CN112085143B - 基于同化机制的混沌蚁群算法及Web服务组合优化方法 - Google Patents

基于同化机制的混沌蚁群算法及Web服务组合优化方法 Download PDF

Info

Publication number
CN112085143B
CN112085143B CN202010755042.1A CN202010755042A CN112085143B CN 112085143 B CN112085143 B CN 112085143B CN 202010755042 A CN202010755042 A CN 202010755042A CN 112085143 B CN112085143 B CN 112085143B
Authority
CN
China
Prior art keywords
chaotic
ant
web service
ants
assimilation
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.)
Active
Application number
CN202010755042.1A
Other languages
English (en)
Other versions
CN112085143A (zh
Inventor
周井泉
陈佳聪
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010755042.1A priority Critical patent/CN112085143B/zh
Publication of CN112085143A publication Critical patent/CN112085143A/zh
Application granted granted Critical
Publication of CN112085143B publication Critical patent/CN112085143B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

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

Abstract

本发明公开了基于同化机制的混沌蚁群算法及Web服务组合优化方法，本发明的算法在标准蚁群算法的基础上，采用自适应混沌扰动信息素，使用普通蚂蚁和飞行蚂蚁并行进行搜索，在算法的迭代过程中不断同化飞行蚂蚁使其成为普通蚂蚁；本发明的优化方法根据用户的需求，采用基于同化机制的自适应混沌蚁群优化算法，快速得到符合需求且体验质量高的Web服务组合的优选结果。本发明在算法前期具有全局搜索能力，来克服局部最优陷阱，随着飞行蚂蚁逐渐同化为普通蚂蚁，在算法后期局部搜索能力强，能够缩短搜索时间。

