两阶段云服务组合优化算法及其应用研究

针对目前云服务市场中如何快速有效为客户提供最优组合云服务问题,提出一种包括灰色关联和自适应遗传算法的两阶段云服务组合优化算法。首先根据用户云服务需求,利用灰色关联分析对云服务进行初步筛选形成候选云服务集;其次建立时间最短、成本最低、可用性、互操作性、可扩展性和满意度最佳的多目标决策模型,采用自适应遗传算法求解模型,确定最优云服务组合方案;最后通过算例证明该算法在解决最佳云服务组合方面的合理性和科学性。

质量感知的多目标云制造服务组合优化算法

云制造服务组合问题往往存在多个优化目标且各目标权重难以事先确定,为了显著提高进化算法在求解过程中的种群多样性,并有效平衡进化算法的全局与局部搜索能力,提出一种基于自适应选择和反向学习策略的进化算法,同时优化时间、成本、可靠性、可用性和信誉度。首先为了缩短求解组合方案的时间,采用K-means方法基于服务质量对候选服务进行聚类,去除质量较差的服务;然后采用反向学习策略提高全局搜索性能,再通过选择策略和概率更新策略有效平衡算法的全局与局部搜索能力;最后与4种先进算法进行实验对比表明,所提算法具有更好的综合性能。

工业互联网环境下位置感知的生产要素资源服务组合优化

工业互联网将工业系统与互联网技术相结合,通过与智能设备的配合显著提高生产效率、降低生产成本。在工业互联网环境下,一个生产过程通常由多个子任务组成,同时一个子任务的完成需要多个或多种生产要素资源。与互联网环境下的传统服务组合相比,工业应用下的服务组合更为复杂且具有挑战性。为解决工业互联网环境下生产要素资源的服务组合优化问题,本文定义了该问题的关键概念,并将其建模为一个多目标优化问题。其次,为得到最优的服务组合解,结合教学优化算法(TLBO)和禁忌搜索算法(TS)的优点,提出一种混合的多目标优化算法,称为TLBO-TS。最后,进行了一系列的扩展实验。实验结果验证了TLBO-TS算法的优越性。

云制造下小批量定制产品的服务组合双层优选方法

为解决云制造环境下小批量定制产品的服务组合优选问题,提出一种以加工特征作为任务粒度的资源服务组合双层优选方法。该方法首先构建了需求—特征图谱、制造资源供应图谱对供需两方信息进行描述与存储;然后设立加工合格率、满意度评价值、交付按时率、供应偏好值4个指标,并依托变异系数法进行赋权来初筛供应商,实现一层优选;最后建立了以工艺总成本、工艺总时间及总碳排放作为优化目标,特征间的优先级关系作为约束的优化模型,并使用融入次候选集变异算子的改进遗传算法NSGA-Ⅲ对其进行求解,完成二层优选。通过对实例结果的工艺流动顺序分析验证了该方法的可行性,并证明了改进后的算法求解效果更佳。

基于改良蜂群算法的Web服务组合优化方法

为提高Web组合优化算法的开发能力和运行结果的适应度、稳定性,以满足用户对Web服务的服务质量(Quality of Service,QoS)需求,提出了一种基于QoS模型和改良蜂群算法(modified Artificial Bee Colony,mABC)的Web服务组合优化方法。构建应用于Web服务组合优化问题的QoS顺序数学模型,使用基于混沌的对立学习方法,在进程运行的初始化阶段生成更好的初始群体,在蜂群算法的雇佣蜂阶段和围观蜂阶段使用新的相位搜索方程和围观搜索策略,有效地提高蜂群算法的探测能力和开发能力。将改良蜂群算法与人工蜂群算法(Artificial Bee Colony,ABC)、差分进化算法(Differential Evolution,DE)、改进灰狼优化算法(Modified Grey Wolf Optimizer,MGWO)、最优导向人工蜂群算法(Guided-best Artificial Bee Colony,GABC)和改进人工蜂群算法(Improved Artificial Bee Colony,IABC)进行了多次对比实验。实验结果表明,改良蜂群算法尽管在执行时间方面比其余算法都要略微长一些,但它在更为重要的适应度、稳定性方面都优于其余几种对比算法。

