CN114818299A - 一种基于信心感知的服务模式优化方法 - Google Patents
一种基于信心感知的服务模式优化方法 Download PDFInfo
- Publication number
- CN114818299A CN114818299A CN202210401977.9A CN202210401977A CN114818299A CN 114818299 A CN114818299 A CN 114818299A CN 202210401977 A CN202210401977 A CN 202210401977A CN 114818299 A CN114818299 A CN 114818299A
- Authority
- CN
- China
- Prior art keywords
- mode
- confidence
- optimization
- pattern
- initializing
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本部发明公开了一种基于信心感知的服务模式优化方法,包括以下步骤:(1)输入待优化的原始模式Pa;(2)初始化原始模式Pa的候选列表PaList;(3)初始化温度T;(4)初始化信心C;(5)初始化最大迭代次数IterMax;(6)初始化终止阈值Th;(7)根据模式优化指标,循环搜索目标模式Pa*,循环次数为IterMax;(8)降低温度T;(9)如果步骤(7)循环结束得到的模式Pa*连续Th次保持一致,则得到Pa*为优化后的目标模式,否则跳转到步骤(7)。本发明通过引入信心机制,能够在具有不同优化潜力的搜索空间中动态调整搜索速度和搜索步幅,极大地节省了优化的时间,提升了优化的效果。
Description
技术领域
本发明属于软件工程中的服务模式计算领域,尤其是涉及一种基于信心感知的服务模式优化方法。
背景技术
与传统的web服务相比,目前的复杂服务系统通常由来自不同领域的自治实体(称为参与者)和不同服务器上的云服务组成。在这些复杂服务系统中,参与者可以指需要与其他实体协作和交互以继续服务过程的虚拟用户或智能代理。在协作过程中,数据、资源和价值在参与者之间转移和交换,用于描述这一过程的总体范式被称作服务模式。
服务模式是指复杂服务系统中不同参与者之间的协作以及数据、资源和价值的交换。服务模式起源于对工作流和业务流程的扩展。为了支持对复杂服务系统的分析,服务模式通过从四个方面描述业务来补充传统的服务建模方法:工作流、数据流、资源流和价值流。
如公开号为CN111612330A的中国专利文献公开了一种面向跨界服务的服务模式量化评估方法:定义服务模式的顶层要素,包括定义参与者、工作流、数据流、资源流、现金流;描述服务模式中的参与者;基于已有的参与者描述参与者之间的工作流;在参与者之间的工作流的基础上,描述参与者之间的数据流;在参与者之间的工作流的基础上,描述参与者之间的资源流;在参与者之间的工作流的基础上,描述参与者之间的现金流;基于已描述的工作流、数据流、资源流和现金流,计算服务模式的评估指标,包括运行时间、消耗成本、传递效率、价值、可靠性;并根据评估指标计算模式熵,用于对服务模式进行整体评估。该方法可以帮助产品经理、企业家、商业顾问、业务设计师对现有服务模式进行量化评估。
服务模式分析的一个重要关注点是服务模式优化,它在复杂服务系统的迭代中起着至关重要的作用。以往的研究在服务过程优化方面做了大量的工作,但受到服务模型描述能力的限制,忽略了服务部署平台对服务模式表现的影响。
此外,还有研究考虑到资源容量和基础设施成本,提出了云服务分布问题(CSDP)来优化云网络环境下的云服务协调。然而,对参与者之间的协作进行全面分析仍然是缺失的。
为了解决这些问题,服务模式优化的目标不仅是提高服务质量(QoS),而且还关注数据、资源和价值传递的效率以及服务模式整体编排的合理性。因此,亟需设计一种新的服务模式优化方法,来解决现有技术存在的上述问题。
发明内容
本发明提供了一种基于信心感知的服务模式优化方法,可以极大地节省优化的时间,提升优化的效果。
一种基于信心感知的服务模式优化方法,包括以下步骤:
(1)输入待优化的原始模式Pa,其中,原始模式Pa由多个参与者及其之间的工作流、数据流、资源流、价值流组成;
(2)初始化原始模式Pa的候选列表PaList;
(3)初始化温度T;
(4)初始化信心C;
(5)初始化最大迭代次数IterMax;
(6)初始化终止阈值Th;
(7)根据模式优化指标,循环搜索目标模式Pa*,循环次数为IterMax;
(8)降低温度T;
(9)如果步骤(7)循环结束得到的模式Pa*连续Th次保持一致,则得到Pa*为优化后的目标模式,否则跳转到步骤(7)。
步骤(2)中,候选列表PaList通过对Pa的四个副本进行初始化。
步骤(3)中,初始化温度T的计算公式为:T=K*X2;
其中,K设置为5-10之间的实数,X2为原始模式Pa与将其进行随机搜索后产生的模式所构成的优化指标序列的方差。
步骤(4)中,信心C为任意实数,当其为负数时,表示当前演化方向优化潜力较弱,当C为正数时,表示当前演化方向优化潜力较强;信心C的初始化值为0。
步骤(5)中,初始化最大迭代次数IterMax的公式为:
IterMax=(|Activity|/(|Event|+|Gateway|))!*(|Event|+|Gateway|)
