CN113673662B - 一种基于反向学习的混沌蜂群Web服务组合优化方法 - Google Patents
一种基于反向学习的混沌蜂群Web服务组合优化方法 Download PDFInfo
- Publication number
- CN113673662B CN113673662B CN202110883124.9A CN202110883124A CN113673662B CN 113673662 B CN113673662 B CN 113673662B CN 202110883124 A CN202110883124 A CN 202110883124A CN 113673662 B CN113673662 B CN 113673662B
- Authority
- CN
- China
- Prior art keywords
- fitness
- web service
- chaotic
- bee
- updating
- 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
Links
- 230000000739 chaotic effect Effects 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 241000257303 Hymenoptera Species 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 28
- 230000006978 adaptation Effects 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 claims description 3
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 239000004065 semiconductor Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于反向学习的混沌蜂群Web服务组合优化方法,包括,将一个完整的Web服务抽象为一个n个任务数*m个服务数的服务请求;建立Web服务组合模型,并以体验质量QoE为评价指标建立Web服务组合模型的适应度函数Ffitness(QoEbest);将适应度函数Ffitness(QoEbest)作为基于反向学习的混沌蜂群策略的目标函数,求其全局最优值;本发明在保证收敛的情况下,提高了迭代速率,加快搜寻符合需求的Web服务组合的结果;且具有自适应搜索能力,通过前期加大全局搜索能力,来避免陷入局部最优,随着迭代次数增加,后期局部搜索能力加强,能够缩短搜索范围减少搜索时间。
Description
技术领域
本发明涉及Web服务组合的技术领域,尤其涉及一种基于反向学习的混沌蜂群Web服务组合优化方法。
背景技术
如今,信息技术发展对于web服务的进步至关重要,也将web服务带到我们生活的各个角落。但由于用户的复杂需求进行了变化,几乎不可能通过单个(基本)Web服务来满足用户的要求。因此,我们需要一组以适当的顺序集成的基本服务,以便满足用户的请求,即为web服务组合。
由于web服务组合问题的复杂性随着抽象服务的数量和基本服务的增加而增加,因此通过应用单一精确的方法,在多项式时间内找到问题的解决是不可行的。在这方面,没有特定的元启发式算法,对所有类型的优化问题产生理想的结果。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明提供了一种基于反向学习的混沌蜂群Web服务组合优化方法,能够抑制搜索过程中陷入局部最优,同时能够适应不同规模下的Web服务组合问题。
为解决上述技术问题,本发明提供如下技术方案:包括,一种基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:包括,将一个完整的Web服务抽象为一个n个任务数*m个服务数的服务请求;建立Web服务组合模型,并以体验质量QoE为评价指标建立Web服务组合模型的适应度函数Ffitness(QoEbest);将所述适应度函数Ffitness(QoEbest)作为基于反向学习的混沌蜂群策略的目标函数,求其全局最优值;利用基于反向学习的混沌蜂群策略对Web服务组合进行优化。
作为本发明所述的基于反向学习的混沌蜂群Web服务组合优化方法的一种优选方案,其中:所述适应度函数Ffitness(QoEbest)包括,将子任务的候选服务的可靠性、可用性和响应时间输入至模糊专家系统,获得所述体验质量QoE;进而得到对应于Web服务组合模型的适应度函数Ffitness(QoEbest)的值;其中,所述适应度函数Ffitness(QoEbest)的计算公式为:
式中,n为子服务的数量;QoEi表示第i个子服务体验质量。
