CN114356564B - 一种集成服务资源的系统 - Google Patents
一种集成服务资源的系统 Download PDFInfo
- Publication number
- CN114356564B CN114356564B CN202111642604.2A CN202111642604A CN114356564B CN 114356564 B CN114356564 B CN 114356564B CN 202111642604 A CN202111642604 A CN 202111642604A CN 114356564 B CN114356564 B CN 114356564B
- Authority
- CN
- China
- Prior art keywords
- service
- task
- combination
- tasks
- quality
- 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
- 230000010354 integration Effects 0.000 claims abstract description 48
- 239000002131 composite material Substances 0.000 claims abstract description 46
- 210000000349 chromosome Anatomy 0.000 claims description 101
- 238000000034 method Methods 0.000 claims description 59
- 238000011156 evaluation Methods 0.000 claims description 34
- 150000001875 compounds Chemical class 0.000 claims description 27
- 238000013441 quality evaluation Methods 0.000 claims description 24
- 238000001816 cooling Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 11
- 238000002922 simulated annealing Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 31
- 238000004519 manufacturing process Methods 0.000 description 24
- 230000002068 genetic effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 239000000446 fuel Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000001303 quality assessment method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明一种集成服务资源的系统,涉及服务资源技术领域。包括多个节点,每个节点中均设置有服务资源数据,多个节点基于服务资源数据形成服务集成平台。分布式管理模块用于对每个节点中的服务资源数据进行管理,任务类型管理模块用于进行基础任务的管理操作,服务管理模块用于进行服务的服务操作,任务发布模块用于接收服务消费方发送的需求任务并发布,服务匹配和组合寻优模块用于完成原子任务的服务匹配以及完成复合任务的最优解。本发明自动为服务消费方选择最优的服务组合,无需服务消费方再花费时间、精力、人力、物力进行大量对比、挑选。使得服务提供方积极提升自身服务质量,最终实现服务提供方和服务消费方的双赢。
Description
技术领域
本发明涉及服务资源技术领域,特别是一种集成服务资源的系统。
背景技术
目前规模化制造业跨平台互联互通中,存在着价值传递与交换过程信息不透明、服务资源调配关系复杂等问题。同时,制造服务资源分布状态与制造服务信息不断变化,导致服务资源配置效率低下。
基于上述问题,对服务资源的集成是解决多平台之间服务资源同步与协同以及有效使用的重要途径,目前还没有一种集成服务资源的系统,可以有效提高制造业服务资源的配置效率。
发明内容
鉴于上述问题,本发明提供一种集成服务资源的系统,可以有效提高制造业服务资源的配置效率。
本发明实施例提供了一种集成服务资源的系统,所述系统包括:多个节点,每个节点中均设置有服务资源数据,所述多个节点基于所述服务资源数据形成服务集成平台,所述服务资源数据包括:多个服务提供方可以提供的所有服务的总和;
所述服务集成平台包括:分布式管理模块、任务类型管理模块、服务管理模块、任务发布模块、服务匹配和组合寻优模块;
所述分布式管理模块用于对所述每个节点中的服务资源数据进行管理,且当服务资源数据变更时,对新服务资源数据进行同步,使得所述每个节点中的服务资源数据均变更为新服务资源数据;
所述任务类型管理模块用于进行基础任务的管理操作,所述基础任务表征服务提供方可以提供的某一服务,不同服务类型对应不同的基础任务类型,所述管理操作包括:查询基础任务类型、新建基础任务类型、修改基础任务类型、新建复合任务,所述复合任务为不同基础任务类型的组合;
所述服务管理模块用于进行所述服务的服务操作,所述服务操作包括:注册服务信息、修改服务信息、删除服务信息、查询服务信息;
所述任务发布模块用于接收服务消费方发送的需求任务,并发布所述需求任务,所述需求任务包括:需求原子任务或者需求复合任务,其中,原子任务为一个基础任务类型对应的基础任务;
所述服务匹配和组合寻优模块用于根据所述需求任务、所述基础任务,基于服务质量的组合调度算法,完成所述原子任务的服务匹配,以及完成所述复合任务的最优解,并将所述服务匹配的信息或者所述最优解反馈于所述服务消费方,所述最优解表征对应所述复合任务的最优服务组合方式,所述最优服务组合方式为同一服务提供方提供的不同服务的组合;或者,
所述最优服务组合方式为不同服务提供方提供的不同服务的组合,每一个服务提供方提供一个或多个服务,每一个服务提供方提供的服务均与其它服务提供方提供的服务不同。
可选地,所述任务类型管理模块还用于向所述服务消费方展示所有原子任务和复合任务;
所述服务消费方根据需求,在所有原子任务和复合任务中选定所需原子任务或者所需复合任务,发送给所述任务发布模块;或者,
所述服务消费方根据需求,在所有原子任务中选择需要组合的原子任务,形成自定义复合任务,并将该自定义复合任务发送给所述任务发布模块。
