CN113962161A - 基于黑寡妇优化算法的最优QoS服务选择方法及装置 - Google Patents
基于黑寡妇优化算法的最优QoS服务选择方法及装置 Download PDFInfo
- Publication number
- CN113962161A CN113962161A CN202111303203.4A CN202111303203A CN113962161A CN 113962161 A CN113962161 A CN 113962161A CN 202111303203 A CN202111303203 A CN 202111303203A CN 113962161 A CN113962161 A CN 113962161A
- Authority
- CN
- China
- Prior art keywords
- service
- qos
- service instance
- optimal
- black
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000010187 selection method Methods 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 21
- 241000239290 Araneae Species 0.000 claims description 21
- 239000003016 pheromone Substances 0.000 claims description 20
- 241000145313 Gymnocorymbus ternetzi Species 0.000 claims description 15
- 241000238866 Latrodectus mactans Species 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005265 energy consumption Methods 0.000 claims description 10
- 238000010839 reverse transcription Methods 0.000 claims description 10
- 239000004576 sand Substances 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 9
- 230000035772 mutation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 230000013011 mating Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000877 Sex Attractant Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 235000003642 hunger Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108010022355 Fibroins Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及微服务领域,涉及一种基于黑寡妇优化算法的最优QoS服务选择方法及装置,所述该方法包括:初始化CPS服务集合,根据CPS结构的特性,采用微服务架构将其划分为应用层服务、网络层服务和物理层服务;根据不同层服务的参考指标,分别构建各层的QoS模型;依据各层QoS模型,得出各层最优QoS的目标函数,并将目标函数作为各层对应的适应函数;采用优化的BWO算法对CPS服务选择进行优化,确定CPS环境下服务选择的QoS最优解。本发明中采用融合柯西变异和反向学习策略来优化黑寡妇算法,有效避免了搜索陷入局部最优解的情况;本发明能够有效降低CPS环境下服务选择的复杂性和海量性,使得服务QoS达到最优。
Description
技术领域
本发明涉及微服务领域,具体涉及一种物理信息系统(cyber-physical systems,简称CPS)环境下基于黑寡妇优化算法(Black Widow Optimization Algorithm,BWO)的最优QoS服务选择方法及装置。
背景技术
物理信息系统是一个综合计算、网络和物理环境的多维复杂系统。CPS的关键作用是将生产中的供应、制造、销售信息数据化、智慧化,最后实现快速、有效、个人化的产品供应。由于CPS的关键作用,越来越多的传统行业开始选择使用CPS。在此背景下,连入CPS的组件变得越来越多,并且应用环境也变化得更加频繁,这就造成了服务组件的海量性和复杂性。
