面向Web Services应用集成蚁群优化算法的研究

面向Web Services应用集成蚁群优化算法的研究

论文摘要

随着Web Services技术的提出,将软件作为服务的理念也逐渐深入人心。Web服务具有良好的开放性、互操作性、语言和平台的无关性等优点,使其成为解决异构系统集成的首选。现有的Web服务应用集成采取被动的交互模式,Web服务通过接口中定义的操作来显示激活。如果Web服务是自治的且仅支持暂时合作,这种被动方式就有很大局限性:因为暂时合作关系不采用任何先验安排。服务必须动态发现正确的合作伙伴以便协同准备并对高层业务过程提供支持。为了便于服务间按需实时联系的建立,就有必要建立Web服务间的动态和暂时交互关系,通过他们之间的这种关系来找到一个好Web服务。而要找到这样一个好的动态的Web服务,并且用最快最经济的方法来找到它,这就是求解最优路径问题。本文的主要工作就是用改进的蚁群优化算法来求解面向Web Services应用集成中的路径问题。本文首先对蚁群算法的基本原理进行了介绍,研究了蚁群算法的机理分析以及它的特点,同时也对基本蚁群算法和改进的蚁群算法作了一些研究。然后阐述了Web Services的核心支持技术:XML,SOAP,WSDL,UDDI以及扩展的协议栈,并给出面向Web Services的模型框架图,论述了用改进的蚁群算法来求解面向Web Services应用集成中最优路径问题的可行性。最后,本文结合有关概率统计方面的知识证明了:用蚁群算法求解最短路径的收敛性,并给出了它的验证仿真图。本文所设计的面向Web Services应用集成蚁群优化算法经系统仿真证明,能有效地找到所需要的Web服务,从而提高Web服务的利用率。因此本文所设的面向Web Services应用集成蚁群优化算法对提高Web服务的质量有很重要的影响,能够创造明显的经济效益。由于面向Web Services应用集成的问题还是一个新的技术问题,将蚁群算法的应用研究扩展到面向Web Services应用集成对蚁群算法的发展也具有非常重要的意义。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 研究背景与研究意义
  • 1.2 论文的主要工作
  • 1.3 论文的研究内容与成果
  • 1.4 本章小结
  • 第二章 蚁群算法原理和研究
  • 2.1 蚁群算法原理
  • 2.1.1 蚂蚁觅食的现象
  • 2.1.2 人工蚁群与真实蚁群的联系
  • 2.1.3 蚁群算法的生物学原理
  • 2.2 蚁群算法机理分析
  • 2.3 蚁群算法的特点
  • 2.4 蚁群算法的研究现状
  • 2.4.1 国外研究
  • 2.4.2 国内研究
  • 2.5 蚁群算法中一些参数的选择
  • 2.5.1 α和β的选择
  • 2.5.2 ρ的选择
  • 2.6 两种基本蚁群算法
  • 2.6.1 基本蚁群算法(AS)
  • 2.6.2 相遇蚁群算法(MMMAS)
  • 第三章 WEB SERVICES 实现技术研究
  • 3.1 WEB SERVICES 技术
  • 3.1.1 Web Services 的概念
  • 3.1.2 Web Services 的关键技术
  • 3.2 WEB SERVICES 的分析
  • 3.2.1 Web Services 的基本特性分析
  • 3.2.2 Web Services 开发生命周期
  • 3.3 WEB SERVICES 的体系结构
  • 3.4 WEB SERVICES 和系统集成
  • 3.5 采用WEB SERVICES 系统集成的优点
  • 3.6 面向WEB SERVICES 的应用集成框架(如下图)
  • 3.6.1 事务管理引擎
  • 3.6.2 SOAP 路由器
  • 3.6.3 各服务台的主要功能
  • 3.6.4 Web Services 适配器
  • 3.7 面向WEB 服务集成方案的先进性
  • 第四章 面向简单WEB SERVICES 应用集成蚁群优化算法的研究
  • 4.1 最短路径概述
  • 4.2 最短路的蚁群算法收敛性分析
  • 4.3 面向简单的WEB SERVICES 应用集成中蚁群优化算法
  • 4.3.1 Web Services 应用集成模型
  • 4.3.2 面向简单的Web Services 应用集成蚁群优化算法的研究
  • 第五章 面向复杂WEB SERVICES 应用集成蚁群优化算法的研究
  • 5.1 面向复杂的WEB SERVICES 应用集成模型
  • 5.2 蚁群优化算法实现及分析
  • 5.2.1 基本算法的设计
  • 5.2.2 算法的改进
  • 5.3 蚁群算法实现流程
  • 5.4 两种算法的实验结果比较
  • 第六章 总结
  • 6.1 工作总结
  • 6.2 创新工作
  • 6.3 下一步的工作
  • 参考文献
  • 附录 TSP 问题ATT48
  • 致谢
  • 读研期间发表的论文和参与的科研项目
  • 相关论文文献

