1.一种基于动态飞行蚁群算法的Web服务组合优化方法,其特征在于:包括,当用户向系统提出服务请求时,系统对服务请求进行任务分解;
建立Web服务组合模型,模糊专家系统通过服务质量QoS参数求出体验质量QoE的值,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(QoE);得到对应于Web服务组合模型的适应度函数Ffitness(QoE)的值,并以求得的适应度函数的值作为优化目标;
采用动态飞行蚁群算法对Web服务组合进行优化,得到满足用户需要的服务组合的最优结果;
所述动态飞行蚁群算法,其步骤如下:
(1)设置初始化参数并在初始位置随机初始化M只蚂蚁;
(2)每只蚂蚁根据状态转移概率公式,使用轮盘调度方法选择下一个Web服务;
(3)每只蚂蚁进行本地信息素更新;
(4)判断所有蚂蚁是否选择完所有服务,若是,计算每只蚂蚁产生解的适应度值;否则返回步骤(2);
(5)根据解的适应度值选择本次迭代的最优解和最佳蚂蚁,最佳蚂蚁进行全局信息素更新;
(6)判断解决方案是否有改进,若是,产生NS个相邻节点;否则进入步骤(9);
(7)计算中间节点到NS个相邻节点的距离;
(8)向NS个相邻节点注入信息素;
(9)判断是否满足终止条件,若是,输出最优解,否则进入步骤(2);
所述步骤(6)中,当前迭代产生的最优解较之前最优解有改进时,该迭代过程的最佳蚂蚁发生飞行,相邻节点NS的数量的计算公式如下:gb kl
式中,L (t)表示本次迭代中最优路径的长度,L (t)表示本次迭代中第k只蚂蚁的路径长度,N表示任务集的数量,t表示当前迭代次数,tmax表示最大迭代次数;相邻节点的数量取决于两方面:一方面是解的质量,在当前次迭代中,如果最优路径略短于其他路径,即最优解略优于其他解,则相邻节点数目应较大,鼓励在以后的迭代中进行探索,如果最优路径比其他路径短得多,即最优解比其他解好得多,则相邻节点数目应较小,鼓励在以后的迭代中进行开发;另一方面是迭代次数,相邻节点的数量随迭代次数的增大而减小;
所述步骤(8)中,向相邻节点注入信息素量的计算公式如下:式中,τij(t+1)是最佳路径上全局更新的信息素;d0(ηjl)是同一任务中Web服务j与其邻接Web服务l距离的归一化值;一个相邻节点接收到的信息素数量与它与最优路径上的节点之间的距离成反比,这使得蚂蚁更有可能在未来的迭代中探索这些节点,从而鼓励探索。
2.如权利要求1所述的基于动态飞行蚁群算法的Web服务组合优化方法,其特征在于:所述模糊专家系统根据隶属函数和推理规则预测出服务质量QoE的取值。
3.如权利要求1或2所述的基于动态飞行蚁群算法的Web服务组合优化方法,其特征在于:步骤(1)中所述初始化参数具体包括:信息启发式因子α,期望启发式因子β,信息素挥发系数ρ,初始化信息素值τ0,相邻节点数NS,最大迭代次数tmax,任务集T=[t1,t2,...,tn],每个任务ti包含一个Web服务集CWS=[cws1,cws2,...,cwsm]。
4.如权利要求3所述的基于动态飞行蚁群算法的Web服务组合优化方法,其特征在于:步骤(2)中所述状态转移概率公式如下:
式中, 表示在t时刻第k只蚂蚁由服务i移动到服务j的概率,allowedk表示在t时刻第k只蚂蚁接下来可以选择的服务,α表示信息启发式因子,β表示期望启发式因子,ηij(t)表示由服务i移动到服务j的期望程度,根据轮盘赌方法,蚂蚁将选择移动到概率较大的服务。
5.如权利要求4所述的基于动态飞行蚁群算法的Web服务组合优化方法,其特征在于:步骤(3)中所述本地信息素更新公式如下:
τij(t+1)=(1‑ρ)τij(t)+ρτ0
式中,ρ表示信息素挥发系数,τ0表示迭代开始时信息素的初始值;
步骤(5)中,所述全局信息素更新的计算公式如下:
τij(t+1)=(1‑ρ)τij(t)+ρΔτij(t)式中,ρ表示信息素挥发系数,为了防止信息素无穷的累计,一般ρ的取值范围为[0,1),gbΔτij(t)表示执行完一次寻优后线路(i,j)上的信息素增量,初始化时Δτij(t)=0;L (t)表示本次迭代中最优路径的路径长度,t表示当前迭代次数。
6.如权利要求5所述的基于动态飞行蚁群算法的Web服务组合优化方法,其特征在于:步骤(7)中,相邻节点到中间节点的距离的计算公式如下:式中,C表示成本,RT表示响应时间,A表示可用性,R表示可靠性,x表示在任务ti中由最佳蚂蚁获得的最佳Web服务,y表示任务ti中与x相邻的Web服务之一。
7.如权利要求6所述的基于动态飞行蚁群算法的Web服务组合优化方法,其特征在于:步骤(9)中,所述终止条件为达到最大迭代次数或最优解的适应度函数值满足误差条件。