CN111639741A - 一种用于多目标QoS优化的服务自动组合代理系统 - Google Patents

一种用于多目标QoS优化的服务自动组合代理系统 Download PDF

Info

Publication number
CN111639741A
CN111639741A CN202010270069.1A CN202010270069A CN111639741A CN 111639741 A CN111639741 A CN 111639741A CN 202010270069 A CN202010270069 A CN 202010270069A CN 111639741 A CN111639741 A CN 111639741A
Authority
CN
China
Prior art keywords
population
subsystem
service
target
heuristic information
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
Application number
CN202010270069.1A
Other languages
English (en)
Other versions
CN111639741B (zh
Inventor
程渤
韩庆绵
张文凯
陈俊亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
CETC 54 Research Institute
Original Assignee
Beijing University of Posts and Telecommunications
CETC 54 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications, CETC 54 Research Institute filed Critical Beijing University of Posts and Telecommunications
Priority to CN202010270069.1A priority Critical patent/CN111639741B/zh
Publication of CN111639741A publication Critical patent/CN111639741A/zh
Application granted granted Critical
Publication of CN111639741B publication Critical patent/CN111639741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种用于多目标QoS优化的服务自动组合代理系统。该系统包括：启发信息提取子系统用于基于服务依赖图提取启发信息；种群初始化子系统用于生成基于时态化目标序列的遗传算法个体；种群演化子系统用于基于多目标遗传算法和智能规划器，优化种群中个体的多目标QoS；种群选择子系统用于基于经营选择策略和轮盘赌选择策略，筛选存活个体；子代种群生成子系统用于扩展种群数量及扩大系统搜索空间；组合服务提取子系统基于目标驱动模型和智能规划器，提取个体携带组合服务。本发明实施例通过引入服务自动组合系统进行众多相似功能属性的QoS优化，在有限时间内找到具有较优QoS且满足用户需求的组合服务，提升了用户体验。

