面向领域服务组合的人工蜂群优化算法S-ABC及其支持工具

发布时间：2017-10-31 18:03

  本文关键词：面向领域服务组合的人工蜂群优化算法S-ABC及其支持工具

  更多相关文章： 领域服务 人工蜂群算法 服务组合 面向服务的ABC优化算法范型

【摘要】：随着服务计算、云计算、物联网等高新技术的快速发展与成熟,各个领域出现了大规模智能业务服务。而用户的需求也变得越来越复杂,单个服务无法满足用户的需要,这就需要根据用户需求做服务组合,从而形成满足用户需求的组合服务。所以,如何根据用户需求在大规模智能业务服务中快速的组合成用户满意的服务组合方案成为当今研究的热点,引起了广泛的关注。与此同时,随着对大数据的研究,不同领域呈现出一定的领域特性,许多服务领域存在其自身的特性和运行规律,这些特性在服务组合问题中都起着一定的作用。因此,如何在新的服务环境下利用服务领域的特性,提高服务组合问题求解的效率具有重要意义。本文针对以上两个问题进行研究,提出了面向领域服务组合的人工蜂群优化算法S-ABCsc范型,并从以下三个方面展开详细研究:(1)人工蜂群算法用于服务组合问题的优越性分析:为了更好的利用人工蜂群算法解决服务组合问题,本文对人工蜂群算法进行剖析,包括候选服务空间的划分、食物源的生成、邻域搜索、算法判优准则等。(2)S-ABCsc范型基础理论及算法的研究:为了研究服务领域特性对服务组合问题求解效率的影响,归纳总结了三大服务领域特性,包括是先验性、相似性和关联性。根据这三大领域特性,分析服务组合问题及其求解算法,从而将这三大领域特性与人工蜂群算法结合形成面向领域服务组合的人工蜂群优化算法S-ABCsc范型。该范型提出了面向领域服务组合的人工蜂群算法框架,包括服务空间搜索策略,面向领域服务组合的食物源生成策略、适应度函数、雇佣蜂阶段、观察蜂阶段、侦察蜂阶段,算法判优准则。其中,根据两种的服务空间搜索策略形成了两类算法,即基于优先级搜索策略的S-ABCsc算法和基于均衡搜索策略的S-ABCsc算法。另外,为了分析两种服务空间搜索策略的使用条件,提出了先验性和相似性的具体度量指标,并进行大量实验总结出相关规则。(3)S-ABCsc范型支持工具的设计与开发:为了更方便的使用S-ABCsc范型解决服务组合问题,设计开发了该范型的支持工具。该系统包含模块:算法预制及执行、服务流程管理、候选服务管理、需求分类管理和历史数据管理。
【关键词】：领域服务 人工蜂群算法 服务组合 面向服务的ABC优化算法范型
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP18;TP393.09
【目录】：