作为本发明所述的基于反向学习的混沌蜂群Web服务组合优化方法的一种优选方案,其中:所述基于反向学习的混沌蜂群策略包括,设置初始化参数、随机初始化N只蜜蜂的位置;根据正态分布,自适应选择使用反向学习策略的蜜蜂数并更新蜜蜂解中的组合数;根据更新的组合数,计算N只蜜蜂的适应度,并更新全局最优值;在雇佣蜂阶段,更新每只蜜蜂的解,并计算每只蜜蜂的适应度,利用贪心策略保留最优解;第一次迭代进入观察蜂阶段时,计算前a%的适应度的极差,更新正态分布的参数;按大小将所述适应度进行排序,并对适应度前a%的蜜蜂解进行更新,其余的蜜蜂解向当前全局适应度最高的方向更新;计算每只蜜蜂的适应度,并更新最优解;判断是否存在超过最大不更新次数限制不更新的蜜蜂;若存在,则利用反向学习策略更新蜜蜂解,并重新计算蜜蜂的适应度;若不存在,则检查是否满足终止条件,若满足则输出最优值,否则,则继续根据所述正态分布,自适应选择使用反向学习策略的蜜蜂数并更新蜜蜂解中的组合数。
作为本发明所述的基于反向学习的混沌蜂群Web服务组合优化方法的一种优选方案,其中:所述初始化参数包括,设置普通蜂群种群数量为N,最大迭代次数为MCN,最大不更新次数限制为limit;设置观察蜂适应度前a%的个数,设置默认的正态分布的平均值为μ和方差为σ^2;设置Web服务集:其中,/>为第n个子任务选择第jn个选择。
作为本发明所述的基于反向学习的混沌蜂群Web服务组合优化方法的一种优选方案,其中:所述正态分布包括,正态分布函数的分布律p(t)为:
p(t)=1-Φ(t)
其中,Φ(t)为正态分布概率分布函数。
所述作为本发明所述的基于反向学习的混沌蜂群Web服务组合优化方法的一种优选方案,其中:雇佣蜂阶段包括,根据下式更新所述每只蜜蜂的解:
其中,的随机数,Xij(t)为在t代的第i个任务第j个服务组合,k为在[1,N]中不与i相同的正整数,Xij(t+1)为在t+1代的第i个任务第j个服务组合。
作为本发明所述的基于反向学习的混沌蜂群Web服务组合优化方法的一种优选方案,其中:还包括,更新所述适应度前a%的蜜蜂解:
Xij(t+1)=Xij(t)+2(Cn-0.5)(Xij(t)-Xkj(t))+(Xij(t)-Xwj(t))
其中,Cn为混沌变量;k为在[1,N]中不与i相同的正整数,w为全局最优值的解的下标;
更新所述其余的蜜蜂解:
作为本发明所述的基于反向学习的混沌蜂群Web服务组合优化方法的一种优选方案,其中:更新所述正态分布的参数包括,计算所述前a%的适应度的极差,再用所述极差除以最大适应度,若值小于6%,则修改默认的正态分布的参数,加大前期反向学习的蜜蜂数,即为标准化后的正态分布函数右移0.3的位置,使得前期的最大反向学习的蜜蜂数为总的蜂群数的60%。
作为本发明所述的基于反向学习的混沌蜂群Web服务组合优化方法的一种优选方案,其中:所述利用反向学习策略更新蜜蜂解包括,
Xij(t+1)=Xiup+θ(Xilow-Xij(t))
其中,Xi为随机初始化的子任务编号,Xlow,Xup分别是子任务中选择个数的下界和上界,θ∈(0,1)为随机数。
作为本发明所述的基于反向学习的混沌蜂群Web服务组合优化方法的一种优选方案,其中:所述终止条件包括,达到最大迭代次数或最优解的适应度函数值满足超过30代最大适应度值不变或者30代内适应度值变化在1%以内就视为收敛。
本发明的有益效果:本发明与现有技术相比,其有益效果在于:前中期通过反向学习的自适应算子,扩大了搜索范围,减少前期就陷入局部最优的困境;在观察蜂阶段将前a%的蜜蜂使用探索度较高的公式更新,增加蜂群找到最优值的可能,而其余的蜜蜂向全局最优值方向靠近,一方面加快收敛,一方面前a%中如果有全局最优的值,不至于因去探索可能的最优解,而失去其方向上本来的探索;通过反向学习策略使得侦察蜂阶段,跳出陷入局部最优的区域;一定程度将蜂群算法的全局搜索能力和局部搜索能力达到较好的平衡;能够在不同规模下的Web服务组合中应用,具有较强的鲁棒性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明第一个实施例所述的基于反向学习的混沌蜂群Web服务组合优化方法的流程示意图;
图2为本发明第一个实施例所述的基于反向学习的混沌蜂群Web服务组合优化方法的整体框图;
图3为本发明第一个实施例所述的基于反向学习的混沌蜂群Web服务组合优化方法的Web服务组合的模型示意图。
图4为本发明第二个实施例所述的基于反向学习的混沌蜂群Web服务组合优化方法的适应度函数的值对比示意图;
图5为本发明第二个实施例所述的基于反向学习的混沌蜂群Web服务组合优化方法的程序运行时间对比示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~3,为本发明的第一个实施例,该实施例提供了一种基于反向学习的混沌蜂群Web服务组合优化方法,包括:
S1:将一个完整的Web服务抽象为一个n个任务数*m个服务数的服务请求。
S2:建立Web服务组合模型,并以体验质量QoE为评价指标建立Web服务组合模型的适应度函数Ffitness(QoEbest)。