Description

一种用于多目标QoS优化的服务自动组合代理系统
技术领域
本发明涉及服务优化技术领域，尤其涉及一种用于多目标QoS优化的服务自动组合代理系统。
背景技术
在面向服务计算(Service Oriented Computing，SOC)中，服务提供者将异构的资源(软件或硬件)借助语义化技术，例如WSDL、RESTful等，封装成服务，然后通过标准的网络协议提供给使用者。由于单个服务提供的功能有限，通常情况下无法满足复杂需求。服务组合(Service Composition，SC)技术通过将多个服务组合成为可执行的服务链来生成新的服务(称为组合服务)，新生成的组合服务将满足用户的复杂需求。服务组合技术通过生成大粒度服务实现了服务的增值和重用，因此相关的服务组合技术在学术界与工业界受到广泛关注。
随着相似功能属性的服务越来越多，为了评估相似服务的优劣性引入了服务质量(Quality of Service，QoS)概念。QoS是一组描述服务端到端非功能属性的值，是衡量一个服务各方面性能的重要指标。在服务组合过程中，从功能类似的服务中选取较优者，服务质量是一个重要参考，为此产生了基于服务质量感知的服务组合(QoS-aware ServiceComposition，QSC)技术。同时随着计算机、网络和传感器等技术的发展，服务提供者提供的服务种类与数量迅速增加。服务提供者不再局限于传统的服务提供商，例如在普适计算概念中所有的设备均可将自己的软件、数据或硬件资源封装为服务提供给使用者，服务种类、数量的增加和日益多样化的需求带来了更多维度的QoS属性，基于多目标QoS的QSC技术开始流行。
现如今移动设备等资源受限的终端越来越多，使用QSC技术可以实现服务代理中间件中的服务自动组合功能。服务代理中间件作为用户与服务提供商的中间者，不仅需要与服务提供商共同维护服务库，还需要为用户提供解决复杂需求的能力，其中服务自动组合能否在有限时间内找到具有较优QoS且满足用户需求的组合服务直接决定了用户体验。
发明内容
本发明实施例提供一种用于多目标QoS优化的服务自动组合代理系统，用以解决现有技术中在具有相似功能属性的服务中无法有效获得具有较优QoS的组合服务，使得客户体验下降的缺陷。
本发明实施例提供一种用于多目标QoS优化的服务自动组合代理系统，包括：启发信息提取子系统、种群初始化子系统、种群演化子系统、种群选择子系统、子代种群生成子系统和组合服务提取子系统；其中：
所述启发信息提取子系统用于基于服务依赖图提取启发信息，所述启发信息用以指导其他子系统生成关联数据；
所述种群初始化子系统用于生成基于时态化目标序列的遗传算法个体；
所述种群演化子系统用于基于多目标遗传算法和智能规划器，优化种群中个体对应组合服务的多目标QoS；
所述种群选择子系统用于基于经营选择策略和轮盘赌选择策略，筛选存活个体；
所述子代种群生成子系统用于扩展种群数量及扩大系统搜索空间；
所述组合服务提取子系统基于目标驱动模型和所述智能规划器，提取个体携带组合服务。
优选地，所述时态化目标序列用于分解服务组合问题，所述时态化目标序列中的时态化目标由参数集构成。
优选地，所述智能规划器用于提取个体携带组合服务信息。
优选地，该系统包括初始化阶段和演化阶段。
优选地，所述初始化阶段具体包括：
使用图规划中的所述服务依赖图提取服务组合问题中的所述启发信息；
在所述启发信息指导下生成初始种群，所述初始种群中个体的染色体基于时态化目标模型。
优选地，所述演化阶段具体包括：
待所述初始种群构造完成，所述智能规划器与一级适应性函数协作计算种群的适应性函数；
使用二级适应性函数计算可达种群的适应性函数；
基于预设选择策略筛选出预设固定数量的个体作为父代种群，通过杂交与变异操作生成子代种群，并实时更新所述启发信息；
待满足预设终止条件，从存活种群中基于预设提取策略提取解集。
优选地，所述预设终止条件包括：演化轮数到达预设最大轮数，或者所述父代种群在预设步数内无优化。
优选地，所述可达种群包括由可达个体组成的种群。
优选地，所述时态化目标序列包括基于时间点的目标序列、基于中间目标的目标序列和基于参数的目标序列。
本发明实施例提供的用于多目标QoS优化的服务自动组合代理系统，通过引入服务自动组合系统进行众多相似功能属性的QoS优化，在有限时间内找到具有较优QoS且满足用户需求的组合服务，提升了用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的服务自动组合系统总体结构图；
图2为本发明实施例提供的服务自动组合系统在服务代理中间件中的定位系统架构图；
图3为本发明实施例提供的服务自动组合系统总体架构演化图；
图4为本发明实施例提供的时态化目标序列模型示意图；
图5为本发明实施例提供的基于时间点的目标序列杂交示意图；
图6为本发明实施例提供的基于中间目标的目标序列变异示意图；