其中,|Activity|、|Event|、|Gateway|分别为被优化的模式中包含的活动数量、事件数量、网关数量,!表示阶乘。
步骤(6)中,终止阈值Th的初始化值为log(IterMax)的向上取整。
步骤(7)中,所述的模式优化指标包括6个单项指标和1个总体指标;6个单项指标分别是模式运行时间Ti、模式运行成本Co、模式熵En、数据传递效率DaEf、资源传递效率ReEf以及价值传递效率VaEf;总体指标为模式损失,公式为:
Lo=(log(Ti)+log(Co))×3En/(DaEf+ReEf+VaEf)
其中,模式运行时间Ti、模式运行成本Co、模式熵En以及模式损失Lo为越小越优;数据传递效率DaEf、资源传递效率ReEf、价值传递效率VaEf为越大越优。
步骤(7)中,循环搜索目标模式Pa*时,每次搜索的步骤为:
(7-1)设置搜索步幅St,当C大于等于0时,St为1,当C小于0时,St为1-C和|Activity|/2两者中的最小值;
(7-2)对待优化模式Pa进行St次活动执行顺序的交换,得到Paf;
(7-3)对待优化模式Pa进行St次活动执行平台的交换,得到Pad;
(7-4)同时对待优化模式Pa进行步骤(7-2)和(7-3)中发生的变换,得到Pah;
(7-5)使模式候选列表PaList=[Pa,Paf,Pad,Pah];
(7-6)对上一轮迭代中的模式候选列表和本轮的模式候选列表中的模式优化单项指标进行逐个比较;若本轮模式指标更优则对信心C加1,若本轮模式指标更差则对信心C减1;
(7-7)若信心C的值经过步骤(7-6)不变或更大,则采用本轮生成的模式候选列表,否则采用上一轮迭代中生成的模式候选列表为PaList;
(7-8)比较PaList中四个模式的优化指标,若优化指标最优的模式为Paf、Pad、Pah中的一个,则采用该模式为待优化模式Pa进入下一轮迭代;若优化指标最优的模式为Pa,则根据eDIFF/T的概率采用Paf、Pad、Pah中的最优模式为待优化模式Pa进入下一轮迭代;
其中,DIFF=﹣|Pa优化指标的值-Paf,Pad,Pah优化指标的平均值|,否则依然保持Pa为待优化模式。
步骤(8)中,温度T降低的方法为:
T=T/log(1+IterT+reg(C))
其中,IterT为温度T已经下降次数,reg(C)=(eC-1)/(eC+1)。
与现有技术相比,本发明具有以下有益效果:
1、本发明可以通过业务逻辑优化和服务分布优化来对服务模式进行整体优化,相比只优化业务逻辑或服务分布的传统方法提升了最终的优化效果。
2、本发明通过总体指标模式损失,可以在优化模式的时间、成本、模式熵的同时,兼顾服务模式中数据、资源、价值的传输效率。
3、本发明通过引入信心机制,能够在具有不同优化潜力的搜索空间中动态调整搜索速度和搜索步幅,极大地节省了优化的时间,提升了优化的效果。
附图说明
图1为本发明一种基于信心感知的服务模式优化方法的流程示意图;
图2为本发明实施例中导入的初始服务模式示意图;
图3为本发明实施例中通过本发明优化方法优化后的服务模式示意图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
如图1所示,一种基于信心感知的服务模式优化方法,包括以下步骤:
步骤(1),输入待优化的原始模式Pa。
本实施例以线上旅行预定模式为例。如图2所示,客户依次进行旅游报名、购买交通票证、申请保险。在每两项操作之间,客户需要先向金融机构付款,然后由旅游平台、运输公司和保险公司确认请求,并将旅游券、运输票据和保险证明转出。在所有这些活动之后,客户有机会通知金融机构取消整个旅游申请,否则金融机构将与所有利益相关者结算客户支付的价值。
原始模式的缺点是,几乎每项活动结束后,工作都需要移交给另一个参与者,并且需要在不同的服务器上完成下一个活动,这导致了大量的额外时间和成本。
步骤(2),初始化候选列表PaList为原始模式Pa的四个拷贝。
步骤(3),通过多次对原始模式Pa的优化总体指标Lo进行采样,初始化温度T=0.8346。
步骤(4),初始化信心C=0。
步骤(5),初始化最大迭代次数IterMax=(13/(3+1))!*(3+1)=33.14,取34。
步骤(6),初始化终止阈值Th=log(34)=3.5264,取4。
步骤(7),根据模式优化指标,循环搜索目标模式Pa*,本步骤循环执行IterMax=34次。
(7-1)由于C=0,设置搜索步幅St=1;
(7-2)对待优化模式Pa进行St=1次活动执行顺序的交换,得到Paf;
(7-3)对待优化模式Pa进行St=1次活动执行平台的交换,得到Pad;
(7-4)同时对待优化模式Pa进行(7-2)和(7-3)中发生的变换,得到Pah;
(7-5)使模式列表PaList=[Pa,Paf,Pad,Pah];