基于改进型哈里斯鹰算法的云制造服务组合优化方法研究

云制造环境下,云平台以制造服务组合的形式为个性化需求提供按需服务,可显著提升订单响应速度与提高资源利用率。采用哈里斯鹰算法构建制造服务组合,针对制造服务间物流转运问题,建立独特的编码与解码机制。为解决该算法存在早熟收敛问题,引入Logistic一维混沌系统,设计非线性逃逸能量更新机制和3种邻域搜索策略。通过实验验证了改进后的哈里斯鹰算法在解决云制造服务组合优化问题时具有显著优越性。

基于NSGA-Ⅱ的自适应权值物联网服务组合方法

由于网络服务种类繁多,用户需求复杂多变,因此在处理面向用户需求的多目标服务组合任务时,根据用户需求偏好对多目标QoS属性进行加权处理得到的初始化目标函数,在子目标的权值处理上会产生一定的偏差,这可能使多目标优化算法在求解服务组合问题时得到的解集不准确,出现不满足用户实际需求的情况。所以本文提出了一种面向用户需求的多目标自适应权值服务组合方法。该方法根据迭代过程中子目标均值与目标期待值之间的相对偏差值,动态修正加权系数。通过权值的修正使构建的目标函数更符合用户需求偏好,同时避免子目标陷入局部最优的困境。仿真结果表明,改进后的算法在帕累托前沿上有明显的优势,避免了局部最优,且时间复杂度远低于其他算法。随着迭代过程中权值的修正,目标函数均值也逐步贴近期待值,有效地满足了用户的需求。

面向地表覆盖Web服务组合的知识建模及推理

随着语义网技术的快速发展和OGC服务的深入应用,地表覆盖Web服务组合成为地表覆盖领域的关键挑战之一。近年来,知识建模在解决Web服务组合方面取得了重要的研究进展,但尚缺少面向地表覆盖服务组合领域的知识模型,进而对地表覆盖服务组合的准确性和智能性造成一定影响。为此,本文提出了一个面向地表覆盖服务组合的知识建模与推理方法,构建了地表覆盖服务本体(land cover service ontology,LCSOnt),并实现了基于数据预处理规则和服务链组合规则的前向链接服务组合推理机制。以地表覆盖变化检测为例,使用LCSOnt对变化检测任务、数据以及服务进行实例化,构建了变化检测服务组合知识规则。最后通过规则推理实现了变化检测服务链的生成,证明了该方法的有效性和可行性。

基于改进人工蜂群算法的云制造服务组合优化方法

为提高云制造服务组合的流程寻优质量、效率和稳定性,提出一种基于改进人工蜂群算法的云制造服务组合优化方法。首先,建立了云制造服务组合场景下的3种服务协同质量计算方法;然后,构建了一种融合服务协同质量的云制造服务组合优化模型;最后,设计了一种具有多搜索策略岛屿模型的人工蜂群算法,实现最优云制造服务组合流程的求解。实验结果表明,所提算法在组合流程的寻优质量、效率和稳定性方面均优于当前流行的人工蜂群改进算法和其他群智能算法。

蚁群BP神经网络在云制造知识服务组合优化中的应用

为实现针对复杂零件在云制造环境下知识资源的服务组合优化,建立了以QoS服务需求为优化目标的服务组合优化模型。首先,利用灰色关联分析对制造资源进行预处理以减小知识资源搜索范围,降低搜索成本。其次,利用改进的蚁群算法对知识资源进行全局优化分析,以提高匹配速度。最后,利用蚁群BP神经网络算法对解空间中最优解进行再次优化以提高知识服务组合的学习效率和学习精度。实验结果表明,灰色关联分析、改进的蚁群算法以及BP神经网络的使用,可缩短知识服务的搜索时间,提高匹配精确度,有效解决知识服务组合优化问题。

