基于改进K-dominance的服务评价与优选

在动态、开放的云计算环境中,越来越多互有竞争关系的服务提供商以不同的服务质量等级提供功能相同或类似的服务,这使得基于QoS的服务优选变得愈加重要。考虑到传统方法的不足,提出一个完整的方法解决这一多目标优化问题。首先,提出一个新的概念： partial dominance score,用于针对 skyline 计算得到的最优解（skyline 服务集合）实现进一步更为精确的量化评价,在此基础上重新定义了服务优选问题的优化目标。随后提出一个基于BNL策略的服务优选算法高效地返回partial dominance score意义上的top-k最优skyline服务,从而为用户的最终决策和优选提供有效的支持。通过一系列实验验证了所提出算法的效率和有效性。     

基于多目标遗传算法的多选择Web服务组合方法

为了在服务组合过程中高效地发现、选择满足用户要求的Web服务,提出一种基于Pareto多目标遗传算法的QoS全局最优服务选择算法（PGA-WS）用以实现用户对组合服务质量的要求。该方法产生一组满足约束条件的Pareto最优方案集合,用户根据实际需要或目标函数的偏好,从Pareto最优集中挑选最满意的组合方案作为组合服务选择问题的最优决策方案。实验结果说明了算法的可行性和有效性。     

具有局部和全局QoS约束的Web服务选择

提出一种具有局部和全局QoS约束的Web服务选择算法.将基于QoS的Web服务选择问题建模为带QoS约束的多目标组合优化问题,使用局部QoS约束过滤不满足约束条件的候选服务,通过归档式多目标模拟退火(AMOSA)算法同时优化多个QoS目标函数以产生一组Pareto优化解,利用全局QoS约束筛选出满足约束条件的Pareto最优解集.实验结果证明了该算法的有效性.     

蚁群算法在Web服务组合中的应用

为了在服务组合过程中高效地发现、选择满足用户要求的Web服务,提出基于蚁群算法的多目标优化组合用以实现用户对组合服务质量的需求。该方法根据不同Web服务的QoS属性指标,选择相应的Web服务得到Pareto最优解集合,用户根据实际需要或对目标函数的偏好,从Pareto最优解集中挑选一个或多个解作为组合服务质量问题的最优解,从而形成最后的决策方案。从理论和实验2个方面与相关研究成果进行分析比较。     

基于Pareto解集的Web服务组合推优方案

本文针对已有的Web服务组合解决方案的不足,提出一种针对多目标的新的Web服务组合优化方案。利用粒子群算法的寻优原理,结合其他的进化算法,对粒子位置的更新策略重新进行新的定义,来模拟组合过程,同时优化多个目标,通过多次迭代更新,产生一组满足相应约束条件的Pareto最优解集推荐给用户。从理论和实验两个方面证明了本文方案的可行性和有效性。     

基于模糊QoS和偏好权重的Web服务组合方法研究

为了充分体现服务质量(QoS)的不确定性和用户偏好的模糊性,本文将模糊集理论引入基于QoS的Web服务组合中,将不适合精确表示的QoS属性和用户偏好等信息用三角模糊数表示.然后基于权重和法计算模糊总目标,通过设计新的模糊数比较方法,改写Pareto支配关系,将基于模糊数比较的单目标优化问题转化为多目标优化问题,并设计模糊多目标遗传算法(FMOGA)求得Pareto最优解集.该方法不仅能够得到更加贴近实际情况的优化解,同时也解决了多属性决策方法无法对大量候选服务进行全局优化的问题.最后通过实验验证了该算法的有效性和优越性.     

基于QoS多目标优化的Web服务组合方法

为了确保在服务组合中获得Pareto最优解集,把服务组合建模为多个服务质量属性同时优化的多目标优化问题,提出了一种依据服务质量属性类型的通用预处理方法,采用多个信息素表和单个启发式信息表的多目标蚁群算法,蚂蚁随机选择一种信息素表建构可行解,每个蚁群周期完成后所有信息素都会蒸发,但每个优化函数只有一个最优解获得信息素增加,经过多过蚁群周期后即可解获得最优解集.实验结果表明,该方法可为Web服务组合提供一种很好的优化方案,具有很高的准确率.     

具有偏序属性的偏爱Pareto占优关系

K个目标的多目标优化问题的经典Pareto最优前沿通常是K-1维的,当K3时,父亲群体和儿子群体常常全都非劣,以致于多目标演化算法无法进行优胜劣汰操作而失效.文中提出一种具有偏序属性的新型Pareto占优关系,称之为偏爱Pareto占优.它能够缩小Pareto集合的规模,因而只要用偏爱Pareto占优关系替代原有的经典占优关系,现有的多目标算法就可以有效地求解"很多"目标的优化问题.     

Web服务QoS组合优化研究

Web服务的服务质量是选择服务的重要因素,但求解最优服务的选择较为困难。本文基于多目标组合优化提出了一种服务选择方法,根据不同服务QoS属性指标选择得到非劣解集合,再由用户的效用函数评价用户满意度。这种选择方法可以推广到服务组合过程。     

求解多目标优化问题的自适应混沌混合蛙跳算法

针对多目标优化问题提出一种自适应混沌混合蛙跳算法MACSFLA(Adaptive chaos shuffled frog leaping algorithm for multiobjective optimization)。使用动态权重因子策略以提高混合蛙跳算法SFLA(Shuffled Frog Leaping Algorithm)收敛效率,引入基于Pareto支配能力的SFLA子族群划分策略,使得SFLA能够应用于多目标优化问题。在此基础上,MACSFLA首先利用SFLA快速寻优能力接近理论Pareto最优解,然后采用自适应网格密度机制动态维护外部存储器Pareto最优解规模,并使用自适应混沌优化技术改善Pareto最优解集样本多样性,最后利用Pareto最优解选择策略为青蛙种群选择最优更新粒子。多目标函数测试实验结果表明,与MOPSO和NSGA-Ⅱ相比,MACSFLA在Pareto最优解集均匀性和多样性上有明显优势。