《结合语义与事务属性的QoS感知的服务优化选择.docx》由会员分享，可在线阅读，更多相关《结合语义与事务属性的QoS感知的服务优化选择.docx（2页珍藏版）》请在三一文库上搜索。
1、结合语义与事务属性的QoS感知的服务优化选择对种群C中的每个个体进行高频变异和选择，生成新的种群C1。在克隆选择的过程中更新最优值和最优个体。步骤6在C1种群中选择个体进行知识启发式的交叉、变异与选择操作，生成种群C2， 在交叉与变异的过程中更新最优值和最优个体，k=k+1， 返回步骤3。4实验及结果分析以下通过仿真实验分析算法的可行性和有效性。实验环境为Pentium 2.0GHz，内存2GB，操作系统Windows 7（32位），开发语言为C+。实验中的顺序类型组合服务含有7个抽象服务，如图2所示。实验中考虑了四种QoS属性：价格、响应时间、可用性和可靠性，并参考文献【1】在取值范围内生成
2、相应的指标数据。所有生成服务的接口都用领域本体概念进行标注，每个概念都有相应的祖先向量和关联强度向量。服务的事务属性从p， c， r， cr中随机选择。θ用来表示全局约束的强度。对于积极属性Qi与消极属性Qj，分别用式（11）与（12）计算θ。本文将从迭代次数、候选服务数量、全局约束强度三个方面比较混合算法、穷举法与传统的遗传算法的性能，分析各算法的优劣。算法中种群数量设置为200，交叉概率为0.8，变异概率为0.2，最大迭代次数为300。 各对比算法分别独立运行30次，从而求得平均值。4.1迭代次数方面的性能比较当候选服务数量为50，全局约束强度为0.1的情况下，算法
3、性能对比如图5所示。从图5（a）中可以看出，随着迭代次数的增加，混合算法求得的最优值稳步增长。混合算法通过采用知识启发式的交叉、变异和克隆选择操作，进一步提高了搜索效率，求得的最优值高于传统遗传算法的最优值。在300次迭代时，混合算法求得的最优值近96%，而遗传算法的最优值在90%左右。图5（b）中，随着迭代次数的增加，混合算法的执行时间相应增长，但相比穷举法，其时间花费较低，能够在满足精度的情况下有较好的时间效率。4.2候选服务数量方面的性能比较设定迭代次数为300，全局约束强度为0.1，候选服务的数目分别为50，60，…，100。图6给出了最优值的比较，随着候选服务数目的增长
4、，混合算法与遗传算法搜索到的最优值都有所降低，但混合算法的最优值明显高于遗传算法的最优值。当候选服务数量为100时，混合算法的最优值近91%，而遗传算法只有85%左右。本文的算法在不同的问题规模情况下均能够得到较好的解，由此可以验证混合算法解决大规模组合服务选择问题的可行性和有效性。4.3约束强度方面的性能比较设定迭代次数为300，候选服务的数目为50，约束强度分别为0.1，0.2，…，0.6。模拟100次用户请求，分析本文算法在成功率与搜索最优解上的性能，其中成功率指100次请求中找到可行解的概率。图7（a）中，随着约束强度的增加，算法的成功率都有所降低，这是因为满足强约束条件
5、的可行解的概率降低，但混合算法仍有较高的成功率。图7（b）给出了最优值的比较。混合算法求得的最优值接近于穷举法的最优值。由此可见本文算法有较好的全局寻优搜索能力，能高效地搜索出满足用户约束的组合服务，同时解的质量有显著提高。以上的实验结果验证了本文的混合优化算法在降低服务选择时间的同时，保证了组合服务的质量，能够满足用户多方面的需求，从而较好地应对了目前候选服务数量爆炸式增长对服务选择带来的挑战。5结语现有的QoS感知的服务选择中很少考虑语义链接匹配度和事务属性，而QoS值仅仅反映出组合服务的一部分非功能属性，无法满足用户多维度的需求。在服务选择过程中，若只考虑细粒度，则会导致无法求得最优组合
6、服务。针对以上问题，本文研究并提出了面向多维度和多粒度的服务选择模型，并基于该模型设计了混合优化算法。该混合优化算法采用动态的适应度函数，将启发式的交叉、变异算子与克隆选择相结合，以增强全局搜索能力。实验结果表明，该混合优化算法增强了种群的多样性，收敛性好，在全局约束下的大规模服务选择方面有较好性能。下一步将在并发需求模式下研究服务选择问题，并进一步改进算法的性能。参考文献：【1】ZENG L， BENATALLAH B， NGU A H H， et al. QoS-aware middleware for Web services composition . IEEE Transaction
7、s on Software Engineering， 2004， 30（5）： 311-327.【2】ARDAGNA D， PERNICI B. Adaptive service composition in flexible processes . IEEE Transactions on Software Engineering， 2007， 33（6）： 369-384.【3】ALRIFAI M， RISSE T. Combining global optimization with local selection for efficient QoS-aware service comp
8、osition / WWW09： Proceedings of the 18th International Conference on World Wide Web. New York： ACM， 2009： 881-890.【4】王尚广，孙其博，杨放春.基于全局QoS约束分解的Web服务动态选择.软件学报，2011，22（7）：1426-1439. （WANG S G， SUN Q B， YANG F C. Web service dynamic selection by the decomposition of global QoS constraints . Journal of Software， 2011， 22（7）： 1426-1439.）出处：计算机应用