因为服务组合方法在集成服务方面的重要作用,它可以通过集成CPS服务来用于解决服务组件海量性和复杂性的问题。在服务组合方面,由于微服务组件化、松耦合、自治、去中心化的特点,微服务组合方法被认为比传统组合方法能更好地集成这些CPS服务。然而,从传统架构到微服务架构,一个整体服务被分解成细粒度的微服务,这就意味着更大、更广的服务选择空间。在此之前减少服务选择空间的方法,大多都是基于web服务,使用遗传算法、蚁群算法等群体智能算法或者利用组件的依赖关系,求得全局求最优解,面对CPS的复杂环境需要分解场景进行求解。
在CPS中,服务可以来自于物理系统或网络系统,在进行微服务选择时,这会导致选择的时延增加,并且不同环境对微服务的QoS影响是巨大的,例如在物理系统中,物理设备的接入和弹出会导致服务不可用,这些情况会导致服务的QoS降低。在实际场景中,CPS环境下的服务不同于传统服务。CPS环境下的服务常呈现海量性、复杂性等特点。因此,如何有效的在CPS环境下降低服务的搜索空间,并且得到最优QoS服务的问题亟待去解决。
发明内容
为解决以上现有技术存在的问题,本发明提出基于黑寡妇优化算法的最优QoS服务选择方法及装置,综合考虑了CPS环境以及QoS相关系数,能够让QoS在CPS不同层下侧重不同的参数,并采用融合柯西变异和反向学习策略来优化黑寡妇算法(BWO),有效避免了搜索陷入局部最优解的情况;本发明能够有效降低CPS环境下服务选择的复杂性和海量性,使得服务QoS达到最优。
在本发明的第一方面,本发明提供了一种基于黑寡妇优化算法的最优QoS服务选择方法,所述方法包括:
S1、初始化CPS服务,采用微服务架构将CPS服务划分为应用层服务、网络层服务和物理层服务;
S2、应用层服务根据支付成本、计算时延和用户偏好参数构建应用层服务实例QoS模型;
S3、网络层服务根据响应时延、可靠性和组合模式参数构建网络层服务实例QoS模型;
S4、物理层服务根据设备出错率、设备可动率、设备能耗、设备运算时延和设备状态参数构建物理层服务实例QoS模型;
S5、将各层服务实例QoS模型对应的目标函数作为适应度函数,利用黑寡妇优化算法为每一层选择出最优QoS服务实例,得出最优QoS服务实例三元组集合。
在本发明的第二方面,本发明还提供了一种基于黑寡妇优化算法的最优QoS服务选择装置,所述装置搭载于微服务架构中,包括:
服务层划分模块,用于将物理信息系统服务划分为应用层服务、网络层服务和物理层服务;
服务实例QoS模型构建模块,用于根据支付成本、计算时延和用户偏好参数构建应用层服务实例QoS模型,根据响应时延、可靠性和组合模式参数构建网络层服务实例QoS模型,根据设备出错率、设备可动率、设备能耗、设备运算时延和设备状态参数构建物理层服务实例QoS模型;
黑寡妇优化模块,用于将各层服务实例QoS模型对应的目标函数作为适应度函数,利用黑寡妇优化算法为每一层选择出最优QoS服务实例,得出最优QoS服务实例。
在本发明的第三方面,本发明还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明第一方面所述的一种基于黑寡妇优化算法的最优QoS服务选择方法。
本发明的有益结果在于:
1)本发明综合考虑了CPS环境以及QoS相关系数,能够让QoS在CPS不同层下侧重不同的参数,保证最终的QoS服务结果的准确性;
2)本发明结合黑寡妇算法(BWO)来处理微服务中的服务选择问题,BWO算法比较新颖,具有寻优能力强,收敛速度快的优点,能够有效的解决服务选择问题中的效率问题,使得选择出最优QoS服务的效率提高;
3)本发明该策略基于QoS模型和黑寡妇算法,在黑寡妇算法基础上,将每次迭代的结果融合柯西变异和反向学习策略跳出局部范围,得出新解,并利用贪婪规则判断,新解是否优于迭代的结果,如果新解更好就进行替换,否则继续用迭代的结果,使得算法最终趋于全局最优解。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例中CPS的结构图;
图2为本发明实施例中CPS环境下微服务划分的流程图;
图3为本发明实施例所采取的优化的BWO算法流程图;
图4是本发明实施例中的所采用的黑寡妇优化算法流程图;
图5是本发明实施例中一种基于黑寡妇优化算法的最优QoS服务选择装置结构图。
具体实施方式
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,所描述的实施例仅仅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是本发明实施例中基于黑寡妇优化算法的最优QoS服务选择方法流程图,如图1所示,所述方法包括:
S1、采用微服务架构将物理信息系统服务划分为应用层服务、网络层服务和物理层服务;