如图2、图3所示,对web用户参与者进行主观测试,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评估出QoE的取值。
Web服务的QoE评估系统按照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,通过输入的QoS参数可以求出QoE的值,从而对服务体验质量进行评估;其本质是在系统中加入模糊逻辑,或者说对一些比较模糊的东西进行量化;即我们将收集到的数据集,使用离散化算法将其处理、评估;用户的服务的Qos主要是用来判断Web服务质量的高低,但是不同人群对于,Qos要求不同;Qos主要指标有可靠性、可用性、响应时间等;本实施例通过隶属函数的设计,将原本抽象的Qos数据按照评分的形式输出,我们可以较为直观的得到用户可能的体验分。
具体的,将子任务的候选服务的可靠性、可用性和响应时间输入至模糊专家系统,获得体验质量QoE;进而得到对应于Web服务组合模型的适应度函数Ffitness(QoEbest)的值;
其中,适应度函数Ffitness(QoEbest)的计算公式为:
式中,n为子服务的数量;QoEi表示第i个子服务体验质量。
S3:将适应度函数Ffitness(QoEbest)作为基于反向学习的混沌蜂群策略的目标函数,求其全局最优值。
基于反向学习的混沌蜂群策略具体如下:
(1)设置初始化参数、随机初始化N只蜜蜂的位置;
初始化参数包括:
①设置普通蜂群种群数量为N,最大迭代次数为MCN,最大不更新次数限制为limit;
②设置观察蜂适应度前a%的个数,设置默认的正态分布的平均值为μ和方差为σ^2;
③设置Web服务集:其中,/>为第n个子任务选择第jn个选择。
(2)根据正态分布,自适应选择使用反向学习策略的蜜蜂数并更新蜜蜂解中的组合数;
正态分布函数的分布律p(t)为:
p(t)=1-Φ(t)
其中,Φ(t)为正态分布概率分布函数,其从-∞积分到t,t为正整数;且默认的正态分布参数设置是在初始t=0处取得最大值为50%,并在之后的30代时,反向学习的蜜蜂数占到总的蜂群数量的1%及以下;减少可能因为过度反向带来的干扰。
具体的,反向学习策略的蜜蜂数设为n=p*N;其中p=1-Φ(x)为反向学习策略的蜜蜂数占总的蜜蜂数的比例,由于p是随着迭代次数增加不断减小的,因此p为自适应算子,在默认情况下最大为50%,若更新后最大为60%附近。
反向学习策略的位置更新公式为:
Xij(t+1)=Xilow+Xiup-Xij(t)
其中,Xi为随机初始化的子任务编号,Xlow,Xup分别是子任务个数的下界和上界;Xij(t)为在t代的第i个任务第j个服务组合,Xij(t+1)为在t+1代的第i个任务第j个服务组合。
(3)根据更新的组合数,计算N只蜜蜂的适应度,并更新全局最优值;
(4)在雇佣蜂阶段,更新每只蜜蜂的解,并计算每只蜜蜂的适应度,利用贪心策略保留最优解;
根据下式更新每只蜜蜂的解:
其中,的随机数,Xij(t)为在t代的第i个任务第j个服务组合,k为在[1,N]中不与i相同的正整数,Xij(t+1)为在t+1代的第i个任务第j个服务组合。
(5)第一次迭代进入观察蜂阶段时计算前a%的适应度的极差,更新正态分布的参数;
计算前a%的适应度的极差,再用极差除以最大适应度,若值小于6%,则修改默认的正态分布的参数,加大前期反向学习的蜜蜂数,即为标准化后的正态分布函数右移0.3的位置,使得前期的最大反向学习的蜜蜂数为总的蜂群数的60%。
(6)按大小将适应度进行排序,并对适应度前a%的蜜蜂解进行更新,其余的蜜蜂解使用向当前全局适应度最高的方向更新;
①按照下式更新适应度前a%的蜜蜂解:
Xij(t+1)=Xij(t)+2(Cn-0.5)(Xij(t)-Xkj(t))+(Xij(t)-Xwj(t))
其中,Cn为混沌变量;k为在[1,N]中不与i相同的正整数,w为全局最优值的解的下标。
混沌变量Cn由Logistic映射模型产生,Logistic混沌模型的计算公式如下:
Cij(t+1)=μCij(t)[1-Cij(t)]
其中,Cij表示混沌变量,表示控制变量;当μ=4,0≤Cij(t)≤1时,系统处于混沌状态。
②其余的蜜蜂解使用向当前全局适应度最高的方向更新,即:
(7)计算每只蜜蜂的适应度,并更新最优解;
(8)判断是否存在超过最大不更新次数限制不更新的蜜蜂;
①若存在,则利用反向学习策略更新蜜蜂解,并重新计算蜜蜂的适应度;
利用反向学习策略更新蜜蜂解:
Xij(t+1)=Xiup+θ(Xilow-Xij(t))
其中,Xi为随机初始化的子任务编号,Xlow,Xup分别是子任务个数的下界和上界,θ∈(0,1)为随机数。
②若不存在,则检查是否满足终止条件,若满足则输出最优值,否则,则继续根据正态分布,自适应选择使用反向学习策略的蜜蜂数并更新蜜蜂解中的组合数。