(7-6)对上一轮迭代中的模式列表[Pa,Pa,Pa,Pa]和本轮的模式列表[Pa,Paf,Pad,Pah]中的模式优化单项指标进行逐个比较,如本轮中,Pa的表现为{Ti:1502.33,Co:313.44,En:1.4729,DaEf:12.56,ReEf:3.99,VaEf:12.00},Paf的表现为{Ti:1483.60,Co:364.30,En:1.5292,DaEf:13.44,ReEf:2.61,VaEf:11.71},Pad的表现为{Ti:1295.66,Co:280.15,En:1.4544,DaEf:16.42,ReEf:3.70,VaEf:11.85},Pah的表现为{Ti:1293.51,Co:262.57,En:1.4977,DaEf:16.68,ReEf:4.90,VaEf:10.94}。首先比较本轮与上一轮迭代中列表的第一项,由于都相同,因此信心C不变;然后比较本轮与上一轮迭代中列表的第二项,本轮Ti、DaEf更优,信心值加2,本轮Co、En、ReEf、VaEf更差,信心C减4,得到信心C=0+2-4=-2;比较本轮与上一轮迭代中列表的第三项,本轮Ti、Co、En、DaEf更优,信心值加4,本轮ReEf、VaEf更差,信心C减2,得到信心C=-2+4-2=0;比较本轮与上一轮迭代中列表的第四项,本轮Ti、Co、DaEf、ReEf更优,信心值加4,本轮En、VaEf更差,信心C减2,得到信心C=0+4-2=2;
(7-7)信心C的值经过(7-6)变大,则采用本轮生成的模式列表PaList=[Pa,Paf,Pad,Pah];
(7-8)比较PaList中四个模式的优化指标,标依次分别是2.0212、2.1816、1.7480、1.7599,若优化指标最优的模式Pad,采用该模式为待优化模式Pa进入下一轮迭代。
步骤(8),由于是第一次降低温度,IterT=1,经过步骤(7)循环搜索,信心C=47,因此降低后的温度T=0.8346/(1+1+(e47-1)/(e47+1))=0.2782。
步骤(9),当步骤(7)循环结束得到的模式Pa*连续Th=4次保持一致,则得到Pa*为找到的优化目标模式。
图3为一次实验中得到的优化目标模式,很明显,业务逻辑和服务分布被得到了优化。业务逻辑变成了客户先做所有的订购,然后由四个服务供应商来做其他的事情,这大大减少了参与者之间的合作时间。此外,相邻的活动也更多地是在同一台服务器上进行的,从而降低了成本。并且在算法优化过程中,还兼顾到了数据、资源、价值的传输效率以及总体表现。最终得到的优化目标模式表现为Lo=1.6296,Ti=1173.36,Co=197.69,En=1.4347,DaEf=16.83,ReEf=4.34,VaEf=11.48。可以看到,优化后的服务模式在Lo、Ti、Co、En、DaEf、ReEf上的表现都更加优秀。
此外,将本发明的方法和三种传统方法进行了比较,分别是已有的模拟退火方法、只进行服务分布优化的方法、只进行业务逻辑优化的方法。每种方法都进行了1000次优化实验,最终取平均值进行比较,结果如表1所示。
表1
可以看到,本发明的方法在综合指标Lo上的表现优于其他方法,且平均所需迭代搜索轮数最少。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于信心感知的服务模式优化方法,其特征在于,包括以下步骤:
(1)输入待优化的原始模式Pa,其中,原始模式Pa由多个参与者及其之间的工作流、数据流、资源流、价值流组成;
(2)初始化原始模式Pa的候选列表PaList;
(3)初始化温度T;
(4)初始化信心C;
(5)初始化最大迭代次数IterMax;
(6)初始化终止阈值Th;
(7)根据模式优化指标,循环搜索目标模式Pa*,循环次数为IterMax;
(8)降低温度T;
(9)如果步骤(7)循环结束得到的模式Pa*连续Th次保持一致,则得到Pa*为优化后的目标模式,否则跳转到步骤(7)。
2.根据权利要求1所述的基于信心感知的服务模式优化方法,其特征在于,步骤(2)中,候选列表PaList通过对四个Pa的副本进行初始化。
3.根据权利要求1所述的基于信心感知的服务模式优化方法,其特征在于,步骤(3)中,初始化温度T的计算公式为:T=KX2;
其中,K设置为5-10之间的实数,X2为原始模式Pa与将其进行随机搜索后产生的模式所构成的优化指标序列的方差。
4.根据权利要求1所述的基于信心感知的服务模式优化方法,其特征在于,步骤(4)中,信心C为任意实数,当其为负数时,表示当前演化方向优化潜力较弱,当C为正数时,表示当前演化方向优化潜力较强;信心C的初始化值为0。
5.根据权利要求1所述的基于信心感知的服务模式优化方法,其特征在于,步骤(5)中,初始化最大迭代次数IterMax的公式为:
IterMax=(|Activity|/(|Event|+|Gateway|))!×(|Event|+|Gateway|)
其中,|Activity|、|Event|、|Gateway|分别为被优化的模式中包含的活动数量、事件数量、网关数量,!表示阶乘。
6.根据权利要求1所述的基于信心感知的服务模式优化方法,其特征在于,步骤(6)中,终止阈值Th的初始化值为log(IterMax)的向上取整。
7.根据权利要求1所述的基于信心感知的服务模式优化方法,其特征在于,步骤(7)中,所述的模式优化指标包括6个单项指标和1个总体指标;6个单项指标分别是模式运行时间Ti、模式运行成本Co、模式熵En、数据传递效率DaEf、资源传递效率ReEf以及价值传递效率VaEf;总体指标为模式损失,公式为:
Lo=(log(Ti)+log(Co))×3En/(DaEf+ReEf+VaEf)
其中,模式运行时间Ti、模式运行成本Co、模式熵En以及模式损失Lo为越小越优;数据传递效率DaEf、资源传递效率ReEf、价值传递效率VaEf为越大越优。