    • [1].改进蚁群优化算法的移动机器人路径规划研究[J]. 传感器与微系统 2020(04)
    • [2].改进蚁群优化算法的最优物流配送路径设计[J]. 现代电子技术 2020(09)
    • [3].基于生命周期的二元蚁群优化算法[J]. 模式识别与人工智能 2014(11)
    • [4].基于交互式的并行蚁群优化算法[J]. 计算机系统应用 2015(02)
    • [5].一个修改的混沌蚁群优化算法[J]. 物理学报 2013(17)
    • [6].二元蚁群优化算法研究综述[J]. 计算机应用研究 2012(04)
    • [7].蚁群优化算法研究[J]. 长江大学学报(自然科学版)理工卷 2009(03)
    • [8].基于蚁群优化算法的配电网重构[J]. 电气应用 2015(24)
    • [9].一种用于云计算资源调度的双向蚁群优化算法[J]. 计算机测量与控制 2015(08)
    • [10].蛋白质折叠问题的蚁群优化算法研究[J]. 计算机应用与软件 2013(08)
    • [11].蚁群优化算法及其理论进展[J]. 科技创新导报 2012(10)
    • [12].基于蚁群优化算法的线状目标简化模型[J]. 测绘学报 2011(05)
    • [13].激励机制改进蚁群优化算法用于全局路径规划[J]. 科学技术与工程 2017(20)
    • [14].基于蚁群优化算法求解最大团问题的研究[J]. 南华大学学报(自然科学版) 2017(03)
    • [15].带有动态参数决策模型的改进蚁群优化算法[J]. 科学技术与工程 2010(02)
    • [16].区域破坏重建的蚁群优化算法[J]. 计算机工程与应用 2020(14)
    • [17].随机用户均衡交通分配问题的蚁群优化算法[J]. 交通运输工程学报 2018(03)
    • [18].基于相关度的蚁群优化算法对内热源位置的识别[J]. 上海理工大学学报 2015(03)
    • [19].一种改进的基于云环境的蚁群优化算法[J]. 重庆邮电大学学报(自然科学版) 2012(06)
    • [20].基于蚁群优化算法的复杂背景图像文字检测方法[J]. 计算机应用 2011(07)
    • [21].求解多目标资源分配问题的改进蚁群优化算法[J]. 微电子学与计算机 2011(10)
    • [22].基于蚁群优化算法的无人船艇航线自动生成及路径规划[J]. 舰船电子工程 2019(03)
    • [23].基于微分进化-蚁群优化算法的潜航器航路规划[J]. 四川兵工学报 2015(01)
    • [24].融合分级诱导策略的自适应蚁群优化算法[J]. 传感器与微系统 2020(11)
    • [25].应急资源多目标优化调度模型与多蚁群优化算法研究[J]. 计算机研究与发展 2013(07)
    • [26].蚁群优化算法的研究与改进[J]. 内蒙古农业大学学报(自然科学版) 2012(02)
    • [27].基于改进蚁群优化算法的客运专线旅客出行方式选择[J]. 系统工程 2008(01)
    • [28].基于蚁群优化算法的无线传感器网络路由协议[J]. 系统仿真学报 2008(18)
    • [29].多目标度约束最小生成树的蚁群优化算法求解[J]. 数学理论与应用 2017(01)
    • [30].改进的重叠蚁群优化算法[J]. 计算机科学与探索 2014(08)

    标签:;  ;  ;  ;  

    面向Web Services应用集成蚁群优化算法的研究
    下载Doc文档

    猜你喜欢