基于改进被囊群算法的云制造分包服务组合研究

针对云环境中制造任务数量庞大和分解复杂导致的制造周期长、成本高等问题,提出云制造分包服务组合方法。该方法是将任务分解为多个可并行执行的子任务,引入更多制造资源,提高市场竞争性,从而降低生产周期和成本。为高效求解云制造分包服务组合优化模型,对被囊群算法进行改进。首先共享种群个体信息,执行群体行为时融合周边个体位置,提高算法局部开发能力;其次共享个体历史信息,个体向同伴历史最优位置探索,提高算法全局开拓能力;最后根据当前搜索状态,种群自适应地调节全局开拓与局部开发行为,提高算法稳定性。通过仿真实验,证明所提方案对大规模制造任务的时间和成本控制优于对比方案。

基于改进NSGA-Ⅱ算法的多目标云制造服务组合优化研究

为了提高云制造服务组合寻优质量,提出一种基于改进NSGA-Ⅱ算法的多目标云制造服务组合优化方法。首先改进支配强度的概念来快速确定非支配解集中个体的优劣,然后对NSGA-Ⅱ算法应用不同的局部搜索策略,在算法前期加强对优秀个体的搜索以加速收敛,算法后期对稀疏个体融合邻域搜索与模拟退火算法来增加种群的多样性。最后结合企业实际案例,验证了优选模型的有效性和算法的可行性。

云制造服务组合评价方法与仿真研究综述

云制造服务组合评价理论与方法的发展是推动云制造走向智能化和自动化的重要因素,但云制造服务组合评价是一个多学科交叉的动态问题,因而难以形成统一的评价体系或是得出准确结果。为此,利用中国知网、万方数据库、爱思唯尔数据库和IEEE等四大引文数据库检索梳理2017—2022年国内外云制造服务组合相关文献,将云制造服务组合流程划分为用户需求发布、任务分解、云平台处理机、服务匹配、服务组合和资源匹配等六大模块,研究发现:现有评价方法主要包括定性与定量结合评价、多属性决策评价、静态与动态结合评价3种类型;在基于云制造服务组合、“工业4.0”生产和仿真实验3个集合交集的建模中,多主体建模方法因适合描述云制造的不确定性、分布性和动态性而常被用来仿真云制造服务系统中的实际问题。最后根据对已有相关文献的梳理研究,提出云制造服务组合领域今后有待解决或改善的四大问题:评价稳定性问题、评价方法实际应用有效性问题、应用数据缺乏问题和技术应用可靠性问题。

基于QoS感知的云制造服务组合区间多目标优化

针对云制造服务组合问题中广泛存在的不确定性,研究了一种基于服务质量(Quality of Service, QoS)感知的云制造服务组合区间多目标优化方法。该方法采用区间数来描述QoS属性的不确定性,考虑相邻子任务间的联结关系,构建以服务时间、服务成本和评价质量等QoS属性为优化目标的服务组合区间多目标优化模型,以微型多目标遗传算法为框架,引入佳点集改善初始种群,利用区间非支配分级方法,实现了对云制造服务组合区间多目标优化问题的直接求解,其求解效率也在工程示例中得到了验证。

云边环境下微服务组合系统的动态演化方法

针对云边环境下用户需求不确定导致微服务组合逻辑会随着用户需求的变化而动态调整的问题,提出了云边环境下的微服务组合系统的动态演化方法(DE4MC)。首先,自动识别用户的操作并进行相应的算法策略;其次,在部署阶段,用户提交业务流程之后,系统通过所提方法中的部署算法选择较优的节点进行部署;最后,在动态调整阶段,用户调整业务流程实例后,系统通过所提方法中的动态调整算法进行动态演化。所提方法中的两个算法均综合考虑微服务实例的迁移代价、微服务与用户的数据通信代价和微服务之间的数据流传输代价以选择较优的节点进行部署,从而缩短了运行时间,降低了演化开销。在仿真实验中,在部署阶段,所提方法的部署算法与启发式算法(HA)+二代非支配排序遗传算法(NSGA-Ⅱ)的算法组合相比,各个规模的平均运行时间缩短了9.7%,演化总开销降低了16.8%;在动态调整阶段,所提方法的动态调整算法与HA+NSGA-Ⅱ的算法组合相比,各个规模平均运行时间缩短了6.3%,演化总开销降低了21.7%。实验结果表明,所提方法保证了云边环境下微服务组合系统能在演化开销低和业务流程时间短的条件下及时演化,并且能够提供用户满意的服务质量。