图7为本发明实施例提供的基于参数的目标序列变异示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的服务自动组合系统总体结构图，如图1所示，包括：启发信息提取子系统、种群初始化子系统、种群演化子系统、种群选择子系统、子代种群生成子系统和组合服务提取子系统；其中：
所述启发信息提取子系统用于基于服务依赖图提取启发信息，所述启发信息用以指导其他子系统生成关联数据；
所述种群初始化子系统用于生成基于时态化目标序列的遗传算法个体；
所述种群演化子系统用于基于多目标遗传算法和智能规划器，优化种群中个体对应组合服务的多目标QoS；
所述种群选择子系统用于基于经营选择策略和轮盘赌选择策略，筛选存活个体；
所述子代种群生成子系统用于扩展种群数量及扩大系统搜索空间；
所述组合服务提取子系统基于目标驱动模型和所述智能规划器，提取个体携带组合服务。
其中，所述时态化目标序列用于分解服务组合问题，所述时态化目标序列中的时态化目标由参数集构成。
其中，所述智能规划器用于提取个体携带组合服务信息。
具体地，本发明实施例提出的服务自动组合系统包括启发信息提取子系统、种群初始化子系统、种群演化子系统、种群选择子系统、子代种群生成子系统和组合服务提取子系统，其中：
启发信息提取子系统基于服务依赖图提取启发信息，启发信息用于指导其他子系统生成相关数据；
种群初始化子系统用于生成基于时态化目标序列的遗传算法个体；
时态化目标序列用于分解复杂服务组合问题，时态化目标序列中的时态化目标由参数集组成；
种群演化子系统用于优化种群中个体对应组合服务的多目标QoS，该系统基于多目标遗传算法和智能规划器；
智能规划器主要用于提取个体携带组合服信息，智能规划器具有领域无关性；
种群选择子系统用于筛选存活个体，该系统基于精英选择策略与轮盘赌选择策略；
子代种群生成子系统用于扩展种群数量以扩大系统搜索空间；
组合服务提取子系统基于目标驱动模型和智能规划器提取个体携带的组合服务。
此处，如图2所示，本发明实施例提出的服务自动组合系统在服务代理中间件中处于举足轻重的地位，服务代理中间件作为用户与服务提供商的中间者，不仅需要与服务提供商共同维护服务库，还需要为用户提供解决复杂需求的能力，需要与用户直接交互，提供用户需求分析建模功能和返回组合服务功能。同时提供服务库管理、服务自动组合和服务执行代理等功能。
本发明实施例通过引入服务自动组合系统进行众多相似功能属性的QoS优化，在有限时间内找到具有较优QoS且满足用户需求的组合服务，提升了用户体验。
基于上述实施例，该系统包括初始化阶段和演化阶段。
其中，所述初始化阶段具体包括：
使用图规划中的所述服务依赖图提取服务组合问题中的所述启发信息；
在所述启发信息指导下生成初始种群，所述初始种群中个体的染色体基于时态化目标模型。
其中，所述演化阶段具体包括：
待所述初始种群构造完成，所述智能规划器与一级适应性函数协作计算种群的适应性函数；
使用二级适应性函数计算可达种群的适应性函数；
基于预设选择策略筛选出预设固定数量的个体作为父代种群，通过杂交与变异操作生成子代种群，并实时更新所述启发信息；
待满足预设终止条件，从存活种群中基于预设提取策略提取解集。
其中地，所述预设终止条件包括：演化轮数到达预设最大轮数，或者所述父代种群在预设步数内无优化。
其中，所述可达种群包括由可达个体组成的种群。
具体地，如图3所示，本发明实施例提出的基于目标驱动的服务自动组合系统，系统主要分为初始化阶段与演化阶段。初始化阶段使用图规划中的服务依赖图技术提取服务组合问题中的启发信息，并在启发信息的指导下生成初始种群，其中个体的染色体基于时态化目标模型。初始种群构造完毕后，算法进入演化阶段。智能规划器与一级适应性函数协作计算种群的适应性函数，然后使用二级适应性函数计算可达种群的适应性函数(由可达个体组成的种群称为可达种群)。种群的一、二级适应性函数计算完毕后，算法将基于预定义选择策略筛选出固定数量的个体作为父代种群，通过杂交与变异操作生成新的子代种群。在生成子代种群过程中将实时更新启发信息，以此维护种群中个体的有效性。算法重复执行演化阶段直到状态满足终止条件，即演化轮数到达设置的最大轮数或父代种群在特定步数内无明显优化。满足终止条件后算法演化阶段结束，符合问题的解将从存活种群中依照特定策略提取。
基于上述任一实施例，所述时态化目标序列包括基于时间点的目标序列、基于中间目标的目标序列和基于参数的目标序列。
具体地，图4为本发明实施例提供的时态化目标序列模型示意图，如图4所示，图中p0、p1和p2为QSC问题的输入参数，p8与p9为目标参数，在上图所示的目标序列中，在时间点t2、t3和t5的中间目构成了目标序列中的中间目标序列。时态化目标定义：s表(t，Cs)表示时态化目标，其中
Figure BDA0002442843440000071
Figure BDA0002442843440000072
