QoS感知的全局最优快速服务选择

针对已有的服务选择算法往往按业务流程中任务的执行顺序依次选择服务,使服务选择时间随着任务数和候选服务集规模的增大而变长,难以让用户接受,而且算法也并未考虑包含关键路径的组合结构QoS优化这一问题,设计了对等网络服务覆盖网,利用服务社区和任务代理,根据组合结构和关键路径将全局QoS约束分解为局部约束,支持并行化的服务选择.实验结果表明,该方法可以迅速有效地找到接近最优的服务组合方案.     

QoS感知的Web服务选择

一个组合服务可以由多个具有不同QoS属性的服务合成,由此带来的一个问题是如何将QoS属性作为条件选择最合适的服务以满足组合服务的全局QoS需求.针对这个问题,提出了利用分层图技术对复杂的服务组合过程模型进行化简,将服务选择问题简化为有向图中的选路问题,这样在服务选择时就无需考虑不同的流程结构(例如,顺序、选择、并发和循环结构等),从而降低了服务选择算法的复杂性,提高了执行效率.在简化模型的基础上,给出了一个基于自适应遗传算法的QoS感知的组合服务选择算法.仿真实验表明该方法是可行和有效的.     

一种QoS感知的基于与或图的Web服务选择模型

本文对Web组合服务选择问题进行了研究.首先,在讨论基本服务之间的关系之后,重新定义了组合服务的QoS质量准则.然后,用与或图来描述基本服务之间的关系,构建基于与或图的QoS感知的组合服务选择模型.接着,提出一种新的基于蚁群算法的组合服务选择算法,新算法针对并行关系和分支关系同时存在的情形给出了解决方案.最后,通过实验...     

一种新的QoS多播路由优化算法

讨论一种适应于研究QoS多播路由的网络模型.在网络环境及不确定参数条件下,提出了一种在网络规模、可行性方面为Internet、移动网络和其他高性能网络基于Tabu搜索的QoS多播路由优化算法（TQMRA）.仿真实验结果表明,TQMRA在网络环境及不确定参数条件下能够优化网络资源.     

一种基于PSO-ABC的全局优化算法

针对粒子群算法和蜂群算法在寻优中存在的一些早熟和收敛速精度不高等问题,论文分别时粒子算法和蜂群算法的更新策略以及更新公式进行了改进,利用改进的粒子群算法和改进的蜂群算法同时对一个粒子位置进行部分算术更新的方法,提出了一种新混合的优化算法.并将其在12个多极值基准函数进行全局最优化测试,实验结果表明,笔者提出的混合优化算法收敛的速度和收敛精度大大提高了,其性大大优于改进的粒子群算法（CLPSO算法）和人工蜂群算法,对于高、低维复杂函数的优化均适用.     

一种全局优化的两阶段算法

为了提高算法的有效性,利用梯度算法和粒子群算法独立的运行机制,采用驱赶技术和重新初始化部分群体的技术,提出了一种基于梯度下降法和粒子群算法的两阶段优化算法,并对新算法进行了理论分析和数值仿真.数值结果显示新算法比单纯梯度算法有更好的全局优化能力,比单纯粒子群算法有更快的收敛速度和更高的精度.新算法求解质量更高,运行更稳定.     

一种基于QoS偏好的服务选择策略

面对服务质量敏感的用户,应该依据用户的偏好进行服务选择。给出了Web服务QoS的描述形式,从5个方面对QoS属性进行分析。根据用户对各QoS指标的偏好构建层次分析法(analytic hierarchy process,AHP)矩阵,进一步利用AHP矩阵获得各QoS属性的权重。在此基础上,提出了一种基于逼近理想解的排序方法(technique for order preference by similarity to an ideal solution,TOPSIS)。该方法基于候选服务的QoS属性构建决策矩阵,确定正理想解和负理想解,通过贴近度的大小对服务进行优劣排序。实例分析表明,该算法是有效的。     

基于全局QoS约束分解与关联感知的动态服务组合

在Web服务组合过程中,基于全局QoS(quality of service)约束分解的服务组合方法是提高服务组合动态性与灵活性的有效途径。已有的研究工作在进行约束分解服务优化组合时,没有考虑上下游服务之间的QoS关联性,影响了组合的效率与质量,降低了用户的满意度。提出一种基于QoS全局约束分解与关联感知的动态优化服务组合方法,通过改进后的人工蜂群算法将全局QoS约束分解为局部QoS约束;定义上下游服务之间的QoS关联系数,构造一种基于QoS关联感知服务选择的方法,解决了存在关联关系的服务选择问题。实验验证了该方法的可行性和有效性。     

一种保证全局收敛的认知优化算法

文章针对传统社会认知优化算法全局收敛慢的问题,提出了一种保证全局收敛的认知优化算法。该算法应用Tent映射初始化知识库,提高初始解的质量;邻域搜索过程采用混沌搜索,增强算法跳出局部最优解的能力;通过增加混沌库来提高搜索的遍历性,实现和知识库协同寻优,从而构建为一种新的混沌混合认知优化算法;同时以Solis和Wets提出的随机算法收敛定理为基础,给出了该算法的全局收敛性证明。标准测试函数的仿真优化结果表明,该混合算法对非线性规划问题具有较强的求解能力,算法寻优效率高、全局性能好、优化结果稳定,性能明显优于标准认知优化算法。     