一种工作流环境下能耗感知的多路径服务组合方法

当前,服务组合方法只考虑组合服务QoS的优化而不考虑组合服务的能耗优化.针对这一问题,文中首先根据不同情况提出了两种服务能耗模型;其次在基于工作流的服务组合环境下,提出了一种能耗感知的多路径服务组合方法 EAMSC.该方法对服务组合的能耗优化问题进行了数学建模,并提出了一种基于启发式的多路径服务组合算法,该算法包括两个部分:一是组合服务的可行路径查找,即在满足端到端QoS约束的前提下找出若干条可行的服务组合路径;二是请求速率的分配,即在可行的服务组合路径上依据服务能耗模型分配请求流量以降低组合服务的总体能耗.最后,仿真实验结果表明:能耗感知的多路径服务组合方法与传统的服务组合方法相比,能够在保证端到端QoS约束的基础上有效地减少组合服务的总能耗.

基于改进蚁群算法的Web服务组合优化

为解决基础蚁群算法存在的前期搜索速度慢、后期容易陷入局部最优解的问题,针对服务组合的动态性、不稳定性以及非功能属性限制等情况,提出基于改进蚁群算法的Web服务组合优化方法。首先分别介绍基本蚁群算法和L-I-ACO改进蚁群算法,再将其应用到Web服务组合优化建模中,最后通过对比实验测试两种算法的性能。实验结果表明,L-I-ACO改进蚁群算法性能较好,它弥补了基础蚁群算法的不足,提高了动态组合优化过程中的准确率和效率,更利于选取符合客户要求的服务。

基于改进NSGA-II算法的物联网服务组合优化研究

物联网服务组合是促进物联网发展和实现资源增值的一项关键技术。对于单个的物联网服务,其功能有限,若将若干物联网服务进行组合得到功能更加强大的复合服务,则可以提升复合服务的性能。以往的物联网服务组合模型研究多关注时间、成本、质量等等,较少考虑国家的能源消耗要求和物联网平台的用户体验问题以及物联网平台的安全性。原始NSGA-II算法在种群迭代过程中容易出现提前收敛或局部收敛问题。考虑上述情况,本文提出一种新的评价模型,并改进NSGA-II算法,并用改进后的算法求解该模型。最后通过一个物联网服务组合的算例,表明改进的NSGA-II算法求解的帕累托面更加平滑,算法运行时间减少6.216%,证明了模型的有效性,以及改进算法的先进性。

云制造环境下3D打印服务组合优化研究

3D打印技术融合云制造模式形成的3D打印云服务具备低成本、跨区域、协同化的特点,可满足用户日益增长的个性化定制的需求。为解决3D打印云服务的合理分配问题和保障3D打印云平台高效运行,以时间和成本为优化目标,构建5约束优化模型,提出一种引入全局最优解信息的人工蜂群算法。通过仿真实验对算法性能、优化目标的选取进行分析,结果表明,改进的算法比对比算法具有更好的收敛性和稳定性,且与优化模型高度适配。

基于超级账本的蚁群因子差分进化算法的可信服务组合优化

为了保障服务组合优化过程中的QoS数据的真实性,提出了一种基于超级账本平台的可信框架;同时为了提高服务组合的优化效率,提出了一种蚁群因子的差分进化算法的服务组合优化方法(ACOF-DE)。首先,在超级账本平台上部署相应节点,构建可信框架,保障候选服务的真实性;然后,将所提出的算法以智能合约的形式,在区块链上对服务组合的优化问题进行求解,使组合过程在可信的环境下执行。该算法通过引入多种蚁群因子,比如蚁群路径因子、最优蚁群因子、信息素因子以及基于蚁群因子的差分计算,帮助算法动态控制搜索空间、记录迭代过程中的关键信息,以提高算法优化能力。最后,通过仿真实验证明可信框架可以有效地保障数据的可信;ACOF-DE相比其他智能优化算法拥有更佳的优化效率。