在本发明实施例中,图2为本发明实施例中CPS的结构图;如图2所示,CPS具有信息计算、系统通信和物理控制的功能,CPS主要分为3个部分,分别是感知层、网络层和控制层,感知层主要是由传感器、控制器和采集器等设备组成。感知层中的传感器作为物理信息系统中的末端设备,主要采集的是环境中的具体信息感知层主要是通过传感器获取环境的信息数据,并定时地发送给服务器,服务器接收到数据之后进行相应的处理,再返回给物理末端设备相应的信息,物理末端设备接收到数据之后要进行相应的变化;网络层主要是连接信息世界和物理世界的桥梁,主要实现的是数据传输,为系统提供实时的网络服务,保证网络分组的实时可靠;控制层主要是根据认知层的认知结果,根据物理设备传回来的数据进行相应的分析,将相应的结果返回给客户端以可视化的界面呈现给客户。
图3为本发明实施例中CPS环境下微服务划分的示意图,如图3所示,采用微服务架构对其复杂的服务即初始信息物理微服务PCPMS进行划分,划分出应用微服务AMS、网络微服务NMS以及物理微服务PMS;并根据不同层的特征对服务进行定义;每种微服务可以形成一个服务组,在本发明实施例中,物理微服务组可以涉及一些智能工厂的服务,网络微服务组可以涉及一些边缘云或者其他云计算的服务,应用微服务组则可以涉及一些应用层面如软件应用的服务。
在一些优选实施例中,所述步骤S1可以包括如下步骤:
S11、随机初始化CPS服务集合,采用微服务架构进行划分,将其分为应用层、网络层、物理层的微服务;
S12、应用层服务的特征,包含支付成本P、计算时延CT和用户偏好U,定义应用微服务AMS:
AMS(P,CT,U)
S13、网络层服务的特征,包含响应时延RT、可靠性Rel和组合模式CM,定义网络微服务NMS:
NMS(RT,Rel,CM)
S14、物理层服务的特征,包含设备出错率ER、设备可动率MR、设备能耗E、设备运算时延T和设备状态C,定义物理微服务PMS:
PMS(ER,MR,E,T,C)
S2、应用层服务根据支付成本、计算时延和用户偏好参数构建应用层服务实例QoS模型;
在步骤S2中应用层服务实例的QoS模型为:
其中,f1(x)表示应用层服务实例的最优QoS值,表示应用层服务实例的QoS目标函数;的表示第i个服务实例在应用层的QoS值;Ui表示第i个服务实例的用户偏好权重;CTi表示第i个服务实例的计算时延;Pi表示第i个服务实例的支付成本;α1和β1为参数权重,归一化约束α1+β1=1,可以根据重要性进行调整。
S3、网络层服务根据响应时延、可靠性和组合模式参数构建网络层服务实例QoS模型;
在步骤S3中网络层服务实例的QoS模型为:
其中,f2(x)表示网络层服务实例的最优QoS值,表示网络层服务实例的QoS目标函数;的表示第i个服务实例在网络层的QoS值;CMi表示第i个服务实例的组合模式,为0时表示并行,为1时表示串行;RTi表示第i个服务实例的响应时延;Reli表示第i个服务实例的可靠性;α2和β2为串行时的参数权重,归一化约束α2+β2=1;γ2和δ2为并行时的参数权重,归一化约束γ2+δ2=1。
S4、物理层服务根据设备出错率、设备可动率、设备能耗、设备运算时延和设备状态参数构建物理层服务实例QoS模型;
在步骤S4中物理层服务实例的QoS模型为:
其中,f3(x)表示物理层服务实例的最优QoS值,表示物理层服务实例的QoS目标函数;的表示第i个服务实例在物理层的QoS值;ERi表示第i个服务实例的设备出错率;MRi表示第i个服务实例的设备可动率,Ei表示第i个服务实例的设备能耗;Ti表示第i个服务实例的设备运算时延;CMi表示第i个服务实例的组合模式,为0时表示并行,为1时表示串行;RTi表示第i个服务实例的响应时延;Reli表示第i个服务实例的可靠性;Ci表示第i个服务实例的设备状态,C1表示设备正常,C2表示设备故障,部分服务可用,C3表示设备不可用;和为设备状态为C1时的参数权重,归一化约束和为设备状态为C2时的参数权重,归一化约束
可以理解的是,上述步骤S2-S4三个步骤的顺序可以顺序执行,也可以乱序执行,本发明对此不作具体的限定,这里仅仅只是给出了S2-S4的顺序执行方式。
S5、将各层服务实例QoS模型对应的目标函数作为适应度函数,利用黑寡妇优化算法为每一层选择出最优QoS服务实例,得出最优QoS服务实例三元组集合。
如图3所述,黑寡妇优化算法(Black Widow Optimization Algorithm,BWO)模拟了黑寡妇蜘蛛的生命周期,雄性会利用信息素来辨别雌性的交配状态,而雄性对与饥饿和营养不良的雌性交配毫无兴趣,因为雌性会表现出同类相食的行为。在采用黑寡妇算法对优化目标函数进行优化时,先初始化黑寡妇蜘蛛种群,设置最大迭代次数、黑寡妇蜘蛛的位置、信息素阈值、种群数量、优化分布选择概率。本发明中每一只黑寡妇代表一个服务实例Xi。
