[发明专利]一种基于改进磷虾群算法的服务组合优化方法

说明书

本发明属于云服务的组合优化领域，具体涉及一种基于改进磷虾群算法的服务组合优化方法，包括以下步骤：步骤1：随机生成N个磷虾，将每个服务组合方案映射为一个磷虾个体位置，得到初始磷虾种群，并设置磷虾群算法的参数；步骤2：计算磷虾的诱导运动向量N_i、觅食运动F_i、扩散运动D_i；步骤3：根据步骤2计算的结果更新磷虾的位置；步骤4：进行自适应精英交叉操作，并产生新的磷虾个体位置；步骤5：计算步骤4产生的磷虾个体的适应度值并排序，记录最佳磷虾个体位置的适应度值；步骤6：判断是否满足终止条件，如果满足，结束迭代，将步骤4产生新的磷虾个体的位置还原回服务组合方案并输出，否则返回步骤2。

技术领域

本发明属于云服务的组合优化领域，具体涉及一种基于改进磷虾群算法的服务组合优化方法。

背景技术

随着SOA技术的发展，大量资源通过服务的方式被用户调用。由于单个服务性能单一，当面对用户复杂需求时，需要将单个服务组合成复合服务以满足用户需求，从而产生了服务组合问题。服务组合问题中，当具有确定的服务工作流程时，问题演变成从抽象服务对应的候选服务集中选择合适的服务以形成最佳的复合服务。为了评价服务组合方案的优劣，引入了QoS指标来衡量服务的非功能属性。基于QoS的服务组合优化能在满足用户功能需求的基础上，使得复合服务总体非功能属性也达到最佳。

服务组合优化问题中，随着抽象服务和具体服务数量的增多，可能的组合方案数呈爆炸性增长，通过遍历的方式寻找最优解的方法变得不再可行。智能优化算法由于可以在较短时间内找到全局最优或者近似全局最优解，常被用于解决服务组合优化问题。现有遗传算法、蚁群算法、粒子群算法、烟花算法、花朵授粉算法、蜂群算法等智能优化算法来求解服务组合问题。这些研究的关注点集中于提高收敛速度和全局最优解的质量，增强算法跳出局部最优解的能力，本质上是在提高全局搜索能力和局部搜索能力之间寻找一个平衡。然而这些算法均存在易陷入局部最优解的问题，寻优能力仍有提升空间。

Gandomi等在南极磷虾群生存运动行为的基础上，在2012年提出了一种磷虾群算法(以下简称KH算法)。KH算法认为磷虾个体的运动位置受诱导活动、觅食活动和扩散活动影响，同时诱导活动中邻居磷虾和最优磷虾均会对磷虾个体的运动产生诱导，觅食运动中食物位置和最佳磷虾的位置均会对磷虾觅食行为产生影响，从而设计了全局搜索和局部搜索两种策略，两种搜索策略并行工作，显著提升了算法寻优的效率。同时，该算法借鉴了遗传的思想，在磷虾运动位置更新后进行交叉操作，有效提高了算法的寻优能力，并和其他智能优化算法进行对比，证明了KH算法较好的寻优性能。

本发明采用KH算法解决基于QoS的服务组合优化问题，尽管KH算法能在迭代初期很快地找到优秀的可行解，但随着迭代次数的增加，算法全局搜索能力下降，一定程度上也存在容易陷入局部最优解的问题。

本发明对基于QoS的服务组合优化问题，提出了一种加入自适应精英交叉算子的AECKH算法，在增加种群多样性的同时，提高了算法的搜索能力。实验证明，本文提出的AECKH算法在跳出局部最优解，提高最优解质量方面具有优于基本KH算法和PSO、ABC、FPA算法的表现。

发明内容

针对上述存在的问题，本发明提供一种基于改进磷虾群算法的服务组合优化方法，对基于QoS的服务组合优化问题，提出了一种加入自适应精英交叉算子的AECKH算法，在增加种群多样性的同时，提高了算法的搜索能力。实验证明，本文提出的AECKH算法在跳出局部最优解，提高最优解质量方面具有优于基本KH算法和PSO、ABC、FPA算法的表现。

为了实现上述目的，本发明所采用的技术方案如下：

一种基于改进磷虾群算法的服务组合优化方法，具体的包括以下步骤：