可选地,所述任务发布模块接收所述所需原子任务,将所述所需原子任务发送给所述服务匹配和组合寻优模块;或者,
所述任务发布模块接收所述所需复合任务,将所述所需复合任务分解为单个原子任务,并以单个原子任务生成第一子任务集,将该第一子任务集发送给所述服务匹配和组合寻优模块;或者,
所述任务发布模块接收所述自定义复合任务,将所述自定义复合任务分解为单个原子任务,并以单个原子任务生成第二子任务集,将该第二子任务集发送给所述服务匹配和组合寻优模块。
可选地,所述服务匹配和组合寻优模块接收所述所需原子任务,根据所述所需原子任务、所述基础任务,基于服务质量指定信息,完成所述所需原子任务的服务匹配,所述服务匹配为对应所需原子任务的服务质量最高的服务,所述服务质量指定信息由所述服务消费方生成。
可选地,所述服务匹配和组合寻优模块接收所述第一子任务集,根据所述第一子任务集、所述基础任务,基于所述服务质量的组合调度算法,完成所述第一子任务集的最优解,所述第一子任务集的最优解中,每一个子任务对应一个服务;或者,
所述服务匹配和组合寻优模块接收所述第二子任务集,根据所述第二子任务集、所述基础任务,基于所述服务质量的组合调度算法,完成所述第二子任务集的最优解,所述第二子任务集的最优解中,每一个子任务对应一个服务。
可选地,所述服务匹配和组合寻优模块接收所述第一子任务集,根据所述第一子任务集、所述基础任务,基于所述服务质量的组合调度算法,完成所述第一子任务集的最优解的具体步骤包括:
S1:基于所有基础任务对应的服务,建立服务资源池,一个服务对应一个服务资源;
S2:定义初始种群的大小为PN,令序号i=0;
S3:在所述服务资源池中为所述第一子任务集中每个子任务,随机分配一个服务资源,并按照编码方式生成对应的染色体,一条染色体对应一种服务组合方式;
S4:确定生成的染色体是否已存在于所述初始种群中,若是则直接忽略该染色体,否则将该染色体加入所述初始种群中,并令i+1;
S5:确定i是否仍小于PN,若是则继续执行步骤S2,否则输出PN*n维的初始种群;
S6:对所述初始种群中每一条染色体,均利用服务组合质量评估函数进行运算,得到函数值,并基于被选择概率公式,确定所有染色体中遗传到下一代种群中的被选择染色体;
S7:将所述被选择染色体中任意两条染色体的后半部分,以预设交叉概率进行互换,得到新染色体并加入所述下一代种群中,同时,对所述被选择染色体中每一条染色体中的基因片段产生一个预设范围内的随机数,并定义变异概率,当所述随机数不大于所述变异概率时,将当前位置编码变异为随机生成的同一基础任务类型的另一服务资源编号,得到新染色体并加入所述下一代种群中,当所述随机数大于所述变异概率时,该位服务资源编号不改变;
S8:基于新染色体形成的新种群,对每个新染色体均利用服务组合质量评估函数,结合模拟退火算法,进行迭代运算,并在每一次迭代运算后均检测是否满足结束条件,所述结束条件为迭代次数上限达标,或所述新种群中任一染色体的函数值大于预设函数值;
S9:若不满足所述结束条件,将当前种群进行重复迭代,若满足所述结束条件,选择当前种群中适应度最高的染色体进行服务资源解码,得到所述第一子任务集的最优解;
其中,被选择概率P(SCj)公式为:
上式中,M表示所述初始种群的大小,SCj表示一种服务组合方式。
可选地,对每个新染色体均利用服务组合质量评估函数,结合模拟退火算法,进行迭代运算,包括:
对每个新染色体均利用服务组合质量评估函数,结合模拟退火算法的Metropolis准则,进行迭代运算,具体包括:
对于一种服务组合方式SCj生成的新个体SC′j,若F(SC′j)≥F(SCj),则直接接受此新个体SC′j;
若F(SC′j)<F(SCj),则新个体SC′j的接受概率p′由以下公式得出:
上式中,Tn为算法迭代n次后的“温度”,并且到算法迭代的后期,随着Tn的不断减小,当F(SC′j)-F(SCj)一定时,p′的值将会逐渐减小,使算法趋于稳定;
每完成一次迭代后将会对Tn进行“降温”操作,降温的公式为:
其中MAX_GEN为算法的迭代次数上限。
可选地,所述服务组合质量评估函数F(Task)为:
F(Task)=w1*fNC+w2*fNT+w3*fNR+w4*fNS
其中,W1、W2、W3、W4分别表示所述服务消费方指定的服务质量的权重;
对于一个复合任务,定义:Cij为服务资源rij的服务费用,Tij为服务资源rij的完工时间,Rij为服务资源rij的服务可靠性,Sij为服务资源rij的平均服务满意度,Pij为二元变量,当Pij=1时表示原子任务taski由服务资源rij提供服务,否则Pij=0。
由此可知,对于一个复合任务,其服务评估指标有下式:
对上述服务评估指标采用最大最小归一化方法进行处理,得到每个服务质量分量的评价指标:
服务质量中的服务费用评价指标fNC为:fNC=(fCmax-fC)/(fCmax-fCmin);
服务质量中的服务时间评价指标fNT为:fNT=(fTmax-fT)/(fTmax-fTmin)
服务质量中的服务可靠性评价指标fNR为:fNR=(fR-fRmin)/(fRmax-fRmin)
服务质量中的服务满意度评价指标fNS为:fNS=(fS-fSmin)/(fSmax-fSmin);
所述服务组合质量评估函数F(Task)的函数值越大,表示该服务组合的质量越高;反之,所述服务组合质量评估函数F(Task)的函数值越小,则表示该服务组合的质量越差。
可选地,在所述服务匹配和组合寻优模块将所述服务匹配的信息或者所述最优解反馈于所述服务消费方后,所述服务消费方获取所述服务匹配的信息或者所述最优解,并对所述服务匹配的信息或者所述最优解的质量进行评估;
所述服务消费方向所述服务集成平台反馈所述需求任务对应的每个子任务的服务满意度信息;
所述服务集成平台根据所述服务满意度信息,对所述评价指标进行动态调整,作为下一次每一条染色体利用服务组合质量评估函数进行运算时的依据。
可选地,所述多个节点包括:主节点、从节点;
所述主节点上的服务集成平台的分布式管理模块,在接收到新服务资源数据时,将新服务资源数据同步到所有从节点;
当所述主节点宕机时,所述系统根据崩溃恢复算法,切换至任一从节点,以该从节点上的服务集成平台,继续为所述服务提供方、所述服务消费方提供相应的功能。
与现有技术相比,本发明提供的一种集成服务资源的系统,系统包括:多个节点,每个节点中均设置有服务资源数据,多个节点基于服务资源数据形成服务集成平台。这样就形成了一个分布式的服务集成平台,保障了服务资源的集成利用。
服务集成平台包括:分布式管理模块、任务类型管理模块、服务管理模块、任务发布模块、服务匹配和组合寻优模块;分布式管理模块用于对每个节点中的服务资源数据进行管理,且当服务资源数据变更时,对新的服务资源数据进行同步,使得每个节点中的服务资源数据均变更为新的服务资源数据。通过这种方式保障了服务资源更新对服务消费方的及时性、有效性。