Description

基于同化机制的混沌蚁群算法及Web服务组合优化方法
技术领域
本发明涉及Web服务组合领域，具体涉及一种基于同化机制的混沌蚁群算法及Web服务组合优化方法。
背景技术
随着互联网的快速发展，工商业领域到处都充满着Web服务，越来越多的 Web服务在网上共享。然而，单个Web服务不能满足用户的复杂需求，集合现有的Web服务以形成复合Web服务称为Web服务组合，在增强Web服务的同时也提升了效率。Web服务组合的研究在这种情况下被提出，并引起的众多学者的关注和研究。
目前，广泛采用的服务质量标准为QoS(Quality of Service)，QoS评价指标主要包括信誉度、可用性、成本费用、响应时间等。但是QoS评价指标仅仅反映了服务技术方面的特性，而用户的主观体验方面被忽略了，所以不能够反映用户对服务的满意程度。体验质量QoE(Quality of Experience)就是在这种条件下被提出，QoE评价指标使用用户满意程度作为评价标准，结合了网络性能、业务质量、主观评测等影响因素，可以直接反映了用户对服务舒适度的满意程度。 Web服务组合被证明是一个NP难问题，目前，主流的算法是智能优化算法。蚁群算法是智能优化算法中的一种，该算法引入正反馈机制，具有较强的鲁棒性、优良的分布式计算机制等优点，但是，搜索过程中易于陷入局部最优，且搜索时间较长。
发明内容
发明目的：本发明的一个目的在于提供一种能够抑制搜索过程中陷入局部最优，同时，缩短搜索时间的基于同化机制的混沌蚁群算法；本发明另一目的在于提供一种能够适应不同规模下的Web服务组合问题，具有较强鲁棒性的基于同化机制的混沌蚁群算法的Web服务组合优化方法。
技术方案：本发明包括基于同化机制的混沌蚁群算法，包括以下步骤：
(1)设置初始化参数；
(2)随机初始化
Figure BDA0002611256960000011
只普通蚂蚁和
Figure BDA0002611256960000012
只飞行蚂蚁，其中，初始化时同化数量
Figure BDA0002611256960000013
(3)加入自适应混沌扰动，每只蚂蚁根据状态转移概率公式，使用轮盘调度方法选择下一个Web服务；
(4)确认所有普通蚂蚁和飞行蚂蚁都搜索选择完所有服务后，每只蚂蚁对自己路径进行本地信息素更新；否则，重复步骤(3)；
(5)计算每只蚂蚁产生解的适应度值；
(6)根据适应度值选择本次迭代的最优解和最佳蚂蚁，如果最佳蚂蚁是普通蚂蚁，则进行路径上的全局信息素更新；如果最佳蚂蚁是飞行蚂蚁，则不仅对路径上进行全局信息素更新，还同时更新路径上的相邻节点的信息素；
(7)普通蚂蚁对飞行蚂蚁的同化过程，计算同化数量
Figure BDA0002611256960000024
(8)终止检验，求出本次迭代中最佳蚂蚁获取的最优解的服务组合适应度函数值，判断是否满足终止条件；若满足条件，则输出最优解；否则转步骤(2)。
步骤(1)中，所述初始化参数具体包括：普通蚂蚁种群数量N，飞行蚂蚁数量M，信息启发因子α，期望启发式因子β，信息素挥发度ρ，初始化信息素值τ0，邻接节点数k，最大迭代次数tmax，同化数量
Figure BDA0002611256960000021
任务集T＝[t1,t2,…,tn]，每个任务ti包含一个Web服务集CWS＝[cws1,cws2,…,cwsm]。
步骤(3)中，所述自适应混沌扰动中的混沌变量由Logistic映射模型产生，Logistic混沌模型的计算公式如下：
Zij(t+1)＝μZij(t)[1-Zij(t)]
式中，Zij(t)表示混沌变量；μ表示控制变量；当μ＝4，0≤Zij(t)≤1时，系统处于混沌状态。
步骤(3)中，所述状态转移概率公式如下：
Figure BDA0002611256960000022
式中，
Figure BDA0002611256960000023
表示在t时刻第k只蚂蚁由服务i移动到j服务的概率；allowedk表示在t时刻第t只蚂蚁接下来可以选择的服务；α表示信息启发式因子；β表示期望启发式因子；ηij(t)表示由服务i移动到服务j的期望程度；根据轮盘赌方法，蚂蚁将选择移动到概率较大的服务。
步骤(4)中，所述本地信息素更新公式如下：
τij(t+1)＝(1-ρ)τij(t)+ρτ0
式中，ρ表示信息素挥发度；τ0表示初始化信息素值。
步骤(6)中，所述全局信息素更新的计算公式如下：
τij(t+1)＝(1-ρ)τij(t)+ρΔτij(t)+ξZij(t)
Figure BDA0002611256960000031
Figure BDA0002611256960000032
式中，ρ表示信息素挥发度，为了防止其无穷的累计，一般取值单位为[0,1)；Δτij(t)表示执行完一次寻优后线路(i,j)上的信息素增量，初始化时Δτij(t)＝0； Lgb(t)表示本次迭代中最优路径的路径长度；Zij(t)表示混沌变量，ξ表示自适应调节系数；
