楊真諦 秦江龍,2 李 彤,2* 韓 煦 藏傳宇 陳長賡

1(云南大學(xué)軟件學(xué)院 云南 昆明 650091) 2(云南省軟件工程重點(diǎn)實(shí)驗(yàn)室 云南 昆明 650091)

用戶QoS需求導(dǎo)向的服務(wù)演化選擇策略

楊真諦1秦江龍1,2李 彤1,2*韓 煦1藏傳宇1陳長賡1

1(云南大學(xué)軟件學(xué)院 云南 昆明 650091)2(云南省軟件工程重點(diǎn)實(shí)驗(yàn)室 云南 昆明 650091)

服務(wù)型軟件以其特有的優(yōu)點(diǎn)被廣泛應(yīng)用，而面向QoS服務(wù)選擇問題的解決能更有效地推動(dòng)服務(wù)的普及。組合服務(wù)的演化性要求在服務(wù)發(fā)生演化時(shí)，從具有相同功能的候選服務(wù)中選擇滿足用戶QoS需求的候選服務(wù)。為了在滿足用戶QoS需求的情況下選擇最優(yōu)的服務(wù)，基于遺傳算法，提出一種用戶QoS需求導(dǎo)向的服務(wù)演化選擇策略。通過淘汰不滿足用戶QoS需求的候選服務(wù)，快速排除不符合需求的服務(wù)，并最終選擇符合用戶QoS需求的服務(wù)組合。實(shí)驗(yàn)結(jié)果表明，用戶QoS需求導(dǎo)向的服務(wù)演化選擇策略能夠較優(yōu)和較快地解決服務(wù)組合選擇問題，并保證用戶QoS需求，為服務(wù)選擇提供一種新的方法和思路。

QoS 服務(wù)組合 用戶QoS需求 遺傳算法 服務(wù)選擇

0 引 言

隨著互聯(lián)網(wǎng)的發(fā)展，以及軟件即服務(wù)模式的流行，互聯(lián)網(wǎng)服務(wù)在教育、商務(wù)、企業(yè)等不同的領(lǐng)域發(fā)揮著不可替代的作用，服務(wù)的概念深入人心。一方面，由于服務(wù)可能是以不同的方式創(chuàng)建、不同程序語言實(shí)現(xiàn)、由不同的供應(yīng)商提供的，服務(wù)的請(qǐng)求需要根據(jù)特定的應(yīng)用背景和需求進(jìn)行合理的服務(wù)組合；另一方面，由于服務(wù)組件或基本服務(wù)不可能很復(fù)雜[1]，不能滿足現(xiàn)代企業(yè)多樣性的應(yīng)用需求，因此組合服務(wù)應(yīng)運(yùn)而生[2]。

構(gòu)造性和演化性是軟件的兩個(gè)基本特性[3]。服務(wù)軟件也是如此，組合服務(wù)也具有演化性。組合服務(wù)演化時(shí)，應(yīng)該從候選服務(wù)集中選擇出滿足用戶功能性和非功能性需求的候選服務(wù)來對(duì)組合服務(wù)進(jìn)行演化。服務(wù)質(zhì)量QoS是描述服務(wù)非功能性屬性的主要評(píng)價(jià)標(biāo)準(zhǔn)，同時(shí)基于QoS的服務(wù)選擇在服務(wù)組合中扮演著相當(dāng)重要的角色[4-5]。在互聯(lián)網(wǎng)中，提供相同功能的服務(wù)越來越多，但這些服務(wù)的QoS值并不相同。與此同時(shí)，用戶對(duì)服務(wù)進(jìn)行演化時(shí)的服務(wù)QoS要求更為嚴(yán)格。因此，在服務(wù)演化時(shí)，根據(jù)服務(wù)的QoS屬性來選擇滿足用戶QoS需求的服務(wù)策略顯得尤為重要。