任务类型管理模块用于进行服务的任务操作,服务表征服务提供方可以提供的服务信息,不同服务信息对应不同的服务类型,任务操作包括:查询服务类型、新建服务类型、修改服务类型、新建复合任务,复合任务为不同服务类型的服务组合。服务管理模块用于进行服务信息的服务操作,服务操作包括:注册服务信息、修改服务信息、删除服务信息、查询服务信息。这样为服务提供方提供了便利,仅需将自身可以提供的服务的相关信息提交到服务集成平台,即可面向全部服务消费方。摒弃了传统的营销自身服务的方式,极大的缩减了成本开销。使得服务提供方可以更专注于提升自身服务水平、业务能力等。
任务发布模块用于接收服务消费方发送的需求任务,并发布需求任务,任务需求包括:原子任务或者复合任务,原子任务为一个服务类型对应的服务。该模块为服务消费方提供了便捷的发布所需服务的方式,同样舍弃了传统的寻找服务提供方的方式,也极大的缩减了成本开销。
服务匹配和组合寻优模块用于根据需求任务、所述基础任务,基于服务质量的组合调度算法,完成原子任务的服务匹配,以及完成复合任务的最优解,并将服务匹配的信息或者最优解反馈于服务消费方,最优解表征对应复合任务的最优服务组合方式,最优服务组合方式为同一服务提供方提供的不同服务的组合;或者,最优服务组合方式为不同服务提供方提供的不同服务的组合,每一个服务提供方提供一个或多个服务,每一个服务提供方提供的服务均与其它服务提供方提供的服务不同。
服务匹配和组合寻优模块,是服务集成平台的一个核心能力,其可以根据服务消费方的需求,无论是原子任务,还是复合任务,均可自动为服务消费方选择最优的服务组合,无需服务消费方再花费时间、精力、人力、物力进行大量对比、挑选等。
另外,由于同一服务类型可能同时有很多家服务提供方进行提供,服务质量相对较差的服务提供方自然无法得到业务,因此会使得服务提供方积极提升自身服务质量,最终实现服务提供方和服务消费方的双赢。本发明的集成服务资源的系统具有较高的实用性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例中服务组合调度过程示意图;
图2是本发明实施例中遗传算法的染色体与可行解(服务组合方式)之间的映射方式的示意图;
图3是本发明实施例中求解最优解的流程图。
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,下面结合附图和具体实施方式对本发明作进一步详细的说明。应当理解,此处所描述的具体实施例仅用以解释本发明,仅仅是本发明一部分实施例,而不是全部的实施例,并不用于限定本发明。
本发明实施例的集成服务资源的系统,包括:多个节点,每个节点中均设置有服务资源数据,多个节点基于服务资源数据形成服务集成平台,所谓服务资源数据包括:多个服务提供方可以提供的所有服务的总和。即所有利用服务集成平台进行服务相关业务的服务提供方,这些服务提供方可以提供的所有服务形成一个服务资源数据。
以汽车发动机加工制造业务作一个简单示例:汽车发动机是一个总成,其内部包含多个零部件,例如:曲轴箱、气缸、活塞、燃油泵、凸轮轴、火花塞等等。而每一个零件部都可能有多家服务提供方可以提供服务,比如制造曲轴箱的服务提供方可能有50个,制造气缸的服务提供方可能有80个,制造活塞服务提供方可能有100个。并且有些服务提供方自身业务能力出众,其可能同时提供制造曲轴箱、制造气缸、制造燃油泵这三项服务,甚至有单个服务提供方就可以提供整个汽车发动机的制造业务。并且任何服务提供方都可能改变自身的服务,例如:某服务提供方以前仅提供制造曲轴箱的服务,而现在该服务提供方还可以提供制造气缸的服务,并且其制造曲轴箱的服务,无论是质量、时间、性价比等均比以前有较大水平提升,这些服务也是变化的。
因此,每一个服务提供方的服务资源不同且比较分散,其服务也会随时间发生变化。而所有服务提供方均可以利用服务集成平台,随时将自身的服务资源更新,使得服务消费方便捷、迅速的了解情况。
本发明实施例的服务集成平台包括:分布式管理模块、任务类型管理模块、服务管理模块、任务发布模块、服务匹配和组合寻优模块。
分布式管理模块用于对每个节点中的服务资源数据进行管理,且当服务资源数据变更时,对新服务资源数据进行同步,使得每个节点中的服务资源数据均变更为新服务资源数据。即分布式管理模块可以在接收到任意服务提供方变更自身服务资源数据后,及时将新服务资源数据同步到所有节点。
一般情况下,考虑的系统运行效率的问题,无论是服务提供方还是服务消费方,其任何操作均是连接至距离最近或时延最短的节点完成。因此,任一节点接收到新服务资源数据后,均通过自身的分布式管理模块实现所有节点的数据同步更新。
任务类型管理模块用于进行基础任务的管理操作,基础任务表征服务提供方可以提供的服务,不同服务类型对应不同的基础任务类型,管理操作包括:查询基础任务类型、新建基础任务类型、修改基础任务类型、新建复合任务,复合任务为不同基础任务类型的组合。
在服务集成平台中,为了便于对所有服务的管理,以及方便对外提供、展示所有服务,对服务按照类型进行分类,形成基础任务,一个基础任务表征服务提供方提供的一个服务,不同服务类型对应不同的基础任务类型。
沿用上述示例:汽车发动机的制造包括:曲轴箱、气缸、活塞、燃油泵、凸轮轴、火花塞。那么曲轴箱制造服务全部归为一种基础任务,气缸制造服务全部归为另一种基础任务。
查询基础任务类型就是查询目前服务集成平台中已有的服务类型;新建基础任务类型就是新创建一个目前服务集成平台没有的服务类型,例如:新增加一个螺栓制造服务,则新创建一个基础任务,该基础任务类型对应螺栓制造服务;修改基础任务类型就是对目前服务集成平台中已有的服务类型进行修改;新建复合任务就是新创建一个目前服务集成平台没有的不同基础任务类型的组合。例如:目前服务集成平台有一个复合任务:制造活塞+燃油泵+凸轮轴+火花塞,新创建一个复合任务:制造活塞+燃油泵+凸轮轴+螺栓。这类操作一般由服务提供方完成。
服务管理模块用于进行服务的服务操作,服务操作包括:注册服务信息、修改服务信息、删除服务信息、查询服务信息。该模块主要便利服务提供方,服务提供方将自身的信息上传至服务集成平台,比如:服务提供方的id、地址信息、所能提供服务的服务质量、服务所属的任务类型等信息。服务集成平台可以自动的将该服务注册到对应的基础任务类型下,并且在服务提供方允许的前提下,向服务消费方展示自身的id、地址信息、服务质量等信息。当然,可以理解的是,假若该服务没有对应的基础任务类型,即可新建基础任务类型。
任务发布模块用于接收服务消费方发送的需求任务,并发布需求任务,需求任务包括:原子任务或者复合任务,原子任务为一个基础任务类型对应的基础任务。