一种求解非线性方程组的全局优化算法

提出了一种求解非线性方程组的全局优化算法,证明了在某种适当的条件下,所提出的算法以概率1收敛到非线性方程组的解.计算结果表明了算法的有效性.     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处     

一种采用整数编码的全局优化算法

基于演化计算的群休搜索技术，采用整数编码构造遗传算子和自适应函数，对n皇后问题进行求解，实验结果表明，本算法具有快速、有效的特点。     

数据网格中一种QoS驱动的副本选择算法

以移动Agent作为任务载体,代表用户应用程序在分散的数据网格环境下智能地进行副本选择.利用移动Agent与各个副本宿主节点的本机通信来替代传统的远程访问方式,从而避免大量的副本传输,节省网络带宽资源.提出了一种由用户QoS(服务质量)驱动的副本选择算法,开发出基于Java Swing的实验演示系统,并针对于3种不同的QoS目标对移动Agent的迁移进行了模拟试验.实验表明提出的副本选择算法能够根据用户的不同QoS偏好来优化副本选择,当网格规模较大时更能凸显对用户QoS偏好的优化效果.     

一种快速QoS感知副本放置方法

针对服务质量（QoS）要求严格的一类分布式应用,通过寻找近似最优的副本部署方式解决QoS感知的副本放置问题,使系统能够满足所有用户的QoS需求.在服务质量距离的基础上建立了一种基于图论的抽象副本放置模型,并提出一种集合覆盖预处理与向量运算相结合的快速启发式算法（CORePA）.该算法首先引入集合覆盖的思想,通过拓扑预处理消除冗余节点以降低问题规模;然后通过矩阵和向量表示简化处理过程,并充分考虑副本开销作为启发信息,利用向量操作降低算法开销.实验和分析表明：与现有方法相比,CORePA算法速度更快,在不同节点规模下可获得更好的副本策略,且具有稳定性和高效性的特点.     

一种用于Web服务选择的QoS可信性评估方法

改进了一种基于服务质量（quality of service,QoS）可信性的Web服务选择方法.根据质量属性的类别,在第二类质量属性中引入惩罚因子和时间参数,不仅加快此类属性评估向真实值收敛的速度,而且还对发布虚假属性值的服务提供者进行了惩罚;在第三类质量属性中引入服务价格参数,降低了服务请求者遭遇团队欺骗的风险.结果表明改进后的方法能有效地提高QoS评估的可信性.     

一种带QoS约束的语义Web服务选择方法

为了对语义匹配产生的Web服务集进行二次选择,提出了一种带QoS约束的语义Web服务选择方法.该方法首先扩展了OWL-S模型中的QoS描述信息,提出了具有服务语义与服务质量描述能力的可扩展的OWL-SQ服务描述模型,以此作为服务质量支持与约束,然后基于决策理论和归一化算法,给出了针对OWL-SQ模型中各种非数值型和数值型质量属性的无量纲化处理方法,提出了QoS匹配矩阵构建算法及服务选择方法,以综合评价与选择最优侯选服务,通过实例测试其性能,结果表明基于OWL-SQ服务描述模型的服务选择方法,提高了服务选择的效率与查准率.     

求解线性双层规划的一种全局优化算法

讨论了线性双层规划问题,通过分析线性双层规划可行域的结构特征和最优解在约束域极点上达到这一特性,对线性双层规划上层目标函数进行定界,利用二分法原理,构造了一个双线性规划来修正当前的界,提出一种了求解线性双层规划的全局优化算法.     

一种全局优化的随机水平值逼近算法

对一类在闭箱上处处有定义的单峰目标函数的全局优化问题,提出一种随机水平值逼近算法,证明了算法的渐近收敛性.数值结果验证了算法的有效性.     

一种基于填充函数的神经网络全局优化算法

针对前向神经网络BP算法由于初始权值选择不当而陷入局部极小点这一缺陷,提出新的全局优化训练算法.首先,提出了一种新的填充函数,并证明该函数的填充性质,进而结合该新填充函数与BP算法,构造出基于填充函数的全局最优化神经网络算法.应用全局优化算法训练神经网络时,如果误差函数陷入局部极小值,该算法可以利用填充函数帮助误差函数不断地跳出局部最优,直到找到全局最优点.该新算法的最大优点是对于初始权值无依赖性,避免了BP算法易陷入局部极小值的缺点.理论分析和仿真试验结果证明了该全局优化神经网络算法的有效性和优越性.     

求解QoS路由优化的一种新进化算法

对网络中支持多个QoS参数路由的数学模型进行了形式化分析,提出了一种多目标进化算法（QMOEA）。该算法能有效地将多个优化目标统一起来,并在此基础之上引入“自适应退避”机制与贪心策略,保证了群体的多样性和快速收敛。仿真结果与理论分析验证了该算法的有效性与正确性。