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超过30代最大适应度值不变或者30代内适应度值变化在1%以内就视为收敛。
若满足终止条件则输出最优值,否则,则返回步骤(2)。
S4:利用基于反向学习的混沌蜂群策略对Web服务组合进行优化。
采用S3设计的基于反向学习的混沌蜂群策略对Web服务组合优化,得到用户需要的服务组合数。
实施例2
为了对本方法中采用的技术效果加以验证说明,本实施例选择的不同方法和采用本方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
本方法与传统的差分算法(DE)、原始人工蜂群算法(ABC)、粒子群算法(PSO)在服务数为20*100的情况下,各算法迭代150次,主程序迭代100次的实验;适应度函数的值如图4所示,分别计算了各个算法迭代100次的适应度值的最大值,平均值和最小值,可以看出本方法的随机性得到了提升,并且稳定性也得到提高,不会出现极值相差过大的情况;程序运行时间如图5所示,可以看出虽然本方法的搜索效果提高了,但是牺牲了一部分效率,因为加入了反向学习和自适应,使得一部分蜂群放弃原方向,转而向其他方向探索,加大随机性的同时提高了算法的时间复杂度。
其中,在种群规模SN=150的情况下,各算法参数如下表所示。
表一:算法参数设置。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:包括,
将一个完整的Web服务抽象为一个n个任务数*m个服务数的服务请求;
建立Web服务组合模型,并以体验质量QoE为评价指标建立Web服务组合模型的适应度函数Ffitness(QoEbest);
将所述适应度函数Ffitness(QoEbest)作为基于反向学习的混沌蜂群策略的目标函数,求其全局最优值;
利用基于反向学习的混沌蜂群策略对Web服务组合进行优化;
所述基于反向学习的混沌蜂群策略包括,
设置初始化参数、随机初始化N只蜜蜂的位置;
根据正态分布,自适应选择使用反向学习策略的蜜蜂数并更新蜜蜂解中的组合数;
根据更新的组合数,计算N只蜜蜂的适应度,并更新全局最优值;
在雇佣蜂阶段,更新每只蜜蜂的解,并计算每只蜜蜂的适应度,利用贪心策略保留最优解;
第一次迭代进入观察蜂阶段时,计算前a%的适应度的极差,更新正态分布的参数;按大小将所述适应度进行排序,并对适应度前a%的蜜蜂解进行更新,其余的蜜蜂解向当前全局适应度最高的方向更新;其中,a为当前迭代中精英解的比例;
计算每只蜜蜂的适应度,并更新最优解;
判断是否存在超过最大不更新次数限制不更新的蜜蜂;若存在,则利用反向学习策略更新蜜蜂解,并重新计算蜜蜂的适应度;
若不存在,则检查是否满足终止条件,若满足则输出最优值,否则,则继续根据所述正态分布,自适应选择使用反向学习策略的蜜蜂数并更新蜜蜂解中的组合数;
所述雇佣蜂阶段包括,
根据下式更新所述每只蜜蜂的解:
其中,的随机数,Xij(t)为在t代的第i个任务第j个服务组合,k为在[1,N]中不与i相同的正整数,Xij(t+1)为在t+1代的第i个任务第j个服务组合;
还包括,
更新所述适应度前a%的蜜蜂解:
Xij(t+1)=Xij(t)+2(Cn-0.5)(Xij(t)-Xkj(t))+(Xij(t)-Xwj(t))
其中,Cn为混沌变量;k为在[1,N]中不与i相同的正整数,w为全局最优值的解的下标;
更新所述其余的蜜蜂解:
所述利用反向学习策略更新蜜蜂解包括,
Xij(t+1)=Xiup+θ(Xilow-Xij(t))
其中,Xi为随机初始化的子任务编号,Xlow,Xup分别是子任务中选择的个数的下界和上界,θ∈(0,1)为随机数。
2.如权利要求1所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述适应度函数Ffitness(QoEbest)包括,
将子任务的候选服务的可靠性、可用性和响应时间输入至模糊专家系统,获得所述体验质量QoE;进而得到对应于Web服务组合模型的适应度函数Ffitness(QoEbest)的值;
其中,所述适应度函数Ffitness(QoEbest)的计算公式为:
式中,n为子服务的数量;QoEi表示第i个子服务体验质量。
3.如权利要求1所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述初始化参数包括,
设置普通蜂群种群数量为N,最大迭代次数为MCN,最大不更新次数限制为limit;
设置观察蜂适应度前a%的个数,设置默认的正态分布的平均值为μ和方差为σ^2;
设置Web服务集:其中,/>为第n个子任务选择第jn个选择。
4.如权利要求3所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述正态分布包括,
正态分布函数的分布律p(t)为:
p(t)=1一Φ(t)
其中,Φ(t)为正态分布概率分布函数。
