一种基于多维服务质量的局部最优服务选择模型

全局最优和局部最优是服务选择的两种策略.现有的全局最优服务选择算法提供端对端约束下最优单解而非可接受的多解,既无法充分体现用户偏好和服务个性,也不利于激励服务提供者优化服务质量.首先,在引入序数效用函数作为局部服务排序的数值尺度的基础上,提出一种基于多维服务质量的局部最优服务选择模型MLOMSS(Multi-QoS based Local Opti mal Model of Service Selection),为自动选取优质服务提供重要依据.然后,构造客观赋权模式、主观赋权模式和主客观赋权模式来确定各服务质量属性的权重,既体现用户偏好和服务质量的客观性,又有助于快速生成聚合服务链.最后,通过语义Web服务集成平台SEWSIP(Semantic Enable Web Serv-ice Integration Platform)证明MLOMSS模型的有效性和灵活性.

一种基于FAHP的多维QoS局部最优服务选择模型

为更全面地考量服务质量(QoS)属性对服务最优选择的影响,进而提高服务组合的效率,该文提出了一种基于模糊层次分析法(FAHP)的多维QoS局部最优服务选择模型.模型首先定义了以QoS的真实度属性作为分量之一的多维QoS向量,并将QoS的真实度属性值作为赋权计算的依据,以使权重结果更合理、可信;之后,建立了包含双重质量属性(客观属性和主观评价)的模糊层次结构,以全面考量主客观QoS属性对服务最优选择的影响;在此基础上,构造了可根据决策者的偏好与侧重动态调整权重分辨率的FAHP赋权模式,该赋权模式与传统的赋权模式不同,该赋权模式下的权向量不是唯一的(但权重的排序唯一),而是一个包含可调参数的函数,通过参数的调整,可保留(或剔除)决策者偏好(或放弃)的候选服务,一方面使服务使用者在选择服务时更理智,另一方面也促使服务提供者进一步完善服务质量;最后,利用组合权向量及序数效用函数值得到了局部最优服务.与文献中已有赋权模式的对比实验(包括候选服务效用值的对比、相关QoS属性值的对比等)及参数的敏感性分析说明了模型的有效性,其决策结果在一定程度上提高了局部最优服务选择的科学性及合理性.

复合最优模型微粒群优化算法研究及应用

针对微粒群算法全局最优(Gbest)模型收敛速度快、局部搜索能力强、鲁棒性差,局部最优(Lbest)模型全局搜索能力强、鲁棒性好、收敛速度慢的特点,提出了一种结合全局最优和局部最优两基本模型特点的复合最优模型微粒群优化算法。用4个Benchmarks函数进行了测试,实验结果表明,与微粒群算法的两种基本模型相比,该复合模型算法能有效提高算法的收敛速度及全局搜索能力。最后将算法应用于一个非线性系统模型的辨识,辨识结果验证了该算法的有效性。

结合全局种子最优局部扩展的跨网络用户识别

跨网络用户匹配的目的是识别不同社交网络上属于同一用户的不同账户,在好友推荐、网络安全和链路预测等方面有重要意义。现有方法通常利用部分已知匹配用户,迭代识别其余待匹配用户。然而,目前大部分方法受限于已知匹配用户的数量,无法在较低的时间内精准地识别用户。提出了结合全局种子最优局部扩展的跨网络用户识别方法(GLE)。首先,为有效解决冷启动问题,提出了全局种子扩展模型(GSE)来丰富已知匹配用户数量;然后,为了在较低的时间代价上确保较高的准确性,提出了最优局部扩展模型来找到最优候选匹配对。最后,实验结果表明,该算法可显著提高用户识别的召回率和准确率,具有较低的时间开销,并解决了已知匹配用户数量不足时的识别问题。