CN112733999B - 一种基于自我纠错机制粒子群优化算法的服务模式构建方法 - Google Patents

一种基于自我纠错机制粒子群优化算法的服务模式构建方法 Download PDF

Info

Publication number
CN112733999B
CN112733999B CN202110068148.9A CN202110068148A CN112733999B CN 112733999 B CN112733999 B CN 112733999B CN 202110068148 A CN202110068148 A CN 202110068148A CN 112733999 B CN112733999 B CN 112733999B
Authority
CN
China
Prior art keywords
service
fitness
particle
value
swarm optimization
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
CN202110068148.9A
Other languages
English (en)
Other versions
CN112733999A (zh
Inventor
王红斌
丁洋
线岩团
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202110068148.9A priority Critical patent/CN112733999B/zh
Publication of CN112733999A publication Critical patent/CN112733999A/zh
Application granted granted Critical
Publication of CN112733999B publication Critical patent/CN112733999B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于自我纠错机制粒子群优化算法的服务模式构建方法，本发明首先根据历史服务组合方案利用大数据挖掘技术挖掘出服务模式，服务模式是满足客户历史需求方案频繁出现的局部服务流程，具有很高的共性，其具有很高的复用性，服务模式使用得当既可以保障客户新需求的个性化，又可以提高组合效率，然后针对客户需求的服务流程在已经挖掘的候选服务模式中去匹配相应的服务模式，然后针对剩下未被匹配的服务流程片段，采用改进后的粒子群优化算法去组合。服务模式+改进的粒子群优化算法的组合方式可以更好的发挥服务组合的效率。