在步骤S5具体包括以下步骤:
S51、为每一个黑寡妇蜘蛛赋予一个服务实例,初始化黑寡妇蜘蛛种群,设置最大迭代次数、黑寡妇蜘蛛的位置、信息素阈值以及种群数量;
S52、更新黑寡妇蜘蛛位置,计算信息素,更新低于信息素阈值的黑寡妇位置,重新评估适应度函数值,更新最优黑寡妇蜘蛛的位置;
S53、根据优化分布选择概率来选择柯西变异扰动策略和反向学习策略对当前最优黑寡妇蜘蛛位置进行扰动,并产生新的最优黑寡妇蜘蛛位置;
S54、判断是否满足最大迭代数,满足则输出最优黑寡妇蜘蛛位置,并将该最优黑寡妇蜘蛛位置对应的服务实例输出,否则继续迭代。
在本发明实施例中,黑寡妇蜘蛛在网格内按照线性和螺旋的方式进行运动,步骤S52更新黑寡妇位置所采用的公式如下:
其中,Xi(t+1)为第t次迭代时更新后的黑寡妇位置,Xbest为当前黑寡妇的最优位置,m为[0.4,0.9]之间的随机数,β为[-1,1]内的随机数,Xr1(t)为随机选择的第r1个黑寡妇的位置,Xi(t)为当前黑寡妇的位置;rand为[0,1]的随机数,大于0.3时进行螺旋式更新,小于等于0.3时进行跳跃式更新。
计算黑寡妇的信息素,由于信息素在蜘蛛的求偶过程中起着非常重要的作用。蜘蛛的饮食和影响蛛丝质量和数量的信息素信号的变化之间的联系被显示出来。换句话说,吃得好的雌性蜘蛛比饥饿的雌性蜘蛛产的丝更多。雄性蜘蛛对营养充足的雌性蜘蛛分泌的性信息素更敏感,因为它们能提供更高的生育能力,但主要是为了避免与可能饥饿的雌性同类进行冒险交配的代价。雄性黑寡妇蜘蛛宁愿避免同类相食,也不愿寻找生育能力更强的雌性蜘蛛。仅性信息素就能洞察雌性的近期进食史,可能会降低雄性在田间表达选择的成本。因此,雄性蜘蛛不喜欢信息素含量低的雌性蜘蛛。公式如下:
其中,Pheromone(i)为黑寡妇的信息素值,fitnessmax和fitnessmin为最差和最优的适应度函数值,fitness(i)为第i个黑寡妇获得的适应度值。
当信息素值小于或等于信息素阈值时,雌性体内低信息素水平蜘蛛代表饥饿的食人蜘蛛。因此,如果它们在场时,上述雌性蜘蛛不会被选中,此时在步骤S52中可以用另一个公式更新黑寡妇位置,表示为:
其中,Xi(t)为第t次迭代时低于信息素阈值的黑寡妇位置,r1和r2为种群数量在[1,n]范围内的数,Xr1(t)和Xr2(t)为第t次迭代时第r1和第r2个黑寡妇的位置,且r1≠r2,σ为随机二进制数{0,1}。
黑寡妇优化算法是2020年首次提出,是一种新型群智能优化算法。黑寡妇优化算法与其它算法相比,具有求解效率更高的特点,黑寡妇优化算法具有寻优能力强,收敛速度快的优点,能够有效的解决服务选择问题中的效率问题,使得本发明选择出最优QoS服务的效率提高;然而,在算法迭代后期仍然和其余智能算法一样,容易困于局部极值的问题,因此,本发明实施例中还对所述黑寡妇优化算法做出了如下改进:
反向学习是Tizhoosh于2005年提出的一种新方法,其目的是以当前解为基础,通过反向学习机制寻到对应的反向解,然后经过评估比较保存更好的解。为让个体能够更好地寻到最优解,将反向学习策略融入到黑寡妇优化算法中,公式如下:
X′best(t+1)=UB+LB-Xbest(t)
其中,X′best(t+1)为第t次迭代时更新后的最优黑寡妇位置,Xbest(t)为当前黑寡妇的最优位置,UB为解空间的上界,LB为解空间的下界。
柯西变异源自数学界的柯西分布,将柯西变异引入目标位置更新方式中,发挥柯西算子的扰动能力,使算法的全局寻优性能得到提升,将可惜变异策略融入到黑寡妇优化算法中,公式如下:
其中,X′best(t+1)为第t次迭代时更新后的最优黑寡妇位置,Xbest(t)为当前黑寡妇的最优位置,cauchy(0,1)为标准柯西分布。
为进一步提升算法寻优性能,采取一种动态选择策略更新目标位置,将反向学习策略和柯西变异算子扰动策略在一定概率下交替执行,动态更新目标位置。反向学习策略中,通过反向学习机制得到反向解,扩大算法的搜索领域,柯西变异策略中,运用柯西变异算子在最优解位置迚行扰动变异操作得出新解,改善了算法跌入局部区域的缺陷。至于采取何种策略进行目标位置更新,由优化分布选择概率Ps决定,公式如下:
其中,t为第t次迭代,itermax为迭代总次数,θ为调整参数;Ps表示优化分布选择概率,当[0,1]范围生成的随机数大于或等于Ps时进行柯西变异扰动策略,否则选择反向学习策略,K=15~30,本实施例优选20。
考虑到CPS环境的复杂性,结合跳出局部最优的思路,本发明还对优化分布选择概率进行优化,使其更加符合CPS的场景需要,其中考虑到CPS分层后的模型都包含了时延,所以采用时延对概率公式的θ进行调整,相乘能够保证θ依然可调整,更大程度上确定优化后的方案能达到全局最优,分别表示为:
在另一些实施例中,在优化分布选择概率的确定上,本发明还可以采用不同的方式,比如log函数、熵函数等,保证概率在1以内,和传统分布概率相比,动态可调整的方式随着迭代次数的改变能更大程度的跳出局部最优。
通过上述两种扰动策略虽然能增强算法跃出局部空间的能力,但是无法确定扰动变异之后得到的新位置要优于原位置的适应度值,所以在进行扰动变异更新后,引入贪婪规则,通过比较新旧两个位置的适应度值,确定是否要更新位置,公式如下:
其中,X′best(t+1)为第t次迭代时扰动后的最优黑寡妇位置,Xbest为当前黑寡妇的最优位置,f(X′best(t+1))为扰动后的最优适应度,f(Xbest(t))为当前黑寡妇位置的最优适应度。
本发明直接在黑寡妇优化算法基础上进行,将每次迭代的结果融合柯西变异和反向学习策略跳出局部范围,得出新解,并利用贪婪规则判断,新解是否优于迭代的结果,如果新解更好就进行替换,否则继续用迭代的结果,使得算法最终趋于全局最优解。
图4是本发明实施例中的所采用的黑寡妇优化算法流程图,如图4所示,所述算法包括:
步骤1:初始化种群,设置信息素阈值;
步骤2:评估适应度函数值;
步骤3:随机生成参数m和β;
步骤4:生成随机数rand并更新黑寡妇位置;
步骤5:计算信息素;
步骤6:更新低于信息素阈值的黑寡妇位置;
步骤7:计算优化分布选择概率Ps
步骤8:比较rand和Ps,根据比较结果采用反向学习或者柯西变异策略得出最优黑寡妇位置;
步骤9:用贪婪规则更新最优黑寡妇的位置。
步骤10:判断是否满足最大迭代次数,若满足,则输出最优黑寡妇位置,否则,返回步骤3重新迭代计算。
图5是本发明实施例中一种基于黑寡妇优化算法的最优QoS服务选择装置结构图,如图5所示,所述装置200包括:
服务层划分模块201,用于将物理信息系统服务划分为应用层服务、网络层服务和物理层服务;
服务实例QoS模型构建模块202,用于根据支付成本、计算时延和用户偏好参数构建应用层服务实例QoS模型,根据响应时延、可靠性和组合模式参数构建网络层服务实例QoS模型,根据设备出错率、设备可动率、设备能耗、设备运算时延和设备状态参数构建物理层服务实例QoS模型;
在一些优选实施例中,所述服务实例QoS模型构建模块202还可细分为应用层服务实例QoS模型构建单元、网络层服务实例QoS模型构建单元和物理层服务实例QoS模型构建单元,依次用于用于根据支付成本、计算时延和用户偏好参数构建应用层服务实例QoS模型,根据响应时延、可靠性和组合模式参数构建网络层服务实例QoS模型,根据设备出错率、设备可动率、设备能耗、设备运算时延和设备状态参数构建物理层服务实例QoS模型。
黑寡妇优化模块203,用于将各层服务实例QoS模型对应的目标函数作为适应度函数,利用黑寡妇优化算法为每一层选择出最优QoS服务实例,得出最优QoS服务实例。
需要说明的是,上述装置各模块/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其带来的技术效果与本申请方法实施例相同,具体内容可参见本申请前述所示的方法实施例中的叙述,此处不再赘述。
在本发明实施例中,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的一种基于黑寡妇优化算法的最优QoS服务选择方法。
示例性的,计算机设备包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述基于黑寡妇优化算法的最优QoS服务选择方法实施例中的步骤,例如图3所示的步骤S1至S5。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述检测设备中的执行过程。例如,所述计算机程序可以被分割成服务层划分模块、服务实例QoS模型构建模块和黑寡妇优化模块,各模块具体功能如下:服务层划分模块用于将物理信息系统服务划分为应用层服务、网络层服务和物理层服务;服务实例QoS模型构建模块用于构建应用层服务实例QoS模型、网络层服务实例QoS模型和物理层服务实例QoS模型;黑寡妇优化模块用于利用黑寡妇优化算法为每一层选择出最优QoS服务实例,得出最优QoS服务实例。
本领域技术人员可以理解,上述仅仅是给出了计算机设备的一种示例,并不构成对检测设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述检测设备还可以包括输入输出设备、网络接入设备、总线等。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述检测设备的内部存储单元,例如检测设备的硬盘或内存。所述存储器也可以是所述检测设备的外部存储设备,例如所述检测设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括所述检测设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述检测设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
