云环境下的Web服务组合研究
发布时间：2021-11-01 11:43
云计算的快速发展推动了各个行业资源的协调整合,越来越多的个人与组织机构将本地的应用资源以Web服务的形式迁移到云计算资源池中,以便用户选择调用。这种服务部署模式加快了 Web服务资源数量与质量的更新速度,云资源池中的Web服务呈爆炸式增长。个人或企业不断创造新的Web服务,在满足用户需求的同时,为了追求Web服务利用率的最大化和良好的用户体验,将单一功能的Web服务进行组合,形成了更有价值的Web服务组合。云计算环境下的Web服务组合因生态系统复杂性给服务计算提出新难题。本文探讨了云计算环境下的Web服务组合,结合可并行化计算的粒子群算法,针对不同的问题求解规模,分别采用串行与并行的计算技术,解决Web服务组合问题。以下为本文主要研究工作:（1）将Web服务组合问题当作一个离散化、解决方案多样化的NP问题,在分析标准粒子群算法的基础上,围绕缺陷进行改进。本文的改进主要分三个部分进行,首先,采用活跃度检测机制,增加求解方案的多样性。其次,在粒子迁移时,学习烟花爆炸机制的原理,加强种群粒子的搜索能力。然后,通过部分粒子的反向学习过程,改变牵引对象,调整种群粒子的飞行方向,跳出局部最优困境,...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 研究现状
1.2.1 Web服务组合结构
1.2.2 Web服务组合优化方法
1.3 研究内容
1.4 组织结构
第二章 相关工作
2.1 云计算
2.1.1 云计算概述与特征
2.1.2 云计算服务模式
2.1.3 云计算应用
2.2 云计算环境下的Web服务组合
2.2.1 Web服务
2.2.2 Web服务组合
2.2.3 Web服务组合系统架构
2.3 Spark分布式计算平台
2.3.1 Spark简介
2.3.2 核心思想
2.3.3 运行原理
2.4 本章小结
第三章 基于烟花粒子群算法的Web服务组合优化方法
3.1 粒子群算法
3.2 基于FWPSO算法的Web服务组合
3.2.1 Web服务组合建模
3.2.2 编码策略
3.3 FWPSO算法的改进机制
3.3.1 粒子活跃度检测
3.3.2 粒子烟花学习机制
3.3.3 粒子自反向学习
3.3.4 算法描述
3.4 实验分析
3.4.1 实验数据与环境
3.4.2 实验参数设置
3.4.3 用户偏好的影响
3.4.4 收敛性
3.5 本章小结
第四章 基于Spark的粒子群Web服务组合
4.1 基于SPSO算法的Web服务组合
4.1.1 Web服务组合建模
4.1.2 编码策略
4.2 基于SPSO算法的Web服务组合改进机制
4.2.1 粒子初始化
4.2.2 并行化粒子迁移
4.2.3 精英选择策略
4.2.4 算法描述
4.3 实验分析
4.3.1 实验数据与环境
4.3.2 Spark集群参数的影响
4.3.3 有效性
4.4 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
附录A 图索引
Appendix A Figure Index
附录B 表索引
Appendix B Table Index
致谢
攻读硕士学位期间参与的科研项目与发表的论文
【参考文献】：
期刊论文
[1]Toward Cloud Computing QoS Architecture:Analysis of Cloud Systems and Cloud Services[J]. Mohammad Hossein Ghahramani,MengChu Zhou,Chi Tin Hon. IEEE/CAA Journal of Automatica Sinica. 2017(01)
[2]MR-IDPSO: A Novel Algorithm for Large-Scale Dynamic Service Composition[J]. Yanping Zhang,Zihui Jing,Yiwen Zhang. Tsinghua Science and Technology. 2015(06)
硕士论文
[1]基于改进离散粒子群算法的Web服务组合研究[D]. 荆紫慧.安徽大学 2016
本文编号：3470054
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：66 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 研究现状
1.2.1 Web服务组合结构
1.2.2 Web服务组合优化方法
1.3 研究内容
1.4 组织结构
第二章 相关工作
2.1 云计算
2.1.1 云计算概述与特征
2.1.2 云计算服务模式
2.1.3 云计算应用
2.2 云计算环境下的Web服务组合
2.2.1 Web服务
2.2.2 Web服务组合
2.2.3 Web服务组合系统架构
2.3 Spark分布式计算平台
2.3.1 Spark简介
2.3.2 核心思想
2.3.3 运行原理
2.4 本章小结
第三章 基于烟花粒子群算法的Web服务组合优化方法
3.1 粒子群算法
3.2 基于FWPSO算法的Web服务组合
3.2.1 Web服务组合建模
3.2.2 编码策略
3.3 FWPSO算法的改进机制
3.3.1 粒子活跃度检测
3.3.2 粒子烟花学习机制
3.3.3 粒子自反向学习
3.3.4 算法描述
3.4 实验分析
3.4.1 实验数据与环境
3.4.2 实验参数设置
3.4.3 用户偏好的影响
3.4.4 收敛性
3.5 本章小结
第四章 基于Spark的粒子群Web服务组合
4.1 基于SPSO算法的Web服务组合
4.1.1 Web服务组合建模
4.1.2 编码策略
4.2 基于SPSO算法的Web服务组合改进机制
4.2.1 粒子初始化
4.2.2 并行化粒子迁移
4.2.3 精英选择策略
4.2.4 算法描述
4.3 实验分析
4.3.1 实验数据与环境
4.3.2 Spark集群参数的影响
4.3.3 有效性
4.4 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
附录A 图索引
Appendix A Figure Index
附录B 表索引
Appendix B Table Index
致谢
攻读硕士学位期间参与的科研项目与发表的论文
【参考文献】：
期刊论文
[1]Toward Cloud Computing QoS Architecture:Analysis of Cloud Systems and Cloud Services[J]. Mohammad Hossein Ghahramani,MengChu Zhou,Chi Tin Hon. IEEE/CAA Journal of Automatica Sinica. 2017(01)
[2]MR-IDPSO: A Novel Algorithm for Large-Scale Dynamic Service Composition[J]. Yanping Zhang,Zihui Jing,Yiwen Zhang. Tsinghua Science and Technology. 2015(06)
硕士论文
[1]基于改进离散粒子群算法的Web服务组合研究[D]. 荆紫慧.安徽大学 2016
本文编号：3470054
本文链接：https://www.wllwen.com/guanlilunwen/ydhl/3470054.html