8.根据权利要求1所述的基于信心感知的服务模式优化方法,其特征在于,步骤(7)中,循环搜索目标模式Pa*时,每次搜索的步骤为:
(7-1)设置搜索步幅St,当C大于等于0时,St为1,当C小于0时,St为1-C和|Activity|/2两者中的最小值;
(7-2)对待优化模式Pa进行St次活动执行顺序的交换,得到Paf;
(7-3)对待优化模式Pa进行St次活动执行平台的交换,得到Pad;
(7-4)同时对待优化模式Pa进行步骤(7-2)和(7-3)中发生的变换,得到Pah;
(7-5)使模式候选列表PaList=[Pa,Paf,Pad,Pah];
(7-6)对上一轮迭代中的模式候选列表和本轮的模式候选列表中的模式优化单项指标进行逐个比较;若本轮模式指标更优则对信心C加1,若本轮模式指标更差则对信心C减1;
(7-7)若信心C的值经过步骤(7-6)不变或更大,则采用本轮生成的模式候选列表,否则采用上一轮迭代中生成的模式候选列表为PaList;
(7-8)比较PaList中四个模式的优化指标,若优化指标最优的模式为Paf、Pad、Pah中的一个,则采用该模式为待优化模式Pa进入下一轮迭代;若优化指标最优的模式为Pa,则根据eDIFF/T的概率采用Paf、Pad、Pah中的最优模式为待优化模式Pa进入下一轮迭代;
其中,DIFF=﹣|Pa优化指标的值-Paf,Pad,Pah优化指标的平均值|,否则依然保持Pa为待优化模式。
9.根据权利要求1所述的基于信心感知的服务模式优化方法,其特征在于,步骤(8)中,温度T降低的方法为:
T=T/log(1+IterT+reg(C))
其中,IterT为温度T已经下降次数,reg(C)=(eC-1)/(eC+1)。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210401977.9A CN114818299A (zh) | 2022-04-18 | 2022-04-18 | 一种基于信心感知的服务模式优化方法 |
PCT/CN2022/106250 WO2023201914A1 (zh) | 2022-04-18 | 2022-07-18 | 一种基于信心感知的服务模式优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210401977.9A CN114818299A (zh) | 2022-04-18 | 2022-04-18 | 一种基于信心感知的服务模式优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114818299A true CN114818299A (zh) | 2022-07-29 |
Family
ID=82537167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210401977.9A Pending CN114818299A (zh) | 2022-04-18 | 2022-04-18 | 一种基于信心感知的服务模式优化方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114818299A (zh) |
WO (1) | WO2023201914A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060026466A1 (en) * | 2004-08-02 | 2006-02-02 | Bea Systems, Inc. | Support methodology for diagnostic patterns |
CN103312749B (zh) * | 2012-03-13 | 2016-12-14 | 华为技术有限公司 | 一种应用层流量优化服务器的发现方法、设备及系统 |
CN109150976A (zh) * | 2018-07-23 | 2019-01-04 | 中国科学院计算机网络信息中心 | 提供安全服务的方法、装置及存储介质 |
CN112733999B (zh) * | 2021-01-19 | 2023-03-21 | 昆明理工大学 | 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 |
-
2022
- 2022-04-18 CN CN202210401977.9A patent/CN114818299A/zh active Pending
- 2022-07-18 WO PCT/CN2022/106250 patent/WO2023201914A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023201914A1 (zh) | 2023-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | MHAT: An efficient model-heterogenous aggregation training scheme for federated learning | |
Fan | Technological spillovers from foreign direct investment—A survey | |