在本发明的描述中,需要理解的是,术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”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。
在本发明中,除非另有明确的规定和限定,术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种基于黑寡妇优化算法的最优QoS服务选择方法,其特征在于,包括以下步骤:
S1、采用微服务架构将物理信息系统服务划分为应用层服务、网络层服务和物理层服务;
S2、应用层服务根据支付成本、计算时延和用户偏好参数构建应用层服务实例QoS模型;
S3、网络层服务根据响应时延、可靠性和组合模式参数构建网络层服务实例QoS模型;
S4、物理层服务根据设备出错率、设备可动率、设备能耗、设备运算时延和设备状态参数构建物理层服务实例QoS模型;
S5、将各层服务实例QoS模型对应的目标函数作为适应度函数,利用黑寡妇优化算法为每一层选择出最优QoS服务实例,得出最优QoS服务实例三元组集合。
4.根据权利要求1所述的一种基于黑寡妇优化算法的最优QoS服务选择方法,其特征在于,在步骤S4中物理层服务实例的QoS模型为:
其中,f3(x)表示物理层服务实例的最优QoS值,表示物理层服务实例的QoS目标函数;的表示第i个服务实例在物理层的QoS值;ERi表示第i个服务实例的设备出错率;MRi表示第i个服务实例的设备可动率,Ei表示第i个服务实例的设备能耗;Ti表示第i个服务实例的设备运算时延;CMi表示第i个服务实例的组合模式,为0时表示并行,为1时表示串行;RTi表示第i个服务实例的响应时延;Reli表示第i个服务实例的可靠性;Ci表示第i个服务实例的设备状态,C1表示设备正常,C2表示设备故障,部分服务可用,C3表示设备不可用;和为设备状态为C1时的参数权重,归一化约束 和为设备状态为C2时的参数权重,归一化约束
5.根据权利要求1所述的一种CPS环境下基于BWO算法的最优QoS服务选择方法,其特征在于,在步骤S5具体包括以下步骤:
S51、为每一个黑寡妇蜘蛛赋予一个服务实例,初始化黑寡妇蜘蛛种群,设置最大迭代次数、黑寡妇蜘蛛的位置、信息素阈值以及种群数量;
S52、更新黑寡妇蜘蛛位置,计算信息素,更新低于信息素阈值的黑寡妇位置,重新评估适应度函数值,更新最优黑寡妇蜘蛛的位置;
S53、根据优化分布选择概率来选择柯西变异扰动策略和反向学习策略对当前最优黑寡妇蜘蛛位置进行扰动,并产生新的最优黑寡妇蜘蛛位置;
S54、判断是否满足最大迭代数,满足则输出最优黑寡妇蜘蛛位置,并将该最优黑寡妇蜘蛛位置对应的服务实例输出,否则继续迭代。
7.根据权利要求5所述的一种基于黑寡妇优化算法的最优QoS服务选择方法,其特征在于,在步骤S53还包括根据贪婪规则公式对产生的新的最优黑寡妇蜘蛛位置进行判断,确定是否以该新的最优黑寡妇蜘蛛位置进行位置更新。
8.一种基于黑寡妇优化算法的最优QoS服务选择装置,所述装置搭载于微服务架构中,其特征在于,包括:
服务层划分模块,用于将物理信息系统服务划分为应用层服务、网络层服务和物理层服务;
服务实例QoS模型构建模块,用于根据支付成本、计算时延和用户偏好参数构建应用层服务实例QoS模型,根据响应时延、可靠性和组合模式参数构建网络层服务实例QoS模型,根据设备出错率、设备可动率、设备能耗、设备运算时延和设备状态参数构建物理层服务实例QoS模型;
黑寡妇优化模块,用于将各层服务实例QoS模型对应的目标函数作为适应度函数,利用黑寡妇优化算法为每一层选择出最优QoS服务实例,得出最优QoS服务实例。
9.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1~7任一所述的一种基于黑寡妇优化算法的最优QoS服务选择方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111303203.4A CN113962161B (zh) | 2021-11-05 | 2021-11-05 | 基于黑寡妇优化算法的最优QoS服务选择方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111303203.4A CN113962161B (zh) | 2021-11-05 | 2021-11-05 | 基于黑寡妇优化算法的最优QoS服务选择方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962161A true CN113962161A (zh) | 2022-01-21 |