时态化目标定义中的Cs是由参数集C中的一个或多个参数构成的参数集合，Δ(s)表示时态化目标s最早出现时间点，时间点t是Cs中最晚出现参数的时间点，代表了该时态化目标的出现时间点。时态化目标序列定义：S＝<s0，s1，...，sn，sn+1>称为一个时态化目标序列(简称目标序列)，其中s0＝(0，I)称为目标序列的输入时态化目标(简称输入目标)，sn+1＝(tlast，G)称为时态化目标序列的输出时态化目标(简称输出目标)，Smid＝<s1，s2，...，sn>称为S的中间时态化目标序列(简称中间目标序列)，其中
Figure BDA0002442843440000073
是时态化目标，且
Figure BDA0002442843440000074
图5为本发明实施例提供的基于时间点的目标序列杂交示意图，如图5所示，对于两个输入目标相同且输出目标相同的目标序列，通过选取两个时间点(称为杂交点)将两个目标序列各自的部分目标组合成为一个新的目标序列，组合后的目标序列拥有与原先目标序列相同的输入目标和输出目标。
图6为本发明实施例提供的基于中间目标的目标序列变异示意图，如图6所示，基于中间目标的目标序列变异会随机的删除一个已经存在且位于中间目标序列的目标，或在没有目标分布的时间点上新增一个目标，且保证输入目标和输出目标不会被修改。
图7为本发明实施例提供的基于参数的目标序列变异示意图，如图7所示，基于中间的目标序列变异是一种粗粒度的变异，基于参数的目标序列变异对目标序列影响相对较小，是一种细粒度的变异。基于参数的目标序列变异对每一个目标中的某个参数进行删除、添加或替换操作，实现在参数粒度上的目标序列变异操作。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种用于多目标QoS优化的服务自动组合代理系统，其特征在于，包括：启发信息提取子系统、种群初始化子系统、种群演化子系统、种群选择子系统、子代种群生成子系统和组合服务提取子系统；其中：
所述启发信息提取子系统用于基于服务依赖图提取启发信息，所述启发信息用以指导其他子系统生成关联数据；
所述种群初始化子系统用于生成基于时态化目标序列的遗传算法个体；
所述种群演化子系统用于基于多目标遗传算法和智能规划器，优化种群中个体对应组合服务的多目标QoS；
所述种群选择子系统用于基于经营选择策略和轮盘赌选择策略，筛选存活个体；
所述子代种群生成子系统用于扩展种群数量及扩大系统搜索空间；
所述组合服务提取子系统基于目标驱动模型和所述智能规划器，提取个体携带组合服务。
2.根据权利要求1所述的用于多目标QoS优化的服务自动组合代理系统，其特征在于，所述时态化目标序列用于分解服务组合问题，所述时态化目标序列中的时态化目标由参数集构成。
3.根据权利要求1所述的用于多目标QoS优化的服务自动组合代理系统，其特征在于，所述智能规划器用于提取个体携带组合服务信息。
4.根据权利要求1至3中任一权利要求所述的用于多目标QoS优化的服务自动组合代理系统，其特征在于，该系统还包括初始化阶段和演化阶段。
5.根据权利要求4所述的用于多目标QoS优化的服务自动组合代理系统，其特征在于，所述初始化阶段具体包括：
使用图规划中的所述服务依赖图提取服务组合问题中的所述启发信息；
在所述启发信息指导下生成初始种群，所述初始种群中个体的染色体基于时态化目标模型。
6.根据权利要求5所述的用于多目标QoS优化的服务自动组合代理系统，其特征在于，所述演化阶段具体包括：
待所述初始种群构造完成，所述智能规划器与一级适应性函数协作计算种群的适应性函数；
使用二级适应性函数计算可达种群的适应性函数；
基于预设选择策略筛选出预设固定数量的个体作为父代种群，通过杂交与变异操作生成子代种群，并实时更新所述启发信息；
待满足预设终止条件，从存活种群中基于预设提取策略提取解集。
7.根据权利要求6所述的用于多目标QoS优化的服务自动组合代理系统，其特征在于，所述预设终止条件包括：演化轮数到达预设最大轮数，或者所述父代种群在预设步数内无优化。
8.根据权利要求6所述的用于多目标QoS优化的服务自动组合代理系统，其特征在于，所述可达种群包括由可达个体组成的种群。
9.根据权利要求2所述的用于多目标QoS优化的服务自动组合代理系统，其特征在于，所述时态化目标序列包括基于时间点的目标序列、基于中间目标的目标序列和基于参数的目标序列。
CN202010270069.1A 2020-04-08 2020-04-08 一种用于多目标QoS优化的服务自动组合代理系统 Active CN111639741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010270069.1A CN111639741B (zh) 2020-04-08 2020-04-08 一种用于多目标QoS优化的服务自动组合代理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010270069.1A CN111639741B (zh) 2020-04-08 2020-04-08 一种用于多目标QoS优化的服务自动组合代理系统