Guo et al. | Correlation-aware web services composition and QoS computation model in virtual enterprise | |
Wang et al. | Collaborative multicenter vehicle routing problem with time windows and mixed deliveries and pickups | |
Fujita et al. | Efficient issue-grouping approach for multiple interdependent issues negotiation between exaggerator agents | |
Gao et al. | Dynamic organization model of automated negotiation for 3PL providers selection | |
Jiang et al. | Does the level of digitalized service drive the global export of digital service trade? Evidence from global perspective | |
Tong et al. | A two-layer social network model for manufacturing service composition based on synergy: A case study on an aircraft structural part | |
Zeng et al. | Incentive mechanisms in federated learning and a game-theoretical approach | |
CN107194672B (zh) | 一种融合学术专长与社会网络的评审分配方法 | |
Sun et al. | A profit-maximizing model marketplace with differentially private federated learning | |
Bangare et al. | Role of machine learning in improving tourism and education sector | |
Hsu et al. | News-based soft information as a corporate competitive advantage | |
Wang et al. | Spatial competition, strategic R&D and the structure of innovation networks | |
Jia et al. | A framework of system integration and integration value analysis: Concept and case studies | |
CN114818299A (zh) | 一种基于信心感知的服务模式优化方法 | |
Li et al. | Using intelligent prediction machine and dynamic workflow for banking customer satisfaction in IoT environment | |
Barros et al. | Scheduling in cloud and fog architecture: identification of limitations and suggestion of improvement perspectives | |
Ma et al. | A QFD-based quality and capability design method for transboundary services | |
CN114693429A (zh) | 服务提供方和服务对象双向匹配选择方法及系统 | |
Cen et al. | Distant or local? The roles of knowledge search on general purpose technology innovation in emerging industries | |
CN111144990B (zh) | 推荐方法以及系统 | |
Mao et al. | An optimization-based three-way decision for multi-criteria ranking strategy considering intuitionistic fuzzy concept | |
Akhmetzhanova et al. | Economy and Management of an Innovative Enterprise | |
Ivankova et al. | Assessment of M&A strategy: the case of YANDEX company |
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 |