[发明专利]一种云平台下组合服务优选方法

权利要求书

1.一种云平台下组合服务优选方法，其特征在于，包括如下步骤：

步骤一、初始数据获取

具体是指，获取客户端任务需求T，根据任务复杂程度，将任务需求分解为多个具有关联属性的子项目Δ_i，i＝1、2、...n；其中n为总的子项目数量；针对子项目T_i的功能需求，在云平台服务中为各子项目Δ_i生成相应的候选云服务组其中m为子项目Δ_i的候选云服务总数；

根据各子项目T_i之间的关联属性，从每个子项目Δ_i的候选云服务组中选择一个云服务进行组合，形成任务需求的若干候选的总云服务组R＝{RS₁、RS₂、....RS_n}；

步骤二、建立多指标优选模型

若任务需求T的总云服务组只有唯一的服务组合，则以该总云服务组确定为最佳服务组合；

若任务需求T的总云服务组存在多种服务组合，则对于每种服务组合，建立其相应的多指标优选模型：

Minimize F＝{f_t、f_c、f_e、f_s、f_cr}

其中，f_t(x)是云服务时间成本指标；f_c(x)是云服务支付成本指标；f_e(x)是云服务质量指标；f_s(x)是云服务可行性指标；f_cr是云服务可信度指标；x是决策向量，T_D是指各子项目从数据发送直至接收完成的总的预期延迟时间；T_M是指各子项目总的服务执行性时间；C_M是指总服务成本，C_V是指硬件支付成本；R_i是指历史数据中服务RS_i的执行成功次数，A_i是指历史数据中任务RS_i的执行总次数；M_i是指在历史数据中服务RS_i出现异常情况下任务需求T完成的总次数，F_i是指指在历史数据中服务RS_i出现异常的总次数；P_i是指服务RS_i的可信度指标，0≤P_i≤1；

步骤三、多指标优选模型优化转换为多目标遗传优化

子项目和云服务之间的关联性，使前述云服务时间成本指标f_t(x)、云服务支付成本指标f_c(x)、云服务质量指标f_e(x)、云服务可行性指标f_s(x)、云服务可信度指标f_cr之间具有遗传特性；利用NGSA-Ⅲ遗传算法进行优化选择，基于前述指标模型控制量，得到优化目标种群：Q_t＝T_D+T_M、Q_c＝C_M+C_v、

步骤四、多目标遗传算法求解，包括：

对每一个子项目对应的所有的候选服务采用实数进行编码，得到各子项目对应的所有候选服务的唯一编码序；基于候选服务的约束条件进行筛选和随机采样程序，以云服务组R＝{RS₁、RS₂、....RS_L}中云服务RS_l对应的具体子项目，采样得到在对应的编码向量X_RSl＝{X₁、X₂、..X_l..X_L}；以编码向量X_RSl＝{X₁、X₂、....X_L}为个体构建种群数量为N的初始化种群PX；其中是X_l指第l个子项目选取的候选服务在编码序列中的位置；对于任意待繁殖个体，在初始化种群PX中选择k·N(k≤1)数目的个体形成该待繁殖个体的交配个体候选集，在交配个体候选集中确定与待繁殖个体欧式距离最小的待交配个体；以待繁殖个体和待交配个体为基础生成子代个体，并基于环境选择机制选择最佳的子代个体进行迭代，直至生成最终的子代个体，基于该最终子代个体对应的编码向量确定最终的云服务组合方案。