ZHU MING: "An Approach for QoS-aware Service Composition with GraphPlan and Fuzzy Logic", 《IEEE》 * |
李静: "QoS 感知的Web 服务组合研究调查", 《福建电脑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114500636A (zh) * | 2022-01-19 | 2022-05-13 | 中国科学院软件研究所 | 一种基于图的科技资源服务发现方法及装置 |
CN114500636B (zh) * | 2022-01-19 | 2023-06-20 | 中国科学院软件研究所 | 一种基于图的科技资源服务发现方法及装置 |
CN114422582A (zh) * | 2022-01-20 | 2022-04-29 | 中国科学院软件研究所 | 一种面向科技资源的服务动态组合方法及装置 |
CN114422582B (zh) * | 2022-01-20 | 2023-05-16 | 中国科学院软件研究所 | 一种面向科技资源的服务动态组合方法及装置 |
CN115175274A (zh) * | 2022-07-13 | 2022-10-11 | 国网山西省电力公司信息通信分公司 | 面向智能配电的5g异构无线网络接入选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110691000B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110691000B (zh) | 基于FAHP与规划图融合的Web服务组合方法 | |
He et al. | TIFIM: A two-stage iterative framework for influence maximization in social networks | |
Qi et al. | Compatibility-aware web API recommendation for mashup creation via textual description mining | |
CN110704743B (zh) | 一种基于知识图谱的语义搜索方法及装置 | |
US8041729B2 (en) | Categorizing queries and expanding keywords with a coreference graph | |
CN107193899B (zh) | 一种图算法友善的强连通图划分方法 | |
JP5369154B2 (ja) | クリックディスタンスを用いて検索結果をランク付けするシステムおよび方法 | |
WO2022027937A1 (zh) | 一种神经网络压缩方法、装置、设备及存储介质 | |
KR100963623B1 (ko) | 시맨틱 웹 자원의 랭킹처리방법 | |
CN110851566B (zh) | 一种应用于命名实体识别的可微分网络结构搜索的方法 | |
JP2005327293A5 (zh) | ||
KR20060047858A (ko) | 이종 관계에 기초하여 객체들의 유사성을 결정하기 위한방법 및 시스템 | |
CN112214689A (zh) | 基于社交网络中群体的影响力最大化方法及系统 | |
CN111275172A (zh) | 一种基于搜索空间优化的前馈神经网络结构搜索方法 | |
CN109408046B (zh) | 一种基于图的最短路Web服务组合方法 | |
CN113094558B (zh) | 一种基于局部结构的网络节点影响力排序方法 | |
Sawczuk da Silva et al. | Particle swarm optimisation with sequence-like indirect representation for web service composition | |
CN110119399A (zh) | 基于机器学习的业务流程优化方法 | |
CN108470251B (zh) | 基于平均互信息的社区划分质量评价方法及系统 | |
Benmammar et al. | A pareto optimal multi-objective optimisation for parallel dynamic programming algorithm applied in cognitive radio ad hoc networks | |
Guo et al. | K-loop free assignment in conference review systems | |
CN114980216A (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
Yuan et al. | Resource-Aware Federated Neural Architecture Search over Heterogeneous Mobile Devices | |
Darwish et al. | Applying swarm optimization techniques to calculate execution time for software modules | |
Agrawal et al. | Acceleration based Particle Swarm Optimization (APSO) for RNA Secondary Structure Prediction |
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 |