• 摘要4-5
• Abstract5-10
• 第1章 绪论10-20
• 1.1 课题来源与研究意义10-12
• 1.1.1 课题来源10-11
• 1.1.2 课题研究意义11-12
• 1.2 课题相关技术的国内外研究现状12-18
• 1.2.1 服务领域特性12-13
• 1.2.2 服务组合问题13-14
• 1.2.3 人工蜂群算法在服务领域中的应用14-15
• 1.2.4 人工蜂群算法现有的改进方法15-16
• 1.2.5 现有研究的不足16-18
• 1.3 本文研究内容及章节安排18-20
• 第2章 领域服务组合问题与人工蜂群算法20-33
• 2.1 特定领域服务中的三大领域特性20-25
• 2.1.1 先验性20-21
• 2.1.2 相似性21
• 2.1.3 关联性21-22
• 2.1.4 三大特性的度量指标22-25
• 2.2 服务组合问题25-27
• 2.2.1 Qo S感知的服务组合问题25-26
• 2.2.2 服务组合方案的优化机理26-27
• 2.3 人工蜂群算法剖析27-32
• 2.3.1 人工蜂群算法27-28
• 2.3.2 人工蜂群算法的优化机理28-29
• 2.3.3 人工蜂群算法框架29-30
• 2.3.4 实验30-32
• 2.4 本章小结32-33
• 第3章 面向领域服务组合问题的S-ABCsc范型及其服务空间搜索策略33-50
• 3.1 面向领域服务组合问题的S-ABCsc范型33-43
• 3.1.1 S-ABC范型33
• 3.1.2 服务空间划分33-35
• 3.1.3 服务空间偏序关系35-36
• 3.1.4 S-ABCsc范型36-43
• 3.2 S-ABCsc范型服务空间搜索策略43-45
• 3.2.1 S-ABCsc范型范型中服务应用需求的处理过程43-44
• 3.2.2 服务空间优先级搜索策略44-45
• 3.2.3 服务空间均衡搜索策略45
• 3.3 服务空间搜索策略判定方法研究45-48
• 3.3.1 实验配置45-47
• 3.3.2 实验结果47-48
• 3.4 本章小结48-50
• 第4章 基于优先级搜索策略的S-ABCsc算法50-60
• 4.1 算法设计50-51
• 4.2 食物源生成策略51-53
• 4.2.1 数学优化模型51-52
• 4.2.2 问题求解原理52
• 4.2.3 求解步骤52-53
• 4.3 适应度函数53
• 4.4 雇佣蜂阶段53-56
• 4.4.1 先验性服务集内的新食物源生成策略53-55
• 4.4.2 相似性服务集内的新食物源生成策略55
• 4.4.3 一般性服务集内的新食物源生成策略55-56
• 4.5 观察蜂阶段56
• 4.6 侦察蜂阶段(全局搜索策略)56-58
• 4.7 算法判优准则58
• 4.8 实验58-59
• 4.9 本章小结59-60
• 第5章 基于均衡搜索策略的S-ABCsc算法60-69
• 5.1 算法设计60-61
• 5.2 食物源生成策略61-63
• 5.2.1 数学优化模型61-62
• 5.2.2 问题求解原理62
• 5.2.3 求解步骤62-63
• 5.3 适应度函数63
• 5.4 雇佣蜂阶段63-64
• 5.5 观察蜂阶段64-65
• 5.6 侦察蜂阶段(全局搜索策略)65-66
• 5.7 算法判优准则66
• 5.8 实验66-67
• 5.9 两大算法实验对比67-68
• 5.10 本章小结68-69
• 第6章S-ABCsc范型支持工具的设计实现及实验验证69-93
• 6.1 系统设计69-71
• 6.1.1 系统功能设计69-71
• 6.1.2 系统数据库设计71
• 6.2 系统实现71-86
• 6.2.1 需求参数化及组合问题表达71
• 6.2.2 自动生成算法的框架配置71-73
• 6.2.3 算法预制及执行73-81
• 6.2.4 服务流程管理81-82
• 6.2.5 候选服务管理82-83
• 6.2.6 需求分类管理83-85
• 6.2.7 历史数据管理85-86
• 6.3 实验验证86-92
• 6.3.1 实验数据配置86
• 6.3.2 基于优先级搜索策略的S-ABCsc算法的实验验证86-89
• 6.3.3 基于均衡搜索策略的S-ABCsc算法的实验验证89-91
• 6.3.4 两大算法实验比较91-92
• 6.4 本章小结92-93
• 结论93-95
• 参考文献95-99
• 攻读硕士学位期间发表的论文及其它成果99-101
• 致谢101-102
• 附录1 两大类算法在支持工具中实验验证时的服务流程bpel文件102-104
• 附录2 两大类算法在支持工具中实验验证时的数据表104-111

【参考文献】

中国期刊全文数据库 前4条

1 李素粉;范玉顺;李秀;;支持服务应用关联的服务选择方法[J];计算机集成制造系统;2012年03期

2 吴健;陈亮;邓水光;李莹;邝砾;;基于Skyline的QoS感知的动态服务选择[J];计算机学报;2010年11期

3 温涛;盛国军;郭权;李迎秋;;基于改进粒子群算法的Web服务组合[J];计算机学报;2013年05期

4 王尚广;孙其博;杨放春;;基于全局QoS约束分解的Web服务动态选择[J];软件学报;2011年07期

中国博士学位论文全文数据库 前1条

1 陶春华;QoS感知的Web服务发现与组合研究[D];天津大学;2010年

，

本文编号：1123141