服务集成平台将基础任务以及已有的复合任务提供并展示给服务消费方,服务消费方可以便捷的寻找所需任务,并进行选择,形成需求任务,再发送给任务发布模块;该需求任务包括:原子任务或者复合任务。当然,若是服务集成平台中没有满足服务消费方需求的复合任务,服务消费方也可以在所有原子任务中选择需要组合的原子任务,形成自定义复合任务,并将该自定义复合任务发送给任务发布模块。
沿用上述示例:服务集成平台可以提供的基础任务有:曲轴箱、气缸、活塞、燃油泵、凸轮轴、火花塞、螺栓;复合任务有:活塞+燃油泵+凸轮轴+螺栓。服务消费方根据自身的需求,选择一项基本任务:活塞,则形成一个需求原子任务;选择复合任务,则形成一个需求复合任务;若是服务消费方根据自身的需求,选择两项基础任务:活塞+螺栓,则形成一个自定义复合任务。
当任务发布模块接收所需原子任务后,将所需原子任务发送给服务匹配和组合寻优模块;或者,当任务发布模块接收所需复合任务,其需要将所需复合任务分解为单个原子任务,并以单个原子任务生成第一子任务集,将该第一子任务集发送给服务匹配和组合寻优模块;或者,当任务发布模块接收自定义复合任务,同样需要将自定义复合任务分解为单个原子任务,并以单个原子任务生成第二子任务集,将该第二子任务集发送给服务匹配和组合寻优模块。
服务匹配和组合寻优模块用于根据需求任务、基础任务,基于服务质量的组合调度算法,完成原子任务的服务匹配,以及完成复合任务的最优解,并将服务匹配的信息或者最优解反馈于服务消费方,最优解表征对应复合任务的最优服务组合方式,最优服务组合方式为同一服务提供方提供的不同服务的组合;或者,最优服务组合方式为不同服务提供方提供的不同服务的组合,每一个服务提供方提供一个或多个服务,每一个服务提供方提供的服务均与其它服务提供方提供的服务不同。
当服务匹配和组合寻优模块接收到所需原子任务或者第一、第二子任务集后,服务匹配和组合寻优模块即可根据具体的需求任务、基础任务,再基于服务质量的组合调度算法,完成原子任务的服务匹配,以及完成复合任务的最优解。具体的:
对于所需原子任务:服务匹配和组合寻优模块接收所需原子任务,根据所需原子任务、基础任务,基于服务质量指定信息,完成所需原子任务的服务匹配,服务匹配为对应所需原子任务的服务质量最高的服务,服务质量指定信息由服务消费方生成。具体内容见下文说明,先不赘述。
对于第一或者第二子任务集:服务匹配和组合寻优模块接收第一子任务集,根据第一子任务集、基础任务,基于服务质量的组合调度算法,完成第一子任务集的最优解,第一子任务集的最优解中,每一个子任务对应一个服务;或者,服务匹配和组合寻优模块接收第二子任务集,根据第二子任务集、基础任务,基于服务质量的组合调度算法,完成第二子任务集的最优解,第二子任务集的最优解中,每一个子任务对应一个服务。求最优解的具体方法以对第一子任务集为例说明,包括如下步骤:
S1:基于所有基础任务对应的服务,建立服务资源池,一个服务对应一个服务资源;
S2:定义初始种群的大小为PN,令序号i=0;
S3:在服务资源池中为第一子任务集中每个子任务,随机分配一个服务资源,并按照编码方式生成对应的染色体,一条染色体对应一种服务组合方式;
S4:确定生成的染色体是否已存在于初始种群中,若是则直接忽略该染色体,否则将该染色体加入初始种群中,并令i+1;
S5:确定i是否仍小于PN,若是则继续执行步骤S2,否则输出PN*n维的初始种群;
S6:对初始种群中每一条染色体,均利用服务组合质量评估函数进行运算,得到函数值,并基于被选择概率公式,确定所有染色体中遗传到下一代种群中的被选择染色体;
S7:将被选择染色体中任意两条染色体的后半部分,以预设交叉概率进行互换,得到新染色体并加入下一代种群中,同时,对被选择染色体中每一条染色体中的基因片段产生一个预设范围内的随机数,并定义变异概率,当随机数不大于变异概率时,将当前位置编码变异为随机生成的同一任务类型的另一服务资源编号,得到新染色体并加入下一代种群中,当随机数大于变异概率时,该位服务资源编号不改变;
S8:基于新染色体形成的新种群,对每个新染色体均利用服务组合质量评估函数,结合模拟退火算法,进行迭代运算,并在每一次迭代运算后均检测是否满足结束条件,结束条件为迭代次数上限达标,或新种群中任一染色体的函数值大于预设函数值;
S9:若不满足结束条件,将当前种群进行重复迭代,若满足结束条件,选择当前种群中适应度最高的染色体进行服务资源解码,得到第一子任务集的最优解;
其中,被选择概率P(SCj)公式为:
上式中,M表示初始种群的大小,SCj表示一种服务组合方式。
对每个新染色体均利用服务组合质量评估函数,结合模拟退火算法的Metropolis准则,进行迭代运算,具体包括:
对于一种服务组合方式SCj生成的新个体SC′j,若F(SC′j)≥F(SCj),则直接接受此新个体SC′j;
若F(SC′j)<F(SCj),则新个体SC′j的接受概率p′由以下公式得出:
上式中,Tn为算法迭代n次后的“温度”,Metropolis准则赋予了遗传算法跳出局部最优的能力,并且到算法迭代的后期,随着Tn的不断减小,当F(SC′j)-F(SCj)一定时,p′的值将会逐渐减小,使算法趋于稳定;
每完成一次迭代后将会对Tn进行“降温”操作,降温的公式为:
其中MAX_GEN为算法的迭代次数上限。
服务组合质量评估函数F(Task)为:
F(Task)=w1*fNC+w2*fNT+w3*fNR+w4*fNS其中,W1、W2、W3、W4分别表示服务消费方指定的服务质量的权重;
对于一个复合任务,定义:Cij为服务资源rij的服务费用,Tij为服务资源rij的完工时间,Rij为服务资源rij的服务可靠性,Sij为服务资源rij的平均服务满意度,Pij为二元变量,当Pij=1时表示原子任务taski由服务资源rij提供服务,否则Pij=0。
由此可知,对于一个复合任务,其服务评估指标有下式:
对上述服务评估指标采用最大最小归一化方法进行处理,得到每个服务质量分量的评价指标:
服务质量中的服务费用评价指标fNC为:fNC=(fCmax-fC)/(fCmax-fCmin);
服务质量中的服务时间评价指标fNT为:fNT=(fTmax-fT)/(fTmax-fTmin)
服务质量中的服务可靠性评价指标fNR为:fNR=(fR-fRmin)/(fRmax-fRmin)
服务质量中的服务满意度评价指标fNS为:fNS=(fS-fSmin)/(fSmax-fSmin);
服务组合质量评估函数F(Task)的函数值越大,表示该服务组合的质量越高;反之,服务组合质量评估函数F(Task)的函数值越小,则表示该服务组合的质量越差。
上述服务质量的组合调度算法是为了解决本发明提出的求解最优服务组合方式,而专门提出的,其基于遗传算法并结合了模拟退火算法。这是因为:对于所需原子任务,因为其只针对一项服务,因此当服务消费方指定服务质量(Quality of Service,QoS),即形成服务质量指定信息后,根据该服务质量指定信息即可在全部的基础任务中选择出对应所需原子任务的服务质量最高的服务,即完成了所需原子任务的服务资源的匹配。
