基于多策略离散差分进化的移动互联网个性化服务组合

移动互联网技术的普及使人们不再满足于单一功能的服务,而更倾向于按需定制的个性化服务或服务组合。提出了一种应用于Web服务组合的多策略离散差分进化(multi-strategy discrete differential evolution,MDDE)算法。该算法采用随机选择框架,调用具有不同特性的变异策略,是一种搜索能力和收敛速度均衡的离散差分进化算法。实验结果表明,MDDE算法在求解Web服务组合优化问题中比原始DE算法的收敛精度更高,稳定性更好。

一种基于禁忌策略的混合优化算法

为了提升综合学习粒子群算法(Comprehensive Learning Particle Swarm Optimization,CLPSO)的后期收敛能力,提出一种基于禁忌策略的混合优化算法,记为CLPSO+Tabu(CMA-ES)。算法以禁忌搜索算法为后续搜索操作,对综合学习粒子群算法进行改进。同时将协方差矩阵自适应进化策略(Covariance Matrix Adaptation Evolution Strategy,CMA-ES)引入禁忌搜索算法,以高斯分布为基础,以CMA-ES策略引导邻域结构的分布,构造新型自适应邻域结构,指导禁忌搜索算法中候选解的选取,从而解决综合学习粒子群算法在收敛精度低的问题,极大改善了求解效果。针对26个标准测试函数的实验结果表明,与CLPSO相比,CLPSO+Tabu(CMA-ES)算法在绝大多数函数上具有更好的收敛效果。针对其中6个优化问题,CLPSO+Tabu(CMA-ES)更是有至少一个数量级的改进。