本文通過服務(wù)的QoS模型，將服務(wù)演化時(shí)面向QoS服務(wù)選擇的問題轉(zhuǎn)化為求解用戶QoS需求導(dǎo)向，多元非線性目標(biāo)函數(shù)組合優(yōu)化問題，提出了用戶QoS需求導(dǎo)向的遺傳算法GALUR(Genetic Algorithm Led by User Requirements)。在服務(wù)演化時(shí)，以用戶QoS需求為導(dǎo)向，引入用戶QoS需求向量來計(jì)算個(gè)體適應(yīng)度，利用用戶QoS需求淘汰不滿足用戶需求的候選服務(wù)，從而快速地排除不符合要求的個(gè)體，并且能夠較快地跳出局部最優(yōu)解，使種群朝著滿足用戶的需求方向進(jìn)化，最終選擇出符合用戶QoS需求的服務(wù)組合。

1 相關(guān)研究

基于QoS的服務(wù)選擇是一個(gè)NP難問題[6]，而遺傳算法可以有效地解決這類問題[7]。解決此問題的方案有很多，例如文獻(xiàn)[8]中提出運(yùn)用關(guān)系矩陣編碼方式，克服了一維編碼方式表示的局限性；文獻(xiàn)[9]描述定義了組合服務(wù)并且提出利用遺傳算法來解決服務(wù)組合問題；文獻(xiàn)[10]中提出了一種變異策略，在種群變異階段提出了自適應(yīng)變異算子，保證了算法的收斂性；文獻(xiàn)[11]中提出了一種數(shù)據(jù)預(yù)處理方法，先為每個(gè)抽象服務(wù)優(yōu)選出若干候選服務(wù)以減少解空間規(guī)模；文獻(xiàn)[12]中提出了變權(quán)QoS參數(shù)，即動(dòng)態(tài)調(diào)整變權(quán)因子、交叉和變異因子來解決此問題；文獻(xiàn)[13]中提出一種遺傳算法和果蠅優(yōu)化算法相結(jié)合的方法來解決云平臺(tái)上的服務(wù)組合問題，在選擇個(gè)體時(shí)，提出了一種新的方法，考慮個(gè)體間的多樣性來防止過早地收斂和跳出局部最優(yōu)解，利用果蠅優(yōu)化算法防止在進(jìn)化過程中丟失具有潛力的個(gè)體；文獻(xiàn)[14]中提出一種遺傳算法和啟發(fā)式算法結(jié)合的方法來解決服務(wù)組合問題，引入的啟發(fā)式算法能夠有效地跳出局部最優(yōu)解。但在組合服務(wù)演化時(shí)，這些方案均忽視了用戶QoS需求在服務(wù)選擇中的意義，不能夠直接在候選服務(wù)層面體現(xiàn)用戶QoS需求，不能夠完全地按照用戶QoS需求來選擇服務(wù)，完成服務(wù)演化。

因此，本文將提出一種新的選擇服務(wù)思路，充分重視用戶QoS需求在服務(wù)演化選擇時(shí)的作用，在候選服務(wù)的適應(yīng)度和選擇上體現(xiàn)用戶的QoS需求，提出了一種在服務(wù)演化時(shí)，以用戶QoS需求為導(dǎo)向的服務(wù)選擇策略。

2 服務(wù)QoS模型

2.1 服務(wù)QoS模型

文獻(xiàn)[9]對(duì)服務(wù)QoS的描述如下：

設(shè)一個(gè)組合服務(wù)S需要完成n個(gè)功能F，如式(1)所示。若每個(gè)功能由一個(gè)子服務(wù)完成，即S由n個(gè)子服務(wù)ss組合完成，其中，每個(gè)子服務(wù)ss具有m個(gè)QoS屬性。

S= (F1,F2,…,Fn)T=(ss1,ss2,…,ssn)T=

(1)

其中：qij表示第i個(gè)子服務(wù)的第j個(gè)QoS屬性值。

本文將涉及到5個(gè)QoS屬性，故m取值為5。

2.2 QoS屬性

本文借鑒文獻(xiàn)[15]中的QoS模型，從執(zhí)行價(jià)格、執(zhí)行期間、聲望、成功率和可用性五個(gè)方面對(duì)服務(wù)的QoS屬性進(jìn)行評(píng)價(jià)，五個(gè)QoS屬性定義如下：