Figure BDA0002611256960000033
表示可调节系数，取值范围为[1.5,2.5]；t表示当前迭代次数， tmax表示最大迭代次数。
步骤(7)中，所述同化数量
Figure BDA0002611256960000034
的计算公式为：
Figure BDA0002611256960000035
式中，λ表示可调节系数，取值范围为[3,5]；[]表示取整。
步骤(7)中，所述终止条件为达到最大迭代次数或最优解的适应度函数值 Ffitness(QoEbest)满足误差条件。
本发明还包括基于同化机制的混沌蚁群算法的Web服务组合优化方法，包括以下步骤：
(一)当用户向系统提出服务请求时，系统对服务请求进行任务分解；
(二)建立Web服务组合模型，以体验质量QoE为评价指标建立Web服务组合模型的适应度函数Ffitness(QoEbest)；模糊专家系统通过服务质量QoS参数求出体验质量QoE的值，从而得到对应于Web服务组合模型的适应度函数 Ffitness(QoEbest)的值，并以求得的适应度函数的值作为优化目标；
(三)采用基于同化机制的混沌蚁群算法对Web服务组合优化，得到满足用户需要的服务组合的最优结果。
步骤(二)中，所述模糊专家系统根据隶属函数和推理规则预测出服务质量 QoE的取值。
有益效果：本发明与现有技术相比，其有益效果在于：(1)通过普通蚂蚁和飞行蚂蚁、前期较大的混沌扰动增强了蚁群算法搜索Web服务组合的全局搜索能力和搜索范围，有效抑制其陷入局部最优；(2)通过同化机制以及后期较小的混沌扰动，加快了蚁群算法的收敛速度，缩短了运行时间，提高了性能；(3)能够适应不同规模下的Web服务组合问题，具有较强的鲁棒性；(4)一定程度将蚁群算法的全局搜索能力和局部搜索能力达到较好的平衡。
附图说明
图1为本发明所述基于同化机制的混沌蚁群算法的流程示意图；
图2为本发明所述基于同化机制的混沌蚁群算法的Web服务组合优化方法的整体框图；
图3为本发明中Web服务组合的模型图。
具体实施方式
下面结合具体实施方式和说明书附图对本发明做进一步详细介绍。
如图1和图3所示，本发明的基于同化机制的混沌蚁群算法，具体包括以下步骤：
(1)设置初始化参数：普通蚂蚁种群数量N，飞行蚂蚁数量M，信息启发式因子α，期望启发式因子β，信息素挥发度ρ，初始化信息素值τ0，邻接节点数 k，最大迭代次数tmax，同化数量
Figure BDA0002611256960000041
任务集T＝[t1,t2,…,tn]，每个任务ti包含一个Web服务集CWS＝[cws1,cws2,…,cwsm]；
(2)在任务t1上随机初始化
Figure BDA0002611256960000042
只普通蚂蚁和
Figure BDA0002611256960000043
只飞行蚂蚁，其中，
Figure BDA0002611256960000044
为同化数量，初始化时
Figure BDA0002611256960000045
(3)加入自适应混沌扰动，每只蚂蚁根据状态转移概率公式，使用轮盘调度方法从剩余的ti个任务中搜索选择下一个Web服务；其中，自适应混沌扰动中的混沌变量由Logistic映射模型产生，利用Logistic混沌映射产生初始信息素，对信息素的更新产生自适应混沌扰动；算法迭代初期，较大的混沌扰动提高了蚁群的搜索能力；算法迭代后期，较小的混沌扰动改善了算法的求解精度。Logistic 混沌模型的计算公式如下：
Zij(t+1)＝μZij(t)[1-Zij(t)]
式中，Zij(t)表示混沌变量；μ表示控制变量；当μ＝4，0≤Zij(t)≤1时，系统处于混沌状态。
状态转移概率公式如下：
Figure BDA0002611256960000046
式中，
Figure BDA0002611256960000047
表示在t时刻第k只蚂蚁由服务i移动到j服务的概率；allowedk表示在t时刻第t只蚂蚁接下来可以选择的服务；α表示信息启发式因子；β表示期望启发式因子；ηij(t)表示由服务i移动到服务j的期望程度；根据轮盘赌方法，蚂蚁将选择移动到概率较大的服务。
(4)直到所有普通蚂蚁和飞行蚂蚁都搜索选择完所有n个任务，每只蚂蚁对自己路径进行本地信息素更新；否则，重复步骤(3)；其中，本地信息素更新公式如下：
τij(t+1)＝(1-ρ)τij(t)+ρτ0
式中，ρ表示信息素挥发度；τ0表示初始化信息素值。
加入混沌扰动后，本地信息素更新公式如下：
τij(t+1)＝(1-ρ)τij(t)+ρτ0+ξZij(t)
式中，ξ表示自适应调节系数。此时加入自适应混沌扰动，使调节系数ξ随着迭代的进行呈动态递减趋势：
Figure BDA0002611256960000051
式中，ω表示可调节系数，取值范围为[1.5,2.5]；t表示当前迭代次数，tmax表示最大迭代次数。
(5)计算每只蚂蚁产生解的适应度值；