Description

一种基于自我纠错机制粒子群优化算法的服务模式构建方法
技术领域
本发明涉及一种基于自我纠错机制粒子群优化算法的服务模式构建方法，属于服务计算技术领域。
背景技术
最初的服务选择是基于服务单元的选择，选择每个服务最优单元，而不考虑服务流程的整体最优。在此之后，基于服务流程的QoS(服务质量)整体感知的服务组合出现，QoS感知服务组合对所有服务单元的QoS属性进行聚合形成服务方案的整体QoS属性，考虑到服务流程整体最优，相比较基于服务单元的最优具有更好的效果。但是，目前基于QoS感知的服务组合算法容易陷入局部最优，而且目前的方案并没有考虑先验知识，每次针对一个服务组合问题执行动态即时的组合过程，其资源开销较大，组合效率较低，组合结果也不是很好。鉴于以上种种原因，本人发明了一种“基于自我纠错机制粒子群优化算法的服务模式的构建”，本发明首先根据服务的历史方案利用大数据挖掘技术挖掘出服务模式，服务模式是满足客户历史需求方案频繁出现的局部服务流程，具有很高的共性，其具有很高的复用性，服务模式使用得当既可以保障客户新需求的个性化，又可以提高组合效率。然后针对客户需求的服务流程在已经挖掘的候选服务模式中去匹配相应的服务模式，然后针对剩下没有被匹配的服务流程片段，采用改进后的粒子群优化算法去组合。服务模式+改进的粒子群优化算法的组合方式可以更好的发挥服务组合的效率。
发明内容
本发明首先根据服务的历史方案利用大数据挖掘技术挖掘出服务模式，服务模式是满足客户历史需求方案频繁出现的局部服务流程，具有很高的共性，其具有很高的复用性，服务模式使用得当既可以保障客户新需求的个性化，又可以提高组合效率。然后针对客户需求的服务流程在已经挖掘的候选服务模式中去匹配相应的服务模式，然后针对剩下没有被匹配的服务流程片段，采用改进后的粒子群优化算法去组合。服务模式+改进的粒子群优化算法的组合方式可以更好的发挥服务组合的效率。
本发明的技术方案是：一种基于自我纠错机制粒子群优化算法的服务模式构建方法，其特征在于：具体的算法流程如下所示：
Step1、使用频繁模式树挖掘算法FT-tree从服务方案历史记录中挖掘出服务模式集合SP＝{SP1,SP2,…,SPn}；
Step2、首先对SP按照长度进行降序排序以提高匹配效率，然后使用服务模式匹配算法spMatching对服务流程SF在SP中匹配相应的模式；
Step3、筛选出未匹配的服务流程片段，使用改进的粒子群优化算法对未匹配的服务流程片段进行局部的服务组合。
进一步的，所述步骤Step2的具体步骤为：
Step2.1、对SP中的服务模式SPi按照其长度进行排序；
Step2.2、按照排序后的SP，从前往后扫描服务模式对SF的片段进行匹配，即筛选出最长的一个服务模式对此片段匹配；
Step2.3、重复Step2.2对剩下的未匹配的SF片段进行匹配，直到无法匹配为止。
进一步的，所述步骤Step3的具体步骤为：
Step3.1：根据输入的SF选择相应的候选服务集群并按照SF中服务活动的顺序进行排序形成相应顺序的候选服务集群CSC。
Step3.2：客户按照自己的偏好对QoS设置权重集合W，以此来表明不同属性所占的分量，算法根据W最大的权重按照其对应的QoS属性对CSC中的每一个候选服务集作升序或降序排序。
Step3.3：初始化每个粒子的初始位置，每个粒子的当前最优位置pi，以及全局最优粒子的位置pg，其中每个粒子代表一个组合方案CS，初始化粒子的速度vi，其相关公式如下：
Figure GDA0003968063490000021
Figure GDA0003968063490000022
其中，
Figure GDA0003968063490000023
代表第t次迭代时，第i号粒子的位置。
Step3.4：对每个粒子对应的CS中的QoS进行整体聚合得到适应度值fitnessi以及全局适应度值fitness,适应度值越小越优；其中，fitness和fitnessi计算公式如下：
Figure GDA0003968063490000024
Figure GDA0003968063490000025
Aggregation是对组合服务方案cs对应属性的整体聚合，wr表示客户对于服务的第r个QoS属性的偏好，m为服务QoS属性总个数，
Figure GDA0003968063490000026
表示组合服务方案的第r个QoS属性值；
Step3.5：根据公式(1)、(2)更新当前粒子的位置
Figure GDA0003968063490000031
Step3.6：若finess一定的循环次数后仍未更新或
Figure GDA0003968063490000032
越界，则随机更新
Figure GDA0003968063490000033
的值使其逃离局部最优或限定在合理的位置范围内。
Step3.7：计算适应度参照值FRV,以及参照位置RP,其中FRV由以下公式计算得到：
Figure GDA0003968063490000034
其中，aggregation是对单元服务AS的QoS的聚合运算，CSCi代表CSC中的第i个候选服务集。
Step3.8：重复执行Step3.4、Step3.5、Step3.6直到达到预先设定的循环最大次数CMN为止。
Step3.9：若fitness小于等于FRV，则返回fitness的值以及pg的值；若fitness大于FRV，则返回FRV的值以及RP的值。
本发明的有益效果：