5.如权利要求1所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:更新所述正态分布的参数包括,
计算所述前a%的适应度的极差,再用所述极差除以最大适应度,若值小于6%,则修改默认的正态分布的参数,加大前期反向学习的蜜蜂数,即为标准化后的正态分布函数右移0.3的位置,使得前期的最大反向学习的蜜蜂数为总的蜂群数的60%。
6.如权利要求1所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述终止条件包括,
达到最大迭代次数或最优解的适应度函数值满足超过30代最大适应度值不变或者30代内适应度值变化在1%以内就视为收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110883124.9A CN113673662B (zh) | 2021-08-02 | 2021-08-02 | 一种基于反向学习的混沌蜂群Web服务组合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110883124.9A CN113673662B (zh) | 2021-08-02 | 2021-08-02 | 一种基于反向学习的混沌蜂群Web服务组合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673662A CN113673662A (zh) | 2021-11-19 |
CN113673662B true CN113673662B (zh) | 2024-01-09 |
Family
ID=78541167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110883124.9A Active CN113673662B (zh) | 2021-08-02 | 2021-08-02 | 一种基于反向学习的混沌蜂群Web服务组合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673662B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103544547A (zh) * | 2013-11-02 | 2014-01-29 | 南京航空航天大学 | 一种基于离散化全局分布搜索的可信服务组合方法 |
US9336480B1 (en) * | 2004-08-14 | 2016-05-10 | Hrl Laboratories, Llc | Self-aware swarms for optimization applications |
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 |
CN108629400A (zh) * | 2018-05-15 | 2018-10-09 | 福州大学 | 一种基于Levy搜索的混沌人工蜂群算法 |
CN110569957A (zh) * | 2019-09-03 | 2019-12-13 | 华侨大学 | 一种基于人工蜂群算法的优化方法 |
CN112085143A (zh) * | 2020-07-31 | 2020-12-15 | 南京邮电大学 | 基于同化机制的混沌蚁群算法及Web服务组合优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10362059B2 (en) * | 2014-09-24 | 2019-07-23 | Oracle International Corporation | Proxy servers within computer subnetworks |
-
2021
- 2021-08-02 CN CN202110883124.9A patent/CN113673662B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336480B1 (en) * | 2004-08-14 | 2016-05-10 | Hrl Laboratories, Llc | Self-aware swarms for optimization applications |
CN103544547A (zh) * | 2013-11-02 | 2014-01-29 | 南京航空航天大学 | 一种基于离散化全局分布搜索的可信服务组合方法 |
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 |
CN108629400A (zh) * | 2018-05-15 | 2018-10-09 | 福州大学 | 一种基于Levy搜索的混沌人工蜂群算法 |
CN110569957A (zh) * | 2019-09-03 | 2019-12-13 | 华侨大学 | 一种基于人工蜂群算法的优化方法 |