(6)根据适应度值选择本次迭代的最优解和最佳蚂蚁，如果最佳蚂蚁是普通蚂蚁(即最优解由普通蚂蚁获得)，则进行路径上的全局信息素更新；如果最佳蚂蚁是飞行蚂蚁，则不仅对路径上进行全局信息素更新，还同时更新路径上的相邻节点的信息素；
其中，全局信息素更新公式如下：
τij(t+1)＝(1-ρ)τij(t)+ρΔτij(t)+ξZij(t)
Figure BDA0002611256960000052
Figure BDA0002611256960000053
式中，ρ表示信息素挥发度，为了防止其无穷的累计，一般取值单位为[0,1)；Δτij(t)表示执行完一次寻优后线路(i,j)上的信息素增量，初始化时Δτij(t)＝0； Lgb(t)表示本次迭代中最优路径的路径长度；Zij(t)表示混沌变量。
当最佳蚂蚁是飞行蚂蚁时，需要找到路径上的相邻节点。基于QoS属性值，使用欧几里德距离来找到距离最佳解的最近的Web服务，公式如下：
Figure BDA0002611256960000054
式中，C表示成本，RT表示响应时间，A表示可用性，R表示可靠性；x表示在任务ti中由最佳蚂蚁获得的最佳Web服务；y表示同一任务中的除去x的剩余Web服务；
最佳飞行蚂蚁更新路径周围节点的信息素值，相邻Web服务得到的信息素量和它们与最佳Web服务的距离成反比，这使得这些节点在未来的迭代中有更大的概率被探索。具体公式如下：
Figure BDA0002611256960000061
式中，τij(t+1)是最佳路径上全局更新的信息素；x'(ηjl)是同一任务中Web服务j与其邻接Web服务l距离的归一化值。
(7)普通蚂蚁对飞行蚂蚁的同化过程，计算同化数量
Figure BDA0002611256960000062
随着Web服务的优化，每次迭代中都有一定数量的飞行蚂蚁被同化为普通蚂蚁；飞行蚂蚁帮助算法扩大搜索范围，前期具有全局搜索能力，增大算法获得最优解的概率；同化机制将飞行蚂蚁逐渐同化为普通蚂蚁，后期局部搜索能力强，帮助算法加快收敛速度。其中，同化数量
Figure BDA0002611256960000063
的计算公式为：
Figure BDA0002611256960000064
式中，λ表示可调节系数，取值范围为[3,5]；[]表示取整。
(8)终止检验，求出本次迭代中最佳蚂蚁获取的最优解的服务组合适应度函数值Ffitness(QoEbest)，判断是否满足终止条件，终止条件为达到最大迭代次数或最优解的适应度函数值Ffitness(QoEbest)满足误差条件；若满足条件，则输出最优解；否则转步骤(2)。
如图2至3所示，研究一种针对最终用户参与者进行主观测试的方法，并建立一个将网络QoS参数与主观体验质量相关联的学习集，利用这种相关性建立模糊专家系统的网络体验质量评估的隶属函数和推理规则，通过隶属函数和推理规则预测出QoE的取值。(QoE评估系统)
Web服务的QoE评估系统根据模糊逻辑确立了隶属函数和推理规则。模糊专家系统可以根据隶属函数和推理规则对Web服务的QoE进行评估。在确定隶属函数和推理规则的前提下，通过QoS参数可以求出QoE的值，从而对服务体验质量进行评估。模糊专家系统的本质是在系统中引入模糊理论和模糊逻辑，使用模糊分析法分析不确定性问题的一种系统。Web服务QoS指标主要是用来反映该Web 服务的质量高低，指标有响应时间、可靠性、可用性等等。隶属函数是研究者根据所观测主观数据集设计的，隶属函数的取值大小直接反映QoS参数值属于QoE 分数的程度，通常采用概率分布函数来表示隶属函数。每个QoS参数对应不同的概率分布函数，用概率分布函数除以其峰值便得到了模糊集。推理规则可以从主观数据集中推导出来。粗糙集是一个经典数据挖掘技术，将粗糙集理论应用于主观数据集上，以主观数据集的形式表示一个条件属性集和一个决策属性集，并通过离散化算法对其进行处理。资源池就是Web服务的资源池。
因此，本发明还包括基于同化机制的混沌蚁群算法的Web服务组合优化方法，具体包括以下步骤：
(一)当用户向系统提出服务请求时，系统对服务请求分解为各个子服务；
(二)建立Web服务组合模型，以体验质量QoE为评价指标建立Web服务组合模型的适应度函数Ffitness(QoEbest)；模糊专家系统通过服务质量QoS参数求出体验质量QoE的值，从而得到对应于Web服务组合模型的适应度函数 Ffitness(QoEbest)的值，并以求得的适应度函数的值作为优化目标；其中，Web服务组合模型的适应度函数Ffitness(QoEbest)的计算公式为：
Figure BDA0002611256960000071
式中，n为子服务的数量；QoEi表示第i个子服务体验质量。
(三)采用基于同化机制的混沌蚁群算法对Web服务组合优化，得到满足用户需要的服务组合的最优结果。
步骤(二)中，模糊专家系统根据隶属函数和推理规则预测出服务质量QoS 的取值。