本发明在模型时间复杂度和最优性上都有很好的表现。该方法首先从大量的历史服务方案中利用大数据挖掘技术挖掘出一些服务模式，服务模式的构造利用了先验知识，使得服务流程的相当一部分局部片段不需要使用常规的组合算法，而只选用匹配服务模式，这大大提高了模型的整体时间效率。针对未匹配成功的服务流程片段采用改进的粒子群优化算法进行服务组合，改进的粒子群优化算法首先对候选服务集按照最大权重进行排序，经有关实验表明候选服务集的秩序对算法最优性具有一定影响，排序后的服务集相当一定程度上提高了算法寻优能力。算法每次迭代按照相关公式去更新粒子速度和位置。然后算法检测迭代达到设定的一定迭代次数后，算法的适应度值仍然没更新则重新随机初始化粒子的位置，以实现逃出局部最优的陷阱；这一定程度上也提高了算法的寻优能力和时间效率。然后，算法检测迭代次数达到预定的最大迭代次数后，则停止优化算法，拿适应度值与参照的适应度值相比，哪一个更小则采用哪一个适应度值，这也一定程度上提高了算法的寻优能力和时间效率。基于以上种种机制，算法模型在时间效率和最优性上都具有良好的表现。
附图说明
图1为本发明中的模型整体思想图；
图2为服务模式匹配原理图；
图3为粒子运动原理图。
具体实施方式
实施例1：如图1所示，所述方法的具体步骤为：
Step1、在本专利中，使用公共数据服务集QWS，数据集中每条数据含有11个属性，筛选出4个属性作为QoS属性，分别是响应时间(ResponseTime)、可用性(Availability)、吞吐量(Throughput)、可靠性(Reliability)。根据实际需求，利用自己编写的修改器对每条数据插入4个属性，分别为价格(Price)、荣誉度(Reputation)、服务名称(ServiceName)、服务id(Service Id)，其中前2者作为QoS属性。
Step2、从修改后的数据中随机选择1000条记录分为10组，每组100条，10组数据与10个服务单元一一对应，服务单元为泛泛的服务，每组中的每一条服务为对应的具体服务，即每一个服务单元对应一个长度为100的候选服务集。
Step3、使用自己编写的仿真工具去仿真生成10000条历史服务记录，然后使用频繁模式树算法FP-Tree在历史服务记录上挖掘出5000多条服务模式，最后对这5000多条服务模式按照长度进行降序排序。
Step4、使用自己编写的仿真工具去生成10条含有5个服务活动的服务流程、10条含有10个服务活动的服务流程，其中每一个服务活动与上述的每一个服务单元一一对应。并使用仿真工具为每条服务流程随机生成相应的QoS权重W，W满足以下公式：
Figure GDA0003968063490000041
评价指标：
为验证本发明在服务组合上的实际效果，将采用统一的评价标准：最优性optimality(适应度值表示，值越小表明越优)和执行时间execution-time(值越小表明时间效率越好)作为评价标准，衡量本发明的性能；其中，optimality满足以下公式：
optimality＝fitness (7)
本发明为了验证该发明的的有效性、可行性设计以下两组实验进行验证：
实验一：使用10条含有5个服务活动的服务流程去实验，衡量基于自我纠错机制粒子群优化算法的服务模式构建方法SR-PSO-RP、自我纠错机制粒子群优化服务组合算法SR-PSO、普通的粒子群优化服务组合算法O-PSO三者之间的性能。本实验设置的粒子个数为1000，迭代次数1000，对10条记录进行实验取平均值，其实验结果如下：
表1、基于5个服务活动时，O-PSO与SR-PSO在执行时间和最优性上的对比
Figure GDA0003968063490000051
表2、基于5个服务活动时，SR-PSO与SR-PSO-RP在执行时间上的对比
execution-time(Theunitisseconds)
SR-PSO 52.7530
SR-PSO-RP 35.0117
由表1可以看出，在设置相同的粒子数与迭代数情况下，O-PSO与SR-PSO的执行时间大致相同，但是SR-PSO在最优性上明显的比O-PSO要优越一些，其在有效位的第2位和第3位的值都有下降。由表2可以看出SR-PSO-RP在时间性能上比SR-PSO要优越很多，SR-PSO-RP执行时间比SR-PSO小很多。由表1和表2可以综合得出SR-PSO-RP无论在最优性还是在时间性能上都优于传统的粒子群优化算法O-PSO。
实验二：使用10条含有10个服务活动的服务流程进行实验验证，衡量基于自我纠错机制粒子群优化算法的服务模式构建方法SR-PSO-RP、自我纠错机制粒子群优化服务组合算法SR-PSO、普通的粒子群优化服务组合算法O-PSO三者之间的性能。本实验设置的粒子个数为1000，迭代次数1000，对10条记录进行实验取平均值，其实验结果如下：
表3、基于10个服务活动时，O-PSO与SR-PSO在执行时间和最优性上的对比
Figure GDA0003968063490000061
表4、基于10个服务活动时，SR-PSO与SR-PSO-RP在执行时间上的对比
execution-time(Theunitisseconds)
SR-PSO 96.8352
SR-PSO-RP 59.6738
由表3和表4可以得出与实验一类似的结论。
综上，可以得出基于自我纠错机制粒子群优化算法的服务模式构建方法在综合性能上要明显高于传统的服务组合方法。一方面，本专利所构造的方法对新的服务流程首先去匹配预先挖掘的服务模式，这个速度要远远高于目前任何服务组合优化算法，这也是速度提高的根本，并且服务模式是从大量的个性服务中挖掘出的共性，对发现服务先验知识以及节省资源开支具有很大的意义。另一方面，对于没有匹配的成功的服务流程片段再使用改进的优化算法，而不是一开始就全部使用优化算法，其整体执行时间会下降很多，改进的粒子群优化算法相对于传统的粒子群优化算法加入了纠错机制，可以一定程度上逃离局部最优，明显的提高算法的寻优性能。服务模式与改进的粒子群优化算法相结合的策略形成的基于自我纠错机制粒子群优化算法的服务模式的构建方法兼顾了两者的优点，其综合性能有了很大的提升。