CN112085143A (zh) * | 2020-07-31 | 2020-12-15 | 南京邮电大学 | 基于同化机制的混沌蚁群算法及Web服务组合优化方法 |
Non-Patent Citations (1)
Title |
---|
"基于反向学习的自适应快速人工蜂群算法";杨小健,董毅伟;《系统仿真学报》;第28卷(第11期);第2684-2691页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113673662A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7322044B2 (ja) | レコメンダシステムのための高効率畳み込みネットワーク | |
CN112511342B (zh) | 网络切片方法、装置、电子设备及存储介质 | |
CN111813539B (zh) | 一种基于优先级与协作的边缘计算资源分配方法 | |
WO2023071626A1 (zh) | 一种联邦学习方法、装置、设备、存储介质及产品 | |
CN113228059A (zh) | 面向跨网络的表示学习算法 | |
CN113849725B (zh) | 一种基于图注意力对抗网络的社会化推荐方法及系统 | |
CN112688848B (zh) | 一种异构虚拟网络映射方法及系统 | |
CN113673662B (zh) | 一种基于反向学习的混沌蜂群Web服务组合优化方法 | |
Beggas et al. | Towards an ideal service QoS in fuzzy logic-based adaptation planning middleware | |
Ostonov et al. | Rlss: A deep reinforcement learning algorithm for sequential scene generation | |
Öncan | Design of capacitated minimum spanning tree with uncertain cost and demand parameters | |
Wen et al. | A multi-objective optimization method for emergency medical resources allocation | |
Hamrouni et al. | An evolutionary algorithm for collaborative mobile crowdsourcing recruitment in socially connected iot systems | |
Tian et al. | Distributed learning over networks with graph-attention-based personalization | |
CN115001978B (zh) | 一种基于强化学习模型的云租户虚拟网络智能映射方法 | |
CN115690428A (zh) | 一种用于语义分割的无源数据无监督领域自适应方法 | |
CN112953760B (zh) | 面向服务价值的低成本大规模个性化服务定制方法 | |
CN112906745B (zh) | 基于边缘协同的诚信智能网络训练方法 | |
CN114792187A (zh) | 基于意愿和信任双重约束的群智感知团队招募方法及系统 | |
Hayel et al. | A Markov decision evolutionary game for individual energy management | |
Jiang et al. | Towards utilization of rule base structure to support fuzzy rule interpolation | |
CN112115210A (zh) | 一种基于知识图谱的推荐方法及系统 | |
Shastri et al. | Soft Computing in SHRUTI-A Neurally Plausible Model of Reflexive Reasoning and Relational Information Processing. | |
Ko et al. | Two-Phase Split Computing Framework in Edge-Cloud Continuum | |
Kelemen et al. | Neuro-Fuzzy classification for the job assignment problem |
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 |