论文部分内容阅读
将多个工作流服务聚合为具有特定功能的服务来满足用户对复杂功能的需求已经成为一个研究热点。由于工作流服务不断增加,服务聚合往往会出现大量的备选方案,用户期望从这些方案中选择满足Qos全局最优的工作流服务聚合流程。现有服务聚合方法大多都是基于Qos局部最优原则,无法满足对Qos全局最优的需求。本文将满足Qos全局最优的工作流动态服务聚合问题转化为带约束的多目标优化问题。针对粒子群算法求解多目标优化问题上的优势,提出一种改进的混合多目标粒子群算法(IHMOPSO)。算法引入遗传算法中的交叉变异策略,并通过自适应的惯性权重调节和基于拥挤距离的全局最优解概率选择机制,改善了多目标粒子群算法收敛慢、容易陷入局部最优的缺陷。本文主要工作包括:①在对工作流动态服务聚合问题研究基础上,将满足Qos全局最优要求的动态服务聚合问题转化为带约束的多目标优化问题。②通过对多目标粒子群优化算法中的几种关键理论的分析,针对多目标粒子群算法的主要问题,提出一种改进的混合多目标粒子群优化算法。该算法利用遗传算法中的交叉变异策略,对精英种群中个体进行交叉变异,同时采用基于拥挤距离的全局最优解概率选择机制,保证Pareto最优集的多样性;自适应的惯性权重的设置,保证算法在全局搜索和局部搜索之间达到平衡;将种群划分为精英种群和普通种群,保证算法的收敛速度。③构建基于Qos的工作动态流服务聚合多目标优化模型,采用改进的混合多目标粒子群优化算法求解该多目标优化问题。④对本文所提方法进行实验验证:结合祥弘办公自动化系统的项目,构建工作流服务聚合实例模型,采用IHMOPSO算法对工作流服务聚合多目标优化问题进行求解。对算法的收敛速度及解集分布进行分析,说明本算法的可行性,将实验结果与同类方法比较,验证本算法的有效性。通过对本课题实验结果进行分析,本算法可收敛到一组满足Qos全局最优的服务聚合流程供用户选择,实验结果表明本算法具有较好的收敛速度和种群多样性。