1.一种基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:包括,将一个完整的Web服务抽象为一个n个任务数*m个服务数的服务请求;
建立Web服务组合模型,并以体验质量QoE为评价指标建立Web服务组合模型的适应度函数Ffitness(QoEbest);
将所述适应度函数Ffitness(QoEbest)作为基于反向学习的混沌蜂群策略的目标函数,求其全局最优值;
利用基于反向学习的混沌蜂群策略对Web服务组合进行优化。
2.如权利要求1所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述适应度函数Ffitness(QoEbest)包括,将子任务的候选服务的可靠性、可用性和响应时间输入至模糊专家系统,获得所述体验质量QoE;进而得到对应于Web服务组合模型的适应度函数Ffitness(QoEbest)的值;
其中,所述适应度函数Ffitness(QoEbest)的计算公式为:式中,n为子服务的数量;QoEi表示第i个子服务体验质量。
3.如权利要求1所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述基于反向学习的混沌蜂群策略包括,设置初始化参数、随机初始化N只蜜蜂的位置;
根据正态分布,自适应选择使用反向学习策略的蜜蜂数并更新蜜蜂解中的组合数;
根据更新的组合数,计算N只蜜蜂的适应度,并更新全局最优值;
在雇佣蜂阶段,更新每只蜜蜂的解,并计算每只蜜蜂的适应度,利用贪心策略保留最优解;
第一次迭代进入观察蜂阶段时,计算前a%的适应度的极差,更新正态分布的参数;按大小将所述适应度进行排序,并对适应度前a%的蜜蜂解进行更新,其余的蜜蜂解向当前全局适应度最高的方向更新;
计算每只蜜蜂的适应度,并更新最优解;
判断是否存在超过最大不更新次数限制不更新的蜜蜂;若存在,则利用反向学习策略更新蜜蜂解,并重新计算蜜蜂的适应度;
若不存在,则检查是否满足终止条件,若满足则输出最优值,否则,则继续根据所述正态分布,自适应选择使用反向学习策略的蜜蜂数并更新蜜蜂解中的组合数。
4.如权利要求3所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述初始化参数包括,
设置普通蜂群种群数量为N,最大迭代次数为MCN,最大不更新次数限制为limit;
设置观察蜂适应度前a%的个数,设置默认的正态分布的平均值为μ和方差为σ^2;
设置Web服务集: 其中, 为第n个子任务选择第jn个选择。
5.如权利要求4所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述正态分布包括,
正态分布函数的分布律p(t)为:p(t)=1‑Φ(t)
其中,Φ(t)为正态分布概率分布函数。
6.如权利要求3或4所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述雇佣蜂阶段包括,
根据下式更新所述每只蜜蜂的解:其中, 的随机数,Xij(t)为在t代的第i个任务第j个服务组合,k为在[1,N]中不与i相同的正整数,Xij(t+1)为在t+1代的第i个任务第j个服务组合。
7.如权利要求6所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:还包括,
更新所述适应度前a%的蜜蜂解:Xij(t+1)=Xij(t)+2(Cn‑0.5)(Xij(t)‑Xij(t))+(Xij(t)‑Xwj(t))其中,Cn为混沌变量;Cij表控制变量,当μ=4,0≤Cij(t)≤1时,系统处于混沌状态;k为在[1,N]中不与i相同的正整数,w为全局最优值的解的下标;
更新所述其余的蜜蜂解:
8.如权利要求3所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:更新所述正态分布的参数包括,
计算所述前a%的适应度的极差,再用所述极差除以最大适应度,若值小于6%,则修改默认的正态分布的参数,加大前期反向学习的蜜蜂数,即为标准化后的正态分布函数右移
0.3的位置,使得前期的最大反向学习的蜜蜂数为总的蜂群数的60%。
9.如权利要求8所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述利用反向学习策略更新蜜蜂解包括,Xij(t+1)=Xiup+θ(Xilow‑Xij(t))其中,Xi为随机初始化的子任务编号,Xlow,Xup分别是子任务中选择的个数的下界和上界,θ∈(0,1)为随机数。
10.如权利要求3所述的基于反向学习的混沌蜂群Web服务组合优化方法,其特征在于:所述终止条件包括,
达到最大迭代次数或最优解的适应度函数值满足超过30代最大适应度值不变或者30代内适应度值变化在1%以内就视为收敛。