執(zhí)行價(jià)格：服務(wù)每次執(zhí)行時(shí)需要的成本，成本記為qpr；

執(zhí)行期間：表示請(qǐng)求服務(wù)至收到服務(wù)結(jié)果的時(shí)間段，由服務(wù)處理請(qǐng)求時(shí)間Tprocess和請(qǐng)求與結(jié)果傳輸時(shí)間Ttrans組成，執(zhí)行期間記為qdu，則qdu=Tprocess+Ttrans；

2.3 QoS屬性組合

表1 服務(wù)組合QoS屬性組合函數(shù)表

2.4 QoS屬性歸一化

通過表1計(jì)算得出的QoS屬性值具有不同的量綱和取值范圍，不能有效地統(tǒng)一評(píng)價(jià)服務(wù)，因此，需要對(duì)不同的QoS屬性進(jìn)行歸一化處理，將取值范圍不同的QoS屬性值轉(zhuǎn)化成無量綱并且范圍都在[0,1]之間的值。有些QoS屬性取值越小，表示服務(wù)性能越高，屬于成本型屬性，例如執(zhí)行價(jià)格和執(zhí)行期間；有些QoS屬性取值越大，表示服務(wù)評(píng)價(jià)越高，屬于效益型屬性，例如聲望、成功率和可用性。因此，將兩種屬性分為兩個(gè)公式對(duì)其歸一化，成本型屬性用式(2)歸一化，效益型屬性用式(3)歸一化。

(2)

(3)

2.5 QoS屬性權(quán)重

2.6 用戶QoS需求

不同用戶對(duì)服務(wù)有不同的非功能性需求，即QoS需求。為了使組合服務(wù)演化后得到的結(jié)果嚴(yán)格地符合用戶QoS需求，演化向著用戶QoS需求的方向進(jìn)行。定義用戶需求向量R=(r1,r2,…,rm)，其中rj∈[0,1]，rj根據(jù)用戶提出的需求，進(jìn)行歸一化處理得出。

3 用戶QoS需求導(dǎo)向的服務(wù)選擇策略

通過對(duì)組合服務(wù)候選服務(wù)的QoS屬性評(píng)估與建立模型，將候選服務(wù)進(jìn)行順序、選擇和并行組合。在服務(wù)演化時(shí)，以用戶QoS需求為導(dǎo)向，引入用戶QoS需求向量來計(jì)算個(gè)體適應(yīng)度，利用用戶QoS需求淘汰不滿足用戶需求的候選服務(wù)，從而快速地排除不符合要求的個(gè)體，并且能夠較快地跳出局部最優(yōu)解，使種群朝著滿足用戶的需求方向進(jìn)化，最終選擇出符合用戶QoS需求的服務(wù)組合。

3.1 適應(yīng)度函數(shù)設(shè)計(jì)

陳小華：小的個(gè)體戶活起來還可以，只要對(duì)客戶要求不大就永遠(yuǎn)踩不死。一些垂直的領(lǐng)域也有機(jī)會(huì)，比如綠植全國第一、沙發(fā)保養(yǎng)全國第一，然后和一些平臺(tái)進(jìn)行合作，但如果說在平臺(tái)層面，已經(jīng)基本沒有創(chuàng)業(yè)機(jī)會(huì)了。

一般適應(yīng)度函數(shù)只能夠單一體現(xiàn)個(gè)體在環(huán)境中的適應(yīng)度值，不能夠體現(xiàn)用戶QoS需求與個(gè)體的關(guān)系。遺傳算法是根據(jù)生物進(jìn)化理論和遺傳變異理論提出的一種算法，其主要思想是通過不斷地進(jìn)化，淘汰適應(yīng)度低的個(gè)體，使適應(yīng)度高的個(gè)體存活。根據(jù)遺傳算法的思想，引入用戶QoS需求向量設(shè)計(jì)適應(yīng)度函數(shù)。

