亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于優(yōu)化的灰狼算法的大規(guī)模Web服務(wù)組合

        2022-11-08 12:43:14徐雪敏張秀國肖媛元曹志英
        計(jì)算機(jī)應(yīng)用 2022年10期
        關(guān)鍵詞:灰狼適應(yīng)度文檔

        徐雪敏,張秀國,肖媛元,