假设定义服务的QoS包括:完工时间、费用、服务可靠性、服务满意度等参数,为每项参数确定权重,并使权重w=(w1,w2,w3,...,wn),其中wi为每项参数对应的权重分量。服务集成平台将综合各项指标,优化服务资源的分配。为适应不同制造服务的需求,该权重可由服务消费方自定义。
定义基础任务Taski={Tid,SubTasks,Wqos};其中Tid为基础任务的标识符,SubTasks为Taski经过分解后产生的子任务集,Wqos为用户指定的每项子任务对应的QoS权重指标。同时,复合任务可由多个子任务组合构成,即多个原子任务组成,因此SubTasks={task1,task2,...,taskn},n≥1。
例如:汽车发动机加工的服务可由曲轴箱、气缸、活塞、燃油泵、凸轮轴等子加工基础任务组合构成,而每一项子加工基础任务都可能有多个有效候选服务资源,这些有效候选服务资源可以由多个服务提供方提供,其可表示为:Ri={ri1,ri2,...,rij},j≥1,服务集成平台会对这些子基础任务进行组合调度。服务组合调度过程如图1所示,图1中r11、r12、r21…rnm均表示一个服务资源,其代表某一个服务提供方可以提供该服务,所有的服务资源组成一个服务资源池,图1中用虚框表示服务资源池。
而r11、r12…r1i表示同一服务类型对应的i个服务资源,即代表有i个服务提供方可以提供该服务,r11和r21分别表示不同服务类型对应的一个资源。例如:r11、r12、r13表示有3个服务提供方可以提供曲轴箱服务,r21、r22、r23、r24、r25表示有5个服务提供方可以提供气缸服务。最终从服务资源池中选出服务组合方式,即生成组合方案。
而在对一项组合的复合任务进行子任务的服务资源匹配时,若对每个子任务都按上述的QoS信息选择最优服务资源,只能保证当前的这一项组合任务是最优的,通常来说,服务集成平台可能同时对若干个可组合的基础任务进行寻优,但是单个基础任务最优并不能保证全局最优。同时,若对所有可能的服务组合进行穷举遍历,随着基础任务类型和服务数量的增长,搜索的复杂度将成指数级增长。实际上,在海量服务中对多个基础任务进行组合寻优是一个典型的NP-hard问题。因此,服务集成平台基于遗传算法并结合了模拟退火算法进行全局寻优,加快搜索效率,并提高服务资源整体利用率。
基于上述考虑,对于一个复合任务:
定义:Cij为服务资源rij的服务费用,Tij为服务资源rij的完工时间,Rij为服务资源rij的服务可靠性,Sij为服务资源rij的平均服务满意度,Pij为二元变量,当Pij=1时表示原子任务taski由服务资源rij提供服务,否则Pij=0。
由此可得该复合任务的服务评估指标如下式:
在进行服务资源的调度寻优过程中,服务消费方会期望服务提供方具有最大的可靠性、服务满意度,最小的服务费用、服务完成时间。同时,为了消除不同的服务评估维度的数值差异对评估结果造成的影响,对上述的服务评估指标采用最大最小归一化方法进行处理,得到每个服务质量分量的评价指标:
服务质量中的服务费用评价指标fNC为:fNC=(fCmax-fC)/(fCmax-fCmin);
服务质量中的服务时间评价指标fNT为:fNT=(fTmax-fT)/(fTmax-fTmin)
服务质量中的服务可靠性评价指标fNR为:fNR=(fR-fRmin)/(fRmax-fRmin)服务质量中的服务满意度评价指标fNS为:fNS=(fS-fSmin)/(fSmax-fSmin)。
再根据上述的四个服务质量分量的评价指标,得到服务组合质量评估函数F(Task)为:
F(Task)=w1*fNC+w2*fNT+w3*fNR+w4*fNS
其中,W1、W2、W3、W4分别表示前述的服务消费方指定的服务质量的权重。服务组合质量评估函数F(Task)的函数值越大,表示该服务组合的质量越高;反之,所述服务组合质量评估函数F(Task)的函数值越小,则表示该服务组合的质量越差。
由于目前的遗传算法在搜索后期容易陷入局部最优,导致算法后期的求解效率降低。为了提升遗传算法的局部搜索能力,创造性的结合模拟退火算法的Metropolis接受准则。
两者结合的具体方法分为四个环节:
第一环节:编码与种群初始化
首先对服务组合方式按照符号编码的方式进行资源编码,建立遗传算法的染色体与可行解(服务组合方式)之间的映射方式。如图2所示,对于n个子任务组合构成的复合任务,为每个子任务匹配一个对应的服务资源,此时染色体中的n个基因片段表示一种服务组合方式。如图2中,21k…m即为一种服务组合方式,其是由r12、r21、r3k…rnm这些服务资源匹配得到的一条染色体。
在确定编码方式后,开始生成初始种群,步骤如下:
步骤1、定义初始种群的大小为PN,令序号i=0;
步骤2、在服务资源池中为每个子任务随机分配一个服务资源,并按照编码方式生成对应的染色体,一条染色体对应一种服务组合方式;
步骤3、确定此染色体是否已存在于初始种群中,若是则直接忽略此染色体,否则将此染色体加入初始种群中,并令i+1;
步骤4、确定i是否仍小于PN,若是则返回步骤2继续执行,否则输出PN*n维的初始种群。
第二环节:选择
遗传算法通过“选择”操作对服务组合方式,即染色体进行筛选,利用前述服务组合质量评估函数进行运算,得到函数值,函数值大的服务组合将有较大可能遗传到下一代种群中,函数值低的则更易被淘汰。若初始种群的大小为M,则一种服务组合方式SCj被选择的概率P(SCj)公式为:
通过这种方式确定所有染色体中遗传到下一代种群中的被选择染色体。假设原初始种群中有100条染色体,被选择染色体为80条,那么下一代种群中有80条染色体。
第三环节:交叉与变异
“交叉”操作是生成新的服务组合的方式,即生成新染色体的方式。可以使用单点交叉的方式以交叉概率PC生成新的服务组合方式。即选择种群中的任意两个染色体,将这两个染色体的后半部分以PC概率进行互换,得到的新染色体并加入下一代种群中。
同时,“变异”操作可以保证了服务组合方式的多样性,提高了算法的局部搜索能力。对被选择染色体中每一条染色体中的基因片段产生一个预设范围内的随机数r,预设范围可以是(0,1]内,并定义变异概率为Ph,当r≤Ph时,将当前位置编码变异为随机生成的同一基础任务类型的另一服务资源编号,得到新染色体并加入下一代种群中。而当r>Ph时该位服务资源编号不改变。
经过“交叉”与“变异”操作后,生成了新的服务组合方式,即生成了新染色体,使得此时种群中染色体数量又变为100条,甚至100条以上。为了使种群数量保持不变,需要淘汰服务组合质量评估函数的函数值较低的个体。结合模拟退火算法,进行迭代运算。对于一种服务组合方式SCj生成的新个体SC′j,若F(SC′j)≥F(SCj),则直接接受此新个体SC′j;若F(SC′j)<F(SCj),则新个体SC′j的接受概率p′由以下公式得出:
上式中,Tn为算法迭代n次后的“温度”,Metropolis准则赋予了遗传算法跳出局部最优的能力,并且到算法迭代的后期,随着Tn的不断减小,当F(SC′j)-F(SCj)一定时,p′的值将会逐渐减小,使算法趋于稳定。
第四环节:降温
每完成一次迭代后将会对Tn进行“降温”操作,降温的公式为:
其中MAX_GEN为算法的迭代次数上限。在每一次迭代运算后均检测是否满足结束条件,该结束条件为迭代次数上限达标,或新种群中任一染色体的函数值大于预设函数值;若不满足结束条件,将当前种群进行重复迭代,若满足结束条件,选择当前种群中适应度(即函数值)最高的染色体进行服务资源解码,得到第一子任务集的最优解。例如:迭代次数上限为2万次,预设函数值为0.95,则经过2万次迭代或新种群中任一染色体的函数值超过0.95后,实际情况中,某一次迭代后,可能会出现一条染色体的函数值大于0.95的情况,也可能会出现两条或者两条以上的染色体的函数值均大于0.95的情况,若是出现多条染色体均大于0.95的情况,那么选择对应函数值最高的那一条染色体(例如其函数值为0.98),作为最优解。假设该最优解就是染色体21k…m,那么将该染色体对应的服务组合方式:r12+r21+r3k…+rnm发送给服务消费方。
上述方法可以用图3所示的流程图进行概述:
首先服务资源编码,之后生成初始种群,进行遗传操作,遗传操作具体包括:选择、交叉、变异,再结合模拟退火算法进行降温,每次降温后判断是否符合终止条件(即结束条件),不符合终止条件则继续遗传操作和降温,符合终止条件则对染色体进行解码,输出服务组合方式(即最优解)。
通过上述方法,服务集成平台可以根据服务消费方的需求,无论是原子任务,还是复合任务,均可自动为服务消费方选择最优的服务组合,无需服务消费方再花费时间、精力、人力、物力进行大量对比、挑选等。
另外,在服务匹配和组合寻优模块将服务匹配的信息或者最优解反馈于服务消费方后,服务消费方获取服务匹配的信息或者最优解,并对服务匹配的信息或者最优解的质量进行评估;服务消费方向服务集成平台反馈需求任务对应的每个子任务的服务满意度信息;服务集成平台根据服务满意度信息,对评价指标进行动态调整,作为下一次每一条染色体利用服务组合质量评估函数进行运算时的依据。这样就可以逐渐提高服务集成平台的有效性,提升用户的使用感。
可以理解是,服务消费方获取服务匹配的信息或者最优解后,确定了使用该服务匹配的信息或者最优解,则服务集成平台会向被选择的服务提供方反馈执行的指令,被选择的服务提供方即可开始为服务消费方提供具体的制造服务。
由于服务集成平台是基于多个节点形成的。而多个节点包括:主节点、从节点;主节点上的服务集成平台的分布式管理模块,在接收到新服务资源数据时,将新服务资源数据同步到所有从节点;当主节点宕机时,系统根据崩溃恢复算法,切换至任一从节点,以该从节点上的服务集成平台,继续为服务提供方、服务消费方提供相应的功能。保障了服务资源的集成利用。
本发明集成服务资源的系统,分布式管理模块用于对每个节点中的服务资源数据进行管理,且当服务资源数据变更时,对新的服务资源数据进行同步,使得每个节点中的服务资源数据均变更为新的服务资源数据。通过这种方式保障了服务资源更新对服务消费方的及时性、有效性。
任务类型管理模块用于进行服务的任务操作,服务表征服务提供方可以提供的服务信息,不同服务信息对应不同的服务类型,任务操作包括:查询服务类型、新建服务类型、修改服务类型、新建复合任务,复合任务为不同服务类型的服务组合。服务管理模块用于进行服务信息的服务操作,服务操作包括:注册服务信息、修改服务信息、删除服务信息、查询服务信息。这样为服务提供方提供了便利,仅需将自身可以提供的服务的相关信息提交到服务集成平台,即可面向全部服务消费方。摒弃了传统的营销自身服务的方式,极大的缩减了成本开销。使得服务提供方可以更专注于提升自身服务水平、业务能力等。
任务发布模块用于接收服务消费方发送的需求任务,并发布需求任务,任务需求包括:原子任务或者复合任务,原子任务为一个服务类型对应的服务。该模块为服务消费方提供了便捷的发布所需服务的方式,同样舍弃了传统的寻找服务提供方的方式,也极大的缩减了成本开销。
服务匹配和组合寻优模块用于根据需求任务、所述基础任务,基于服务质量的组合调度算法,完成原子任务的服务匹配,以及完成复合任务的最优解,并将服务匹配的信息或者最优解反馈于服务消费方,最优解表征对应复合任务的最优服务组合方式,最优服务组合方式为同一服务提供方提供的不同服务的组合;或者,最优服务组合方式为不同服务提供方提供的不同服务的组合,每一个服务提供方提供一个或多个服务,每一个服务提供方提供的服务均与其它服务提供方提供的服务不同。
服务匹配和组合寻优模块,是服务集成平台的一个核心能力,其可以根据服务消费方的需求,无论是原子任务,还是复合任务,均可自动为服务消费方选择最优的服务组合,无需服务消费方再花费时间、精力、人力、物力进行大量对比、挑选等。
另外,由于同一服务类型可能同时有很多家服务提供方进行提供,服务质量相对较差的服务提供方自然无法得到业务,因此会使得服务提供方积极提升自身服务质量,最终实现服务提供方和服务消费方的双赢。本发明的集成服务资源的系统具有较高的实用性。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (3)
1.一种集成服务资源的系统,其特征在于,所述系统包括:多个节点,每个节点中均设置有服务资源数据,所述多个节点基于所述服务资源数据形成服务集成平台,所述服务资源数据包括:多个服务提供方可以提供的所有服务的总和;
所述服务集成平台包括:分布式管理模块、任务类型管理模块、服务管理模块、任务发布模块、服务匹配和组合寻优模块;
所述分布式管理模块用于对所述每个节点中的服务资源数据进行管理,且当服务资源数据变更时,对新服务资源数据进行同步,使得所述每个节点中的服务资源数据均变更为新服务资源数据;
所述任务类型管理模块用于进行基础任务的管理操作,所述基础任务表征服务提供方可以提供的某一服务,不同服务类型对应不同的基础任务类型;还用于所述任务类型管理模块还用于向服务消费方展示所有原子任务和复合任务;所述服务消费方根据需求,在所有原子任务和复合任务中选定所需原子任务或者所需复合任务,发送给所述任务发布模块;或者,所述服务消费方根据需求,在所有原子任务中选择需要组合的原子任务,形成自定义复合任务,并将该自定义复合任务发送给所述任务发布模块,所述管理操作包括:查询基础任务类型、新建基础任务类型、修改基础任务类型、新建复合任务,所述复合任务为不同基础任务类型的组合;
所述服务管理模块用于进行所述服务的服务操作,所述服务操作包括:注册服务信息、修改服务信息、删除服务信息、查询服务信息;