Claims (2)

1.一种基于自我纠错机制粒子群优化算法的服务模式构建方法，其特征在于：具体的算法流程如下所示：
Step1、使用频繁模式树挖掘算法FT-tree从服务方案历史记录中挖掘出服务模式集合SP＝{SP1,SP2,…,SPn}；
Step2、首先对SP按照长度进行降序排序以提高匹配效率，然后使用服务模式匹配算法spMatching对服务流程SF在SP中匹配相应的模式；
Step3、筛选出未匹配的服务流程片段，使用改进的粒子群优化算法对未匹配的服务流程片段进行局部的服务组合，具体步骤为：
Step3.1：根据输入的SF选择相应的候选服务集群并按照SF中服务活动的顺序进行排序形成相应顺序的候选服务集群CSC；
Step3.2：客户按照自己的偏好对QoS设置权重集合W，以此来表明不同属性所占的分量，算法根据W最大的权重按照其对应的QoS属性对CSC中的每一个候选服务集作升序或降序排序；
Step3.3：初始化每个粒子的初始位置，每个粒子的当前最优位置pi，以及全局最优粒子的位置pg，其中每个粒子代表一个组合方案CS，初始化粒子的速度vi，其相关公式如下：
Figure FDA0003968063480000011
Figure FDA0003968063480000012
其中，
Figure FDA0003968063480000013
代表第t次迭代时，第i号粒子的位置；
Step3.4：对每个粒子对应的CS中的QoS进行整体聚合得到适应度值fitnessi以及全局适应度值fitness,适应度值越小越优；其中，fitnessi和fitness计算公式相同，fitness计算如下：
Figure FDA0003968063480000014
Figure FDA0003968063480000015
Aggregation是对组合服务方案cs对应属性的整体聚合，wr表示客户对于服务的第r个QoS属性的偏好，m为服务QoS属性总个数，
Figure FDA0003968063480000016
表示组合服务方案的第r个QoS属性值；
Step3.5：根据公式(1)、(2)更新当前粒子的位置
Figure FDA0003968063480000017
Step3.6：若finess一定的循环次数后仍未更新或
Figure FDA0003968063480000018
越界，则随机更新
Figure FDA0003968063480000019
的值使其逃离局部最优或限定在合理的位置范围内；
Step3.7：计算适应度参照值FRV,以及参照位置RP,其中FRV由以下公式计算得到：
Figure FDA00039680634800000110
其中，aggregation是对单元服务AS的QoS的聚合运算，CSCi代表CSC中的第i号候选服务集；
Step3.8：重复执行Step3.4、Step3.5、Step3.6直到达到预先设定的循环最大次数CMN为止；
Step3.9：若fitness小于等于FRV，则返回fitness的值以及pg的值；若finess大于FRV，则返回FRV的值以及RP的值。
2.根据权利要求1所述的一种基于自我纠错机制粒子群优化算法的服务模式构建方法，其特征在于：所述步骤Step2的具体步骤为：
Step2.1、对SP中的服务模式spi按照其长度进行排序；
Step2.2、按照排序后的SP，从前往后扫描服务模式对SF的片段进行匹配，即筛选出最长的一个服务模式对此片段匹配；
Step2.3、重复Step2.2对剩下的未匹配的SF片段进行匹配，直到无法匹配为止。
CN202110068148.9A 2021-01-19 2021-01-19 一种基于自我纠错机制粒子群优化算法的服务模式构建方法 Active CN112733999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110068148.9A CN112733999B (zh) 2021-01-19 2021-01-19 一种基于自我纠错机制粒子群优化算法的服务模式构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110068148.9A CN112733999B (zh) 2021-01-19 2021-01-19 一种基于自我纠错机制粒子群优化算法的服务模式构建方法

Publications (2)

Publication Number Publication Date
CN112733999A CN112733999A (zh) 2021-04-30
CN112733999B true CN112733999B (zh) 2023-03-21