Publications (2)

Publication Number Publication Date
CN111639741A true CN111639741A (zh) 2020-09-08
CN111639741B CN111639741B (zh) 2023-04-07

Family

ID=72330611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010270069.1A Active CN111639741B (zh) 2020-04-08 2020-04-08 一种用于多目标QoS优化的服务自动组合代理系统

Country Status (1)

Country Link
CN (1) CN111639741B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115086175A (zh) * 2022-04-26 2022-09-20 北京邮电大学 资源优化的方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050143845A1 (en) * 2003-12-24 2005-06-30 Hirotaka Kaji Multiobjective optimization apparatus, multiobjective optimization method and multiobjective optimization program
CN101909078A (zh) * 2010-07-19 2010-12-08 东南大学 一种基于新服务集构造的动态服务选择方法
CN106230827A (zh) * 2016-08-02 2016-12-14 南京工程学院 一种基于成本效益优化的多目标服务组合方法
CN107743073A (zh) * 2017-10-17 2018-02-27 云南大学 一种用户QoS需求导向的服务演化选择策略方法及系统
CN108762927A (zh) * 2018-05-29 2018-11-06 武汉轻工大学 移动云计算的多目标任务调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050143845A1 (en) * 2003-12-24 2005-06-30 Hirotaka Kaji Multiobjective optimization apparatus, multiobjective optimization method and multiobjective optimization program
CN101909078A (zh) * 2010-07-19 2010-12-08 东南大学 一种基于新服务集构造的动态服务选择方法
CN106230827A (zh) * 2016-08-02 2016-12-14 南京工程学院 一种基于成本效益优化的多目标服务组合方法
CN107743073A (zh) * 2017-10-17 2018-02-27 云南大学 一种用户QoS需求导向的服务演化选择策略方法及系统
CN108762927A (zh) * 2018-05-29 2018-11-06 武汉轻工大学 移动云计算的多目标任务调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张菲 等: "基于多目标优化的物流服务组合研究" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115086175A (zh) * 2022-04-26 2022-09-20 北京邮电大学 资源优化的方法及装置
CN115086175B (zh) * 2022-04-26 2023-06-30 北京邮电大学 资源优化的方法及装置

Also Published As

Publication number Publication date
CN111639741B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN110347596B (zh) 一种测试方法、装置、系统、电子设备及介质
CN108664330B (zh) 一种基于变邻域搜索策略的云资源分配方法
KR20140111266A (ko) 클라우드-에지 토폴로지
CN112906206B (zh) 数字孪生模型构建方法和装置
CN103138981A (zh) 一种社交网络分析方法和装置
CN109582289B (zh) 规则引擎中规则流的处理方法、系统、存储介质和处理器
CN111159897B (zh) 基于系统建模应用的目标优化方法和装置
CN111865622B (zh) 基于规则引擎集群的云服务计量计费方法及系统
CN113515672A (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN111143039A (zh) 一种虚拟机的调度方法、装置及计算机存储介质
CN110781180A (zh) 一种数据筛选方法和数据筛选装置
CN111639741B (zh) 一种用于多目标QoS优化的服务自动组合代理系统
CN110163255B (zh) 一种基于密度峰值的数据流聚类方法及装置
CN117271101B (zh) 一种算子融合方法、装置、电子设备及存储介质
CN114239237A (zh) 一种支持数字孪生的配电网仿真场景生成系统与方法
CN101495978A (zh) 减少总线连接的消费者和产生者之间的消息流
CN111159207B (zh) 一种信息处理方法和装置
CN112365239A (zh) 一种基于事件的云服务管理处置方法及系统
CN109450684B (zh) 一种网络切片系统物理节点容量扩充方法及装置
CN116992982A (zh) 模型部署方法、装置、系统、电子设备和存储介质
CN108536447B (zh) 运维管理方法
CN108289115B (zh) 一种信息处理方法及系统
CN113282489B (zh) 一种接口测试方法和装置
CN115509715A (zh) 一种分布式任务调度方法、装置和电子设备
CN114091686A (zh) 数据处理方法、装置、电子设备和存储介质

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