CN113962161B CN113962161B (zh) | 2024-08-23 |
Family
ID=79469172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111303203.4A Active CN113962161B (zh) | 2021-11-05 | 2021-11-05 | 基于黑寡妇优化算法的最优QoS服务选择方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962161B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660024A (zh) * | 2022-09-07 | 2023-01-31 | 中国人民解放军陆军装甲兵学院 | 基于智能优化算法和机器学习的车载网络故障诊断方法 |
CN116609672A (zh) * | 2023-05-16 | 2023-08-18 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于改进的bwoa -fnn算法的储能电池soc估计方法 |
CN117521533A (zh) * | 2024-01-08 | 2024-02-06 | 中国人民解放军陆军装甲兵学院 | 轮毂电机驱动装置集成匹配设计方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112119670A (zh) * | 2018-05-10 | 2020-12-22 | 康维达无线有限责任公司 | 信道化和bwp |
AU2021101131A4 (en) * | 2021-03-03 | 2021-05-06 | Jeevan Bhatia | Qos‑aware optical fog‑assisted cyber‑physical system in 5g ready heterogeneous network and method for the same |
CN112765407A (zh) * | 2020-12-30 | 2021-05-07 | 重庆邮电大学 | 物联网环境下基于用户偏好的QoS服务组合方法 |
-
2021
- 2021-11-05 CN CN202111303203.4A patent/CN113962161B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112119670A (zh) * | 2018-05-10 | 2020-12-22 | 康维达无线有限责任公司 | 信道化和bwp |
CN112765407A (zh) * | 2020-12-30 | 2021-05-07 | 重庆邮电大学 | 物联网环境下基于用户偏好的QoS服务组合方法 |
AU2021101131A4 (en) * | 2021-03-03 | 2021-05-06 | Jeevan Bhatia | Qos‑aware optical fog‑assisted cyber‑physical system in 5g ready heterogeneous network and method for the same |
Non-Patent Citations (2)
Title |
---|
KLEANTHIS THRAMBOUDLIDIS ET AL.: "CPuS-IOT: A cyber-physical microservice and IoT-based framework for manufacturing assembly systems", ANNUAL REVIEWS IN CONTROL, vol. 47, 21 June 2018 (2018-06-21), pages 237 - 248, XP085717754, DOI: 10.1016/j.arcontrol.2019.03.005 * |
田浩: "信息物理系统中基于Qos的微服务组合机制", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 10, 15 October 2023 (2023-10-15), pages 138 - 104 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115660024A (zh) * | 2022-09-07 | 2023-01-31 | 中国人民解放军陆军装甲兵学院 | 基于智能优化算法和机器学习的车载网络故障诊断方法 |
