基于混合多目标粒子群算法的工作流服务聚合问题研究

论文摘要

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。

论文目录

• 中文摘要
• 英文摘要
• 1 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 工作流服务聚合技术研究现状
• 1.2.2 多目标粒子群优化算法研究现状
• 1.3 课题主要研究内容
• 1.4 论文组织结构
• 1.5 本章小结
• 2 粒子群算法及多目标优化相关理论
• 2.1 粒子群算法的介绍
• 2.1.1 基本粒子群算法
• 2.1.2 标准粒子群算法
• 2.1.3 离散粒子群算法
• 2.2 粒子群算法的关键理论
• 2.2.1 种群拓扑结构
• 2.2.2 算法参数分析
• 2.2.3 参数收敛域
• 2.3 多目标优化的问题描述
• 2.4 传统多目标优化方法
• 2.4.1 加权法
• 2.4.2 约束法
• 2.4.3 目标规划法
• 2.4.4 极大极小法
• 2.5 传统优化方法的局限
• 2.6 本章小结
• 3 多目标粒子群优化算法的研究
• 3.1 多目标粒子群优化算法的主要问题
• 3.2 多目标粒子群优化算法关键理论
• 3.2.1 适应度分配
• 3.2.2 全局最优解和个体最优解的选取
• 3.2.3 外部档案文件管理
• 3.2.4 惯性权重的调节
• 3.3 改进的混合多目标粒子群优化算法IHMOPSO
• 3.3.1 IHMOPSO 算法的过程描述
• 3.3.2 IHMOPSO 算法的结构流程
• 3.4 本章小结
• 4 基于改进算法 IHMOPSO 的工作流动态服务聚合问题研究
• 4.1 Qos 约束的工作流动态服务聚合模型
• 4.1.1 工作流动态服务聚合基本概念定义
• 4.1.2 Qos 约束的工作流动态服务聚合模型
• 4.1.3 工作流动态服务聚合多目标优化模型构建
• 4.2 基于改进算法IHMOPSO 的工作流动态服务聚合过程描述
• 4.2.1 服务聚合流程初始化和编码策略
• 4.2.2 服务聚合问题的IHMOPSO 算子定义
• 4.2.3 惯性权重设置
• 4.2.4 种群划分
• 4.2.5 全局最优解和个体最优解的选取
• 4.2.6 精英种群的交叉变异策略
• 4.2.7 精英种群的更新方式
• 4.3 IHMOPSO 解决工作流动态服务聚合问题实验分析
• 4.3.1 实验步骤
• 4.3.2 实验结果及分析
• 4.4 本章小结
• 5 总结与展望
• 5.1 全文总结
• 5.2 前景展望
• 致谢
• 参考文献
• 附录
• A.作者在攻读学位期间发表的论文目录
• B.作者在攻读硕士学位期间参与的科研项目