Family

ID=75592342

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110068148.9A Active CN112733999B (zh) 2021-01-19 2021-01-19 一种基于自我纠错机制粒子群优化算法的服务模式构建方法

Country Status (1)

Country Link
CN (1) CN112733999B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255886B (zh) * 2021-05-24 2022-07-19 浙江大学 一种组合服务动态演化方法
CN113657731A (zh) * 2021-07-30 2021-11-16 哈尔滨工业大学 一种基于双边模式和关联矩阵的服务供需匹配方法
CN114818299A (zh) * 2022-04-18 2022-07-29 浙江大学 一种基于信心感知的服务模式优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105282229A (zh) * 2015-09-11 2016-01-27 南京邮电大学 基于改进QPSO算法的Web服务组合方法
CN107016077A (zh) * 2017-03-28 2017-08-04 南京邮电大学 一种面向Web服务组合的优化方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01119192A (ja) * 1987-10-31 1989-05-11 Sony Corp 自動コンバーゼンス補正回路
CN107316140A (zh) * 2017-06-22 2017-11-03 重庆大学 一种云制造环境下数控机床优选方法
CN108182115B (zh) * 2017-12-28 2021-08-31 福州大学 一种云环境下的虚拟机负载均衡方法
CN109408039A (zh) * 2018-09-30 2019-03-01 昆明理工大学 一种科技资源服务构件的优化配置方法
CN111144645B (zh) * 2019-12-25 2021-06-01 山东众阳健康科技集团有限公司 一种基于混合优化算法的医疗信息服务选择方法
CN111314120A (zh) * 2020-01-23 2020-06-19 福州大学 基于迭代QoS模型的云软件服务资源自适应管理框架

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105282229A (zh) * 2015-09-11 2016-01-27 南京邮电大学 基于改进QPSO算法的Web服务组合方法
CN107016077A (zh) * 2017-03-28 2017-08-04 南京邮电大学 一种面向Web服务组合的优化方法

Also Published As

Publication number Publication date
CN112733999A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112733999B (zh) 一种基于自我纠错机制粒子群优化算法的服务模式构建方法
CN108492201B (zh) 一种基于社区结构的社交网络影响力最大化方法
CN106991051B (zh) 一种基于变异测试和关联规则的测试用例约简方法
CN110738365B (zh) 一种基于粒子群算法的柔性作业车间生产调度方法
CN106599519A (zh) 面向生产订单组合优化的中厚板母板与板坯协同设计方法及系统
CN107329831A (zh) 一种基于改进遗传算法的仿真资源调度方法
CN108564592A (zh) 基于动态多种群集成差分进化算法的图像分割方法
CN107808210B (zh) 面向复杂产品拆卸再生拆卸方案及再生方案集成决策方法
Singh et al. Optimum oil production planning using infeasibility driven evolutionary algorithm
CN113191085A (zh) 考虑工具变换能耗下的不完全拆卸线的设置方法
He et al. Differential evolution with adaptive mutation and parameter control using Lévy probability distribution
CN115577849A (zh) 一种车间作业单元多目标布局优化方法及电子设备
CN105160097B (zh) 一种利用人口迁移算法的三值fprm电路面积优化方法
Romero Ruiz et al. Memetic algorithm with hungarian matching based crossover and diversity preservation
CN110399917A (zh) 一种基于超参数优化cnn的图像分类方法
CN105205534B (zh) 一种三值fprm电路面积与功耗最佳极性搜索方法
CN116303082B (zh) 一种操作系统内核模糊测试种子调度与评估方法
CN111782904B (zh) 一种基于改进smote算法的非平衡数据集处理方法及系统
CN102855191B (zh) 一种嵌入式基础软件代码分支覆盖测试数据遗传搜索方法
Gialampoukidis et al. Community detection in complex networks based on DBSCAN* and a Martingale process
Pirkwieser et al. Combining Lagrangian decomposition with an evolutionary algorithm for the knapsack constrained maximum spanning tree problem
Crawford et al. An adaptive intelligent water drops algorithm for set covering problem
CN112031757B (zh) 一种致密气藏井网加密潜力评价方法
CN107450963A (zh) 一种面向虚拟机放置的化学反应优化算法
CN109710610B (zh) 数据处理方法、装置及计算设备

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