Claims (9)

1.一种基于同化机制的混沌蚁群算法的Web服务组合优化方法，其特征在于：包括基于同化机制的混沌蚁群算法，所述混沌蚁群算法包括以下步骤：
(1)设置初始化参数；
(2)随机初始化
Figure FDA0003715795650000011
只普通蚂蚁和
Figure FDA0003715795650000012
只飞行蚂蚁，初始化时同化数量
Figure FDA0003715795650000013
(3)加入自适应混沌扰动，每只蚂蚁根据状态转移概率公式，使用轮盘调度方法选择下一个Web服务；
(4)确认所有普通蚂蚁和飞行蚂蚁都搜索选择完所有服务后，每只蚂蚁对自己路径进行本地信息素更新；否则，重复步骤(3)；
(5)计算每只蚂蚁产生解的适应度值；
(6)根据适应度值选择本次迭代的最优解和最佳蚂蚁，如果最佳蚂蚁是普通蚂蚁，则进行路径上的全局信息素更新；如果最佳蚂蚁是飞行蚂蚁，则不仅对路径上进行全局信息素更新，还同时更新路径上的相邻节点的信息素；
(7)普通蚂蚁对飞行蚂蚁的同化过程，计算同化数量
Figure FDA0003715795650000014
(8)终止检验，求出本次迭代中最佳蚂蚁获取的最优解的服务组合适应度函数值，判断是否满足终止条件；若满足条件，则输出最优解；否则转步骤(2)；所述方法包括以下步骤：
(一)当用户向系统提出服务请求时，系统对服务请求进行任务分解；
(二)建立Web服务组合模型，以体验质量QoE为评价指标建立Web服务组合模型的适应度函数Ffitness(QoEbest)；模糊专家系统通过服务质量QoS参数求出体验质量QoE的值，从而得到对应于Web服务组合模型的适应度函数Ffitness(QoEbest)的值，并以求得的适应度函数的值作为优化目标；
(三)采用基于同化机制的混沌蚁群算法对Web服务组合优化，得到满足用户需要的服务组合的最优结果。
2.根据权利要求1所述的基于同化机制的混沌蚁群算法的Web服务组合优化方法，其特征在于，步骤(1)中，所述初始化参数具体包括：普通蚂蚁种群数量N，飞行蚂蚁数量M，信息启发式因子α，期望启发式因子β，信息素挥发度ρ，初始化信息素值τ0，邻接节点数k，最大迭代次数tmax，同化数量
Figure FDA0003715795650000015
任务集T＝[t1,t2,…,tn]，每个任务ti包含一个Web服务集CWS＝[cws1,cws2,…,cwsm]。
3.根据权利要求1所述的基于同化机制的混沌蚁群算法的Web服务组合优化方法，其特征在于：步骤(3)中，所述自适应混沌扰动中的混沌变量由Logistic映射模型产生，Logistic混沌模型的计算公式如下：
Zij(t+1)＝μZij(t)[1-Zij(t)]
式中，Zij(t)表示混沌变量；μ表示控制变量；当μ＝4，0≤Zij(t)≤1时，系统处于混沌状态。
4.根据权利要求1所述的基于同化机制的混沌蚁群算法的Web服务组合优化方法，其特征在于：步骤(3)中，所述状态转移概率公式如下：
Figure FDA0003715795650000021
式中，
Figure FDA0003715795650000022
表示在t时刻第k只蚂蚁由服务i移动到j服务的概率；allowedk表示在t时刻第t只蚂蚁接下来可以选择的服务；α表示信息启发式因子；β表示期望启发式因子；ηij(t)表示由服务i移动到服务j的期望程度；根据轮盘赌方法，蚂蚁将选择移动到概率较大的服务。
5.根据权利要求1所述的基于同化机制的混沌蚁群算法的Web服务组合优化方法，其特征在于：步骤(4)中，所述本地信息素更新公式如下：
τij(t+1)＝(1-ρ)τij(t)+ρτ0
式中，ρ表示信息素挥发度；τ0表示初始化信息素值。
6.根据权利要求1所述的基于同化机制的混沌蚁群算法的Web服务组合优化方法，其特征在于：步骤(6)中，所述全局信息素更新的计算公式如下：
τij(t+1)＝(1-ρ)τij(t)+ρΔτij(t)+ξZij(t)
Figure FDA0003715795650000023
Figure FDA0003715795650000024
式中，ρ表示信息素挥发度，取值范围为[0,1)；Δτij(t)表示执行完一次寻优后线路(i,j)上的信息素增量，初始化时Δτij(t)＝0；Lgb(t)表示本次迭代中最优路径的路径长度；Zij(t)表示混沌变量；ξ表示自适应调节系数；
Figure FDA0003715795650000025
表示可调节系数，取值范围为[1.5,2.5]；t表示当前迭代次数，tmax表示最大迭代次数。
7.根据权利要求6所述的基于同化机制的混沌蚁群算法的Web服务组合优化方法，其特征在于：步骤(7)中，所述同化数量
Figure FDA0003715795650000026
的计算公式为：
Figure FDA0003715795650000027
式中，λ表示可调节系数，取值范围为[3,5]；[]表示取整。
8.根据权利要求1所述的基于同化机制的混沌蚁群算法的Web服务组合优化方法，其特征在于：步骤(8)中，所述终止条件为达到最大迭代次数或最优解的适应度函数值满足误差条件。
9.根据权利要求1所述的基于同化机制的混沌蚁群算法的Web服务组合优化方法，其特征在于：步骤(二)中，所述模糊专家系统根据隶属函数和推理规则预测出服务质量QoS的取值。
CN202010755042.1A 2020-07-31 2020-07-31 基于同化机制的混沌蚁群算法及Web服务组合优化方法 Active CN112085143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010755042.1A CN112085143B (zh) 2020-07-31 2020-07-31 基于同化机制的混沌蚁群算法及Web服务组合优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010755042.1A CN112085143B (zh) 2020-07-31 2020-07-31 基于同化机制的混沌蚁群算法及Web服务组合优化方法

