[发明专利]一种基于成本效益优化的多目标服务组合方法

摘要

本发明公开了一种基于成本效益优化的多目标服务组合方法，包括多目标服务组合模型和基于精英指导的多目标人工蜂群算法EMOABC两部分，多目标服务组合模型中，以最大化服务质量，最小化成本为两个优化目标，将服务组合问题建模为多目标整数规划模型；EMOABC算法用蜜蜂的觅食来模拟对服务组合方案的搜索。本发明提出的基于成本效益优化的多目标服务组合模型可以满足用户的复杂需求，提出的EMOABC算法无论在运行效率还是求解质量上相较于其他算法均具有明显优势。

主权项

1.一种基于成本效益优化的多目标服务组合方法，其特征在于，包括以下步骤：1)构建基于成本效益优化的多目标服务组合模型，将服务组合问题建模为多目标整数规划模型；具体包括以下步骤：1‑1)、构建最大化服务质量优化目标：1‑1‑1)、计算每个单一服务wsi,j的质量属性，记为：q(wsi,j)＝{qrt,qa,qt,qre}，其中，ws_i,j表示第i个服务群S_i中的第j个候选服务，且1≤i≤m，m为服务群的数量，且1≤j≤n，n为候选服务的数量，假设所有服务群中候选服务的数量均相等；q_rt为单一服务的反馈时间，q_a为单一服务的可用性，q_t为单一服务的吞吐量，q_re为单一服务的信誉；1‑1‑2)、计算组合服务cs的质量属性，记为：Q(cs)＝{Qrt,Qa,Qt,Qre}，其中，cs表示组合服务，Qrt为组合服务的反馈时间，Qa为组合服务的可用性，Qt为组合服务的吞吐量，Qre为组合服务的信誉；1‑1‑3)、对组合服务的质量属性进行归一化操作，用Q_k统一表示组合服务的质量属性Q_rt,Q_a,Q_t,Q_re，且1≤k≤r，r为质量属性的个数，归一化结果用UniQ_k来表示；Q_a，Q_t，Q_re的归一化计算公式如下：Qrt的归一化计算公式如下：其中，maxQk表示所有组合路径中第k维属性的最大值，minQk表示所有组合路径中第k维属性的最小值；1‑1‑4)、构建优化目标，采用简单加权和法来计算组合服务的质量，令组合服务的各质量属性的权重分别为ωrt,ωa,ωt,ωre，则组合服务的质量函数fper的计算方法如下：fper＝UniQrt*ωrt+UniQa*ωa+UniQt*ωt+UniQre*ωre  (3)其中，Qrt的归一化结果为UniQrt，Qa的归一化结果为UniQa，Qt的归一化结果为UniQt，Qre的归一化结果为UniQre；1‑2)、构建最小化成本优化目标：记服务的成本为qc，组合时，其聚合函数为：服务的成本函数fc用归一化值来表示，计算公式为：其中，maxQc表示所有组合路径中属性qc的最大值，minQc表示所有组合路径中属性qc的最小值；1‑3)、构建基于成本效益优化的多目标服务组合模型：令组合服务的质量最大化maxfper，成本最小化minfc为两个优化目标，为便于求解，将maxfper转化为min(‑fper)，转化后模型如下：miny＝f(x)＝[‑fper,fc]  (6)约束条件：Qrt≤RTQa≥AQt≥TQre≥REQc≤C其中，y表示目标函数，RT、A、T、RE、C分别表示反馈时间、可用性、吞吐量、信誉、成本的全局约束；2)采用基于精英指导的多目标人工蜂群算法对步骤1)构建的多目标服务组合模型进行求解；具体包括以下步骤：2‑1)、对食物源进行编码，所述食物源为服务组合方案，具体是采用整数数组编码方法对服务组合方案进行编码；2‑2)、进行算法初始化：随机产生SN个可行解{x₁,x₂,...,x_SN}即食物源作为初始种群，SN表示食物源的数量，第d个食物源为x_d，且1≤d≤SN；每个可行解x_d均为m维数组，表示为：其中，m为服务群的数量，在该数组中，每个元素表示服务群S_i对应的候选服务ws_i,j的下标j的值，其值为[lb,ub]范围内的整数，下界lb为1，上界ub为该服务群中候选服务的总数n；初始化具体包含以下步骤：2‑2‑1)、的初始化计算公式为：其中，为向下取整操作，重复执行m次，得到m维数组xd；2‑2‑2)、判断产生的可行解xd是否满足约束条件式(7)，如满足，就继续；如不满足，则返回步骤2‑2‑1)重新生成可行解；2‑2‑3)、根据公式(3)和公式(5)计算可行解xd的目标函数(‑fper)和fc的值；2‑2‑4)、重复执行步骤2‑2‑1)和步骤2‑2‑2)，直到产生SN个可行解{x1,x2,...,xSN}；2‑2‑5)、对生成的SN组食物源进行非支配排序，并计算其拥挤距离；2‑2‑6)、保存目前种群中排名为1的解作为精英解集；2‑3)、雇佣蜂行为：2‑3‑1)、每一只雇佣蜂d在其所依附的食物源xd的领域内根据精英指导策略进行局部搜索，并计算新的食物源位置vd的目标函数(‑fper)和fc值，重复执行SN次，产生2*SN组食物源；2‑3‑2)、对生成的2*SN组食物源进行非支配排序，并计算其拥挤距离；2‑3‑3)、保存目前种群中排名为1的解作为精英解集；2‑3‑4)、根据种群选择策略选择前SN组作为当前新的种群P；2‑4)、观察蜂行为：2‑4‑1)、每一只观察蜂依据选择概率采取轮盘赌法来选择食物源，并在当前所附食物源xd的邻域内根据精英指导策略进行局部搜索，并计算新的食物源位置vd的目标函数(‑fper)和fc值；2‑4‑2)、对生成的新的食物源集合进行非支配排序，并计算其拥挤距离；2‑4‑3)、保存目前种群中排名为1的解作为精英解集；2‑4‑4)、根据种群选择策略选择前SN组作为当前新的种群P；2‑5)、侦查蜂行为：当食物源迭代limit次均无更新时，雇佣蜂成为侦察蜂，随机产生一个新的食物源位置重新开始搜索，其中limit值在算法初始化过程中进行设置；2‑6)、判断迭代次数是否达到最大循环次数MCN，达到则返回当前种群P作为最优解集P*；否则返回步骤2‑3)；3)根据步骤2)的求解结果，用户选择一种服务组合方案。