所述任务发布模块用于接收所述所需原子任务,将所述所需原子任务发送给所述服务匹配和组合寻优模块;或者,所述任务发布模块用于接收所述所需复合任务,将所述所需复合任务分解为单个原子任务,并以单个原子任务生成第一子任务集,将该第一子任务集发送给所述服务匹配和组合寻优模块;或者,所述任务发布模块用于接收所述自定义复合任务,将所述自定义复合任务分解为单个原子任务,并以单个原子任务生成第二子任务集,将该第二子任务集发送给所述服务匹配和组合寻优模块,其中,原子任务为一个基础任务类型对应的基础任务;
所述服务匹配和组合寻优模块用于接收所述第一子任务集,根据所述第一子任务集、所述基础任务,基于服务质量的组合调度算法,完成所述第一子任务集的最优解,其具体步骤包括:
S1:基于所有基础任务对应的服务,建立服务资源池,一个服务对应一个服务资源;
S2:定义初始种群的大小为PN,令序号i=0;
S3:在所述服务资源池中为所述第一子任务集中每个子任务,随机分配一个服务资源,并按照编码方式生成对应的染色体,一条染色体对应一种服务组合方式;
S4:确定生成的染色体是否已存在于所述初始种群中,若是则直接忽略该染色体,否则将该染色体加入所述初始种群中,并令i+1;
S5:确定i是否仍小于PN,若是则继续执行步骤S2,否则输出PN*n维的初始种群;
S6:对所述初始种群中每一条染色体,均利用服务组合质量评估函数进行运算,得到函数值,并基于被选择概率公式,确定所有染色体中遗传到下一代种群中的被选择染色体;
S7:将所述被选择染色体中任意两条染色体的后半部分,以预设交叉概率进行互换,得到新染色体并加入所述下一代种群中,同时,对所述被选择染色体中每一条染色体中的基因片段产生一个预设范围内的随机数,并定义变异概率,当所述随机数不大于所述变异概率时,将当前位置编码变异为随机生成的同一基础任务类型的另一服务资源编号,得到新染色体并加入所述下一代种群中,当所述随机数大于所述变异概率时,该位服务资源编号不改变;
S8:基于新染色体形成的新种群,对每个新染色体均利用服务组合质量评估函数,结合模拟退火算法的Metropolis准则,进行迭代运算,具体包括:
对于一种服务组合方式SCj生成的新个体SC′j,若F(SC′j)≥F(SCj),则直接接受此新个体SC′j;
若F(SC′j)<F(SCj),则新个体SC′j的接受概率p′由以下公式得出:
上式中,Tn为算法迭代n次后的“温度”,并且到算法迭代的后期,随着Tn的不断减小,当F(SC′j)-F(SCj)一定时,p′的值将会逐渐减小,使算法趋于稳定;
每完成一次迭代后将会对Tn进行“降温”操作,降温的公式为:
其中MAX_GEN为算法的迭代次数上限;
在每一次迭代运算后均检测是否满足结束条件,所述结束条件为迭代次数上限达标,或所述新种群中任一染色体的函数值大于预设函数值;
S9:若不满足所述结束条件,将当前种群进行重复迭代,若满足所述结束条件,选择当前种群中适应度最高的染色体进行服务资源解码,得到所述第一子任务集的最优解;
其中,被选择概率P(SCj)公式为:
上式中,M表示所述初始种群的大小,SCj表示一种服务组合方式;
其中,所述服务组合质量评估函数F(Task)为:
F(Task)=w1*fNC+w2*fNT+w3*fNR+w4*fNS
其中,W1、W2、W3、W4分别表示所述服务消费方指定的服务质量的权重;
对于一个复合任务,定义:Cij为服务资源rij的服务费用,Tij为服务资源rij的完工时间,Rij为服务资源rij的服务可靠性,Sij为服务资源rij的平均服务满意度,Pij为二元变量,当Pij=1时表示原子任务taski由服务资源rij提供服务,否则Pij=0;
由此可知,对于一个复合任务,其服务评估指标有下式:
对上述服务评估指标采用最大最小归一化方法进行处理,得到每个服务质量分量的评价指标:
服务质量中的服务费用评价指标fNC为:fNC=(fCmax-fC)/(fCmax-fCmin);
服务质量中的服务时间评价指标fNT为:fNT=(fTmax-fT)/(fTmax-fTmin)
服务质量中的服务可靠性评价指标fNR为:fNR=(fR-fRmin)/(fRmax-fRmin)
服务质量中的服务满意度评价指标fNS为:fNS=(fS-fSmin)/(fSmax-fSmin);
所述服务组合质量评估函数F(Task)的函数值越大,表示该服务组合的质量越高;反之,所述服务组合质量评估函数F(Task)的函数值越小,则表示该服务组合的质量越差;
在所述服务匹配和组合寻优模块将所述服务匹配的信息或者所述最优解反馈于所述服务消费方后,所述服务消费方获取所述服务匹配的信息或者所述最优解,并对所述服务匹配的信息或者所述最优解的质量进行评估;
所述服务消费方向所述服务集成平台反馈所述需求对应的每个子任务的服务满意度信息;
所述服务集成平台根据所述服务满意度信息,对所述评价指标进行动态调整,作为下一次每一条染色体利用服务组合质量评估函数进行运算时的依据。
2.根据权利要求1所述的系统,其特征在于,所述服务匹配和组合寻优模块接收所述所需原子任务,根据所述所需原子任务、所述基础任务,基于服务质量指定信息,完成所述所需原子任务的服务匹配,所述服务匹配为对应所需原子任务的服务质量最高的服务,所述服务质量指定信息由所述服务消费方生成。
3.根据权利要求1所述的系统,其特征在于,所述多个节点包括:主节点、从节点;
所述主节点上的服务集成平台的分布式管理模块,在接收到新服务资源数据时,将新服务资源数据同步到所有从节点;
当所述主节点宕机时,所述系统根据崩溃恢复算法,切换至任一从节点,以该从节点上的服务集成平台,继续为所述服务提供方、所述服务消费方提供相应的功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642604.2A CN114356564B (zh) | 2021-12-29 | 2021-12-29 | 一种集成服务资源的系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111642604.2A CN114356564B (zh) | 2021-12-29 | 2021-12-29 | 一种集成服务资源的系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114356564A CN114356564A (zh) | 2022-04-15 |
CN114356564B true CN114356564B (zh) | 2023-06-13 |
Family