Publications (2)

Publication Number Publication Date
CN112085143A CN112085143A (zh) 2020-12-15
CN112085143B true CN112085143B (zh) 2022-08-26

Family

ID=73735825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010755042.1A Active CN112085143B (zh) 2020-07-31 2020-07-31 基于同化机制的混沌蚁群算法及Web服务组合优化方法

Country Status (1)

Country Link
CN (1) CN112085143B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561200A (zh) * 2020-12-22 2021-03-26 国网甘肃省电力公司电力科学研究院 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术
CN113673662B (zh) * 2021-08-02 2024-01-09 南京邮电大学 一种基于反向学习的混沌蜂群Web服务组合优化方法
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
CN115361303B (zh) * 2022-07-08 2023-09-29 南京邮电大学 一种基于动态飞行蚁群算法的Web服务组合优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528615A (zh) * 2015-11-30 2016-04-27 华南师范大学 行为数据的路径寻优方法
CN106022475A (zh) * 2016-07-13 2016-10-12 南京邮电大学 基于动态自适应混沌蚁群算法的Web服务组合方法
US20190147094A1 (en) * 2017-11-15 2019-05-16 The Climate Corporation Sequential data assimilation to improve agricultural modeling

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528615A (zh) * 2015-11-30 2016-04-27 华南师范大学 行为数据的路径寻优方法
CN106022475A (zh) * 2016-07-13 2016-10-12 南京邮电大学 基于动态自适应混沌蚁群算法的Web服务组合方法
US20190147094A1 (en) * 2017-11-15 2019-05-16 The Climate Corporation Sequential data assimilation to improve agricultural modeling

Also Published As

Publication number Publication date
CN112085143A (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN112085143B (zh) 基于同化机制的混沌蚁群算法及Web服务组合优化方法
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN110225535B (zh) 基于深度确定性策略梯度的异构无线网络垂直切换方法
CN110163410B (zh) 一种基于神经网络-时间序列的线损电量预测方法
CN115480876A (zh) 基于蚁群算法优化的云计算任务调度方法及系统
CN111222665B (zh) 基于偏好nsga-ⅲ算法的云制造服务组合优化选择方法
CN111240796B (zh) 一种基于改进mmas的负载均衡调度方法
CN111931899A (zh) 改进布谷鸟搜索算法优化极限学习机的网络流量预测方法
CN112084035B (zh) 一种基于蚁群算法的任务调度方法及系统
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
CN110321217A (zh) 一种多目标的云资源调度方法、装置、设备及存储介质
CN114167898B (zh) 一种无人机收集数据的全局路径规划方法及系统
CN112149990B (zh) 一种基于预测的模糊供需匹配方法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN116089031A (zh) 一种基于蚁群优化算法的异构任务调度方法
CN110191015B (zh) 基于cpi指标的云服务性能智能预测方法和装置
CN111832817A (zh) 基于mcp罚函数的小世界回声状态网络时间序列预测方法
CN110851911B (zh) 终端状态计算模型训练方法、控制序列搜索方法及装置
CN116089083A (zh) 一种多目标数据中心资源调度方法
CN114169763A (zh) 一种计量器具需求预测方法、系统、计算装置及存储介质
Zhang et al. An improved particle swarm optimization for the multi-depot vehicle routing problem
CN112543116A (zh) 一种基于精确QoS的快速服务匹配方法
CN115361303B (zh) 一种基于动态飞行蚁群算法的Web服务组合优化方法
Liu et al. Research on intelligent scheduling strategy of elevator group under the big data platform
CN115580526B (zh) 一种通信网络故障诊断方法、系统、电子设备及存储介质

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