定義式(4)為適應(yīng)度函數(shù)。在計(jì)算候選服務(wù)的QoS屬性值之前，定義式(5)，利用示性函數(shù)表示候選服務(wù)的QoS屬性是否滿足用戶的需求，只有當(dāng)候選服務(wù)的每一個(gè)QoS屬性滿足用戶QoS需求時(shí)，示性函數(shù)為1，其他情況則為0。對(duì)滿足需求的候選服務(wù)計(jì)算其加權(quán)后的QoS屬性值，再將每個(gè)候選服務(wù)的QoS屬性值按照順序、選擇和并行結(jié)構(gòu)的相應(yīng)計(jì)算公式計(jì)算，得到組合服務(wù)S的適應(yīng)度函數(shù)值。這樣就能夠?qū)⒂脩鬛oS需求體現(xiàn)到每一個(gè)候選服務(wù)的適應(yīng)度計(jì)算中，不符合用戶QoS需求的個(gè)體則會(huì)表現(xiàn)出低適應(yīng)度，在選擇時(shí)被淘汰，滿足需求的個(gè)體繼續(xù)存活，使種群朝著滿足用戶QoS需求方向進(jìn)化。

(4)

(5)

3.2 選擇函數(shù)設(shè)計(jì)

一般的選擇函數(shù)只是負(fù)責(zé)從群體中選擇出具有最高適應(yīng)度的個(gè)體，沒有將用戶QoS需求引入選擇過程，不能夠在選擇中體現(xiàn)用戶QoS需求。為改進(jìn)這一問題，在選擇函數(shù)中將用戶需求與輪盤賭選擇法相結(jié)合，采用用戶QoS需求導(dǎo)向的輪盤賭選擇法，即每個(gè)個(gè)體被選擇概率由個(gè)體的適應(yīng)度與當(dāng)代所有滿足用戶QoS需求個(gè)體的適應(yīng)度共同決定。定義式(6)為個(gè)體被選擇概率函數(shù)。

(6)

由于引入了用戶的QoS需求，因此在選擇的時(shí)候，能夠快速地將不滿足用戶QoS需求的個(gè)體淘汰，滿足需求的個(gè)體繼續(xù)存活到下一代，使種群朝著滿足用戶QoS需求方向進(jìn)化。

3.3 編碼方式

采用二進(jìn)制編碼方式，將能夠完成相同功能F對(duì)應(yīng)的具有不同QoS屬性的子服務(wù)ss的唯一標(biāo)識(shí)用二進(jìn)制的方式進(jìn)行編碼。功能Fn的候選子服務(wù)集合記為Fn_CS={ss1,ss2,…,ssn}，其中，ss1的唯一標(biāo)識(shí)為1，故可編碼為0000 0001；ss2的唯一標(biāo)識(shí)為2，故可編碼為0000 0010；以此類推。因此，如果服務(wù)S需要完成兩個(gè)功能，并且每個(gè)功能選擇了標(biāo)識(shí)為1的候選子服務(wù)進(jìn)行組合，則S對(duì)應(yīng)的二進(jìn)制編碼為：0000 0001, 0000 0001。

3.4 變異與交叉

變異和交叉能夠增大種群的隨機(jī)多樣性，使種群能夠向更多方向進(jìn)化，從而得到不同適應(yīng)度的解。變異方法選擇隨機(jī)位置變異，利用變異率與種群大小來決定變異個(gè)體的數(shù)量，確定變異個(gè)體后，隨機(jī)選擇基因位來進(jìn)行變異。交叉方法選擇兩點(diǎn)交叉，交叉率與種群大小決定通過交叉取代種群個(gè)體的數(shù)量，然后隨機(jī)選擇兩個(gè)位置進(jìn)行交叉。

4 實(shí)驗(yàn)結(jié)果及分析

為了檢驗(yàn)用戶需求導(dǎo)向的服務(wù)演化選擇策略的有效性，將該方法(GALUR)與傳統(tǒng)的沒有用戶需求導(dǎo)向的遺傳算法在不同結(jié)構(gòu)組合的情況下分別進(jìn)行實(shí)驗(yàn)，對(duì)解集的適應(yīng)度和算法執(zhí)行時(shí)間進(jìn)行對(duì)比和分析。無論哪種仿真對(duì)比，都采用相同的軟硬件環(huán)境，即中央處理器為酷睿 I7-2.4 GHz，內(nèi)存8 GB，操作系統(tǒng)為Windows 10，開發(fā)語言為Java，IDE為IntelliJ IDEA2016.2的實(shí)驗(yàn)環(huán)境；所有實(shí)驗(yàn)的運(yùn)行數(shù)據(jù)采用相同數(shù)據(jù)，并且多次測(cè)量取平均值。由于本文只涉及了5種QoS屬性值，因此，為每個(gè)候選子服務(wù)隨機(jī)生成在一定范圍內(nèi)取值的五個(gè)不同的屬性值；為了消除不同權(quán)重對(duì)結(jié)果的影響，取每個(gè)QoS屬性權(quán)重相同，即W=(0.2,0.2,0.2,0.2,0.2)；為了消除不同用戶QoS需求對(duì)結(jié)果的影響，取每個(gè)用戶QoS需求相同，即R=(0.5,0.5,0.5,0.5,0.5)；初始種群數(shù)為10；變異率和交叉率為0.5。

4.1 順序結(jié)構(gòu)組合下的適應(yīng)度和執(zhí)行時(shí)間對(duì)比

當(dāng)子服務(wù)順序結(jié)構(gòu)組合時(shí)，可以從圖1中看出，GALUR策略選擇的解均優(yōu)于傳統(tǒng)策略選擇出的解，并且隨著進(jìn)化代數(shù)的增長，兩者選出解的適應(yīng)度也在增長。但傳統(tǒng)策略在10 000代的時(shí)候收斂于一個(gè)比較低的適應(yīng)度，并且不能夠跳出局部最優(yōu)解，而采用GALUR策略得到適應(yīng)度隨著進(jìn)化代數(shù)的增長呈遞增趨勢(shì)，能夠得到一個(gè)較優(yōu)的解。由圖2可知，GALUR策略執(zhí)行時(shí)間一直低于傳統(tǒng)的選擇策略。

圖1 順序結(jié)構(gòu)適應(yīng)度比較圖

圖2 順序結(jié)構(gòu)執(zhí)行時(shí)間比較圖

4.2 選擇結(jié)構(gòu)組合下的適應(yīng)度和執(zhí)行時(shí)間對(duì)比

當(dāng)子服務(wù)選擇結(jié)構(gòu)組合時(shí)，可以從圖3中看出，GALUR策略在第1 000代時(shí)選擇出的解劣于傳統(tǒng)策略的解，但是隨著進(jìn)化代數(shù)的增加，適應(yīng)度的增長比傳統(tǒng)策略更加迅速，在第4 000代到第6 000代的時(shí)候，GALUR收斂到一個(gè)適應(yīng)度，過了第6 000代后，傳統(tǒng)策略也開始收斂。而GALUR策略經(jīng)過2 000代的進(jìn)化，成功地跳出了之前收斂到的局部最優(yōu)解并繼續(xù)增長，9 000代后收斂到一個(gè)比傳統(tǒng)策略更優(yōu)的解，傳統(tǒng)策略經(jīng)過4 000代進(jìn)化并沒有跳出局部最優(yōu)解。并且由圖4可知，GALUR策略執(zhí)行時(shí)間一直低于傳統(tǒng)的選擇策略。

圖3 選擇結(jié)構(gòu)適應(yīng)度比較圖

圖4 選擇結(jié)構(gòu)執(zhí)行時(shí)間比較圖

4.3 并行結(jié)構(gòu)組合下的適應(yīng)度和執(zhí)行時(shí)間對(duì)比

當(dāng)子服務(wù)并行結(jié)構(gòu)組合時(shí)，可以從圖5中得出GALUR策略在第1 000代的時(shí)候得到的解比傳統(tǒng)策略得到的適應(yīng)度低。但隨后逐漸上升，從第2 000代開始，適應(yīng)度相近，傳統(tǒng)策略在4 000代開始平穩(wěn)，經(jīng)過3 000代進(jìn)化以后跳出局部最優(yōu)解，適應(yīng)度有小幅度提升，然后開始收斂。而GALUR策略第6 000代進(jìn)入平穩(wěn)階段，經(jīng)過1 000代的進(jìn)化，適應(yīng)度開始提升，在第8 000代開始收斂。由此看來GALUR策略得到的解要優(yōu)于傳統(tǒng)策略得到的解，同時(shí)由圖6可知，GALUR策略執(zhí)行時(shí)間一直低于傳統(tǒng)的選擇策略。

圖5 并行結(jié)構(gòu)適應(yīng)度比較圖

圖6 并行結(jié)構(gòu)執(zhí)行時(shí)間比較圖

4.4 實(shí)驗(yàn)結(jié)果分析

通過三組實(shí)驗(yàn)，我們將從兩個(gè)方面來分析這兩種選擇策略。

在適應(yīng)度方面來看，GALUR策略在子服務(wù)順序組合時(shí)得到的適應(yīng)度一直高于傳統(tǒng)的策略。在選擇和并行組合時(shí)得到的適應(yīng)度，雖然前期與傳統(tǒng)策略得到的適應(yīng)度相近，但最后GALUR策略能夠收斂到優(yōu)于傳統(tǒng)策略的解。從圖中可以看出，傳統(tǒng)策略低于GALUR策略是因?yàn)閭鹘y(tǒng)策略不能迅速地跳出局部最優(yōu)解，而GALUR策略在計(jì)算個(gè)體適應(yīng)度時(shí)，引入了用戶QoS需求作為導(dǎo)向，淘汰不滿足需求的候選服務(wù)，能夠快速地跳出局部最優(yōu)解，得到更好的個(gè)體。

在執(zhí)行時(shí)間方面來看，GALUR策略引入用戶QoS需求作為導(dǎo)向，逐代快速地淘汰不滿足需求的子服務(wù)，減少了每代需要考慮的候選服務(wù)數(shù)量，有效地降低算法執(zhí)行的時(shí)間。

通過三組實(shí)驗(yàn)得到結(jié)論，GALUR選擇策略在順序、選擇和并行結(jié)構(gòu)組合中得到的適應(yīng)度較高，同時(shí)花費(fèi)的時(shí)間較短，因此，GALUR選擇策略能夠較優(yōu)和較快地解決服務(wù)組合選擇問題。

5 結(jié) 語

隨著軟件即服務(wù)模式的流行，服務(wù)型軟件以其特有的優(yōu)點(diǎn)被廣泛應(yīng)用，而面向QoS服務(wù)選擇問題的有效解決能更有效推動(dòng)服務(wù)的普及，使服務(wù)由一種技術(shù)轉(zhuǎn)化為真正可以為人們使用的工具。人們提出許多方案來解決基于QoS的服務(wù)選擇問題，其中基于遺傳算法的解決方案是一種新穎的全局優(yōu)化解決方案[6,17]。在組合服務(wù)演化時(shí)，這些策略幾乎都忽視了用戶QoS需求，只能選擇出適應(yīng)度最高的候選服務(wù)，并不能夠得到滿足用戶QoS需求的候選服務(wù)。還有一些策略，雖然考慮了用戶需求，但只是在最終組合以后考慮到用戶的需求，并沒有將用戶需求滲入到候選服務(wù)層面，不能夠完全體現(xiàn)用戶的QoS需求。在深入研究服務(wù)組合和遺傳算法的基礎(chǔ)上，本文提出了一種用戶QoS需求導(dǎo)向的服務(wù)演化選擇策略，為服務(wù)選擇策略提供了一種新的方法和思路。該算法采用二進(jìn)制編碼方式，并在個(gè)體適應(yīng)度的計(jì)算和選擇中，引入用戶需求向量，在進(jìn)化的過程中，能夠快速地淘汰不滿足需求的候選服務(wù)。在組合服務(wù)演化時(shí)，考慮了用戶的非功能性需求，使服務(wù)選擇能充分的反映用戶QoS需求，提高了服務(wù)在演化時(shí)選擇的質(zhì)量和效率，為服務(wù)選擇提供了一種新的方法和思路。

[1] 岳昆,王曉玲,周傲英.Web服務(wù)核心支撐技術(shù):研究綜述[J].軟件學(xué)報(bào),2004,15(3):428-442.

[2] Chen M,Wang Z.An Approach for Web Services Composition Based on QoS and Discrete Particle Swarm Optimization[C]//Eighth Acis International Conference on Software Engineering,Artificial Intelligence,Networking,and Parallel/distributed Computing,2007:37-41.

[3] 楊芙清.軟件工程技術(shù)發(fā)展思索[J].軟件學(xué)報(bào),2005,16(1):1-7.

[4] Menasce D A.QoS issues in Web services[J].Internet Computing IEEE,2002,6(6):72-75.

[5] Menasce D A.Composing Web services:a QoS view [J].IEEE Internet Computing,2004,8(6):88-90.

[6] Canfora G,Dipenta M,Esposito R,et al.A lightweight approach for QoS-aware service composition[C]//Proceedings of the 2nd International Conference on Service Oriented Computing.New York,2004:232-239.

[7] Rojas I,Gonzalez J,Pomares H,et al.Statistical analysis of the main parameters involved in the design of a genetic algorithm[J].IEEE Transactions on Systems Man & Cybernetics Part C,2002,32(1):31-37.

[8] 張成文,蘇森,陳俊亮.基于遺傳算法的QoS感知的Web服務(wù)選擇[J].計(jì)算機(jī)學(xué)報(bào),2006,29(7):1029-1037.

[9] 毛一梅,樂嘉錦.基于遺傳算法的Web服務(wù)組合優(yōu)化[J].計(jì)算機(jī)應(yīng)用與軟件,2008,25(11):199-201.

[10] 董元元,倪宏,鄧浩江,等.QoS全局最優(yōu)化的服務(wù)選擇策略[J].小型微型計(jì)算機(jī)系統(tǒng),2011,32(3):455-459.

[11] 葉恒舟,關(guān)云慧.基于局部選擇和遺傳算法的QoS感知的服務(wù)組合方法[J].小型微型計(jì)算機(jī)系統(tǒng),2016,37(7):1389-1392.

[12] 吳青林,周天宏.基于服務(wù)質(zhì)量的動(dòng)態(tài)Web服務(wù)組合方法研究[J].計(jì)算機(jī)應(yīng)用與軟件,2016,33(5):20-23.

[13] Seghir F,Khababa A.A hybrid approach using genetic and fruit fly optimization algorithms for QoS-aware cloud service composition[J].Journal of Intelligent Manufacturing,2016:1-20.

[14] Shahrokh P,Safi-Esfahani F.QoS-based web service composition applying an improved genetic algorithm (IGA) method[J].International Journal of Enterprise Information Systems,2016,12(3):60-77.

[15] Zeng L,Benatallah B,Ngu A H H,et al.QoS-aware middleware for Web services composition[J].IEEE Transactions on Software Engineering,2004,30(5):311-327.

[16] Saaty T L.Analytic hierarchy process[M]//Encyclopedia of Biostatistics,2001:19-28.

[17] Zhang L J,Li B,Chao T,et al.On demand Web services-based business process composition[C]//IEEE International Conference on Systems,Man and Cybernetics.IEEE,2003,4:4057-4064.

ASTRATEGYFORSERVICESELECTIONINTHEEVOLUTIONOFSERVICESBASEDONQOSUSERREQUIREMENT

Yang Zhendi1Qin Jianglong1,2Li Tong1,2*Han Xü1Zang Chuanyu1Chen Changgeng1

1(CollegeofSoftware,YunnanUniversity,Kunming650091,Yunnan,China)2(KeyLaboratoryforSoftwareEngineeringofYunnanProvince,Kunming650091,Yunnan,China)

The widely use of service software with its unique advantages has promoted through the effective solution of QoS service selection problem. The evolution of composition services requires that select the candidate services which meet the user QoS requirement from the set of the same functional services during the evolution. In order to satisfy the user’s QoS requirement and select the optimal services, we propose a user QoS requirement oriented service evolution selection strategy based on genetic algorithm. By eliminating candidate services that do not meet user QoS requirements and quickly excluding services that do not meet requirements, a service portfolio that meets the user’s QoS needs is ultimately selected. The experimental results show that the user QoS demand oriented service evolution selection strategy can solve the problem of service composition selection better and faster, and guarantee the user’s QoS requirement. It provides a new method and thinking for service selection.

QoS Services composition User QoS requirement Genetic algorithm Service selection

2016-12-21。國家自然科學(xué)基金項(xiàng)目(61379032)。楊真諦，碩士，主研領(lǐng)域：軟件工程，軟件演化，軟件過程。秦江龍，教授。李彤，教授。韓煦，碩士。藏傳宇，碩士。陳長賡，碩士。

TP3

A

10.3969/j.issn.1000-386x.2017.12.016