ID=81102623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111642604.2A Active CN114356564B (zh) | 2021-12-29 | 2021-12-29 | 一种集成服务资源的系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114356564B (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108255613B (zh) * | 2018-02-07 | 2021-01-01 | 北京航空航天大学 | 一种基于图着色的soa系统资源管理方法 |
CN110109753A (zh) * | 2019-04-25 | 2019-08-09 | 成都信息工程大学 | 基于多维度约束遗传算法的资源调度方法及系统 |
CN110188861A (zh) * | 2019-05-30 | 2019-08-30 | 北京理工大学 | 一种基于I-PGA算法的Web服务组合优化方法 |
WO2021019281A1 (en) * | 2019-07-30 | 2021-02-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Service level agreement (sla) prediction of feature composition method |
CN112181655A (zh) * | 2020-09-30 | 2021-01-05 | 杭州电子科技大学 | 一种移动边缘计算中基于混合遗传算法的计算卸载方法 |
CN112379996A (zh) * | 2020-10-14 | 2021-02-19 | 华南理工大学 | 基于动态目标策略的云计算资源调度优化方法及应用 |
CN113590279B (zh) * | 2021-07-08 | 2024-05-14 | 华中科技大学 | 一种面向多核边缘计算服务器的任务调度和资源分配方法 |
CN113535397B (zh) * | 2021-07-14 | 2022-11-11 | 南通大学 | 一种智能车辆边缘计算网络的资源分配方法 |
CN113821318A (zh) * | 2021-08-19 | 2021-12-21 | 北京邮电大学 | 一种物联网跨域子任务组合协同计算方法及系统 |
-
2021
- 2021-12-29 CN CN202111642604.2A patent/CN114356564B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114356564A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447277B (zh) | 一种通用的机器学习超参黑盒优化方法及系统 | |
Chen et al. | Constrained skyline query processing against distributed data sites | |
CN112995289B (zh) | 一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法 | |
CN106446242B (zh) | 一种高效的多关键词匹配最优路径查询方法 | |
JP5692757B2 (ja) | P2pネットワークのノード情報を提供するサーバ、方法、およびシステム | |
CN113641869B (zh) | 一种人机物融合环境下的数字对象访问方法和系统 | |
CN114356564B (zh) | 一种集成服务资源的系统 | |
CN111324429A (zh) | 一种基于多代血统参考距离的微服务组合调度方法 | |
Iyengar et al. | Non-uniform information dissemination for dynamic grid resource discovery | |
CN108512765B (zh) | 一种基于网络节点分布式Pagerank的网络内容扩散方法 | |
JP5094904B2 (ja) | 地域情報検索サーバ及び地域情報検索方法 | |
CN111626354B (zh) | 应用于车联网中的基于任务依赖性的聚类方法 | |
Zhang et al. | An Efficient Caching and Offloading Resource Allocation Strategy in Vehicular Social Networks | |
Pham-Nguyen et al. | Dynamic resource provisioning on fog landscapes | |
Cao et al. | Location aware and node ranking value driven embedding algorithm for multiple substrate networks | |
Choo et al. | Reliable vehicle selection algorithm with dynamic mobility of vehicle in vehicular cloud system | |
CN108401233B (zh) | 一种基于最大权二分匹配的复合事件感知方法 | |
Hassan et al. | Mace: A dynamic caching framework for mashups | |
CN113033100B (zh) | 一种基于混合教学优化算法的云制造服务组合方法 | |
CN109889573A (zh) | 混合云中基于ngsa多目标的副本放置方法 | |
Shahrokh et al. | QoS-based web service composition applying an improved genetic algorithm (IGA) method | |
US20150347627A1 (en) | Gossiping for decentralized information spreading | |
Halldórsson et al. | Batch coloring flat graphs and thin | |
JP5929902B2 (ja) | 情報処理装置 | |
Salomie et al. | Hybrid immune-inspired method for selecting the optimal or a near-optimal service composition |
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 |