CN115660024B (zh) * | 2022-09-07 | 2024-01-19 | 中国人民解放军陆军装甲兵学院 | 基于智能优化算法和机器学习的车载网络故障诊断方法 |
CN116609672A (zh) * | 2023-05-16 | 2023-08-18 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于改进的bwoa -fnn算法的储能电池soc估计方法 |
CN116609672B (zh) * | 2023-05-16 | 2024-05-07 | 国网江苏省电力有限公司淮安供电分公司 | 一种基于改进的bwoa-fnn算法的储能电池soc估计方法 |
CN117521533A (zh) * | 2024-01-08 | 2024-02-06 | 中国人民解放军陆军装甲兵学院 | 轮毂电机驱动装置集成匹配设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113962161B (zh) | 2024-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962161A (zh) | 基于黑寡妇优化算法的最优QoS服务选择方法及装置 | |
US12014279B2 (en) | Anomaly detection using a non-mirrored dimensional-reduction model | |
CN111047563B (zh) | 一种应用于医学超声图像的神经网络构建方法 | |
CN111125519B (zh) | 用户行为预测方法、装置、电子设备以及存储介质 | |
EP3977559A1 (en) | Neural network circuit remote electrical tilt antenna infrastructure management based on probability of actions | |
CN106027317B (zh) | 信任感知的Web服务质量预测系统及方法 | |
US20220147680A1 (en) | Method for co-design of hardware and neural network architectures using coarse-to-fine search, two-phased block distillation and neural hardware predictor | |
CN114861172B (zh) | 一种基于政务服务系统的数据处理方法及系统 | |
WO2021035412A1 (zh) | 一种自动机器学习AutoML系统、方法及设备 | |
CN105491599A (zh) | 预测lte网络性能指标的新型回归系统 | |
CN112512069A (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
WO2023279674A1 (en) | Memory-augmented graph convolutional neural networks | |
CN111797320A (zh) | 数据处理方法、装置、设备及存储介质 | |
US20240095535A1 (en) | Executing a genetic algorithm on a low-power controller | |
CN114610965A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN117436029A (zh) | 一种多个大模型串行协作融合的方法和系统 | |
CN114125905B (zh) | 邻区关系确定方法和装置 | |
CN114385359B (zh) | 一种物联网云边端任务时序协同方法 | |
CN118279113B (zh) | 一种基于大模型的数智社会公共服务管理方法及系统 | |
CN115796054B (zh) | 一种情景发现和脆弱性分析方法、系统、终端及存储介质 | |
CN118395022B (zh) | 一种时空感知多组件图注意力时序QoS预测方法及系统 | |
CN113065651B (zh) | 一种图神经网络模型的节点修改方法和相关装置 | |
CN114385256B (zh) | 系统参数的配置方法和配置装置 | |
CN116700972A (zh) | 金融系统的资源调度模型训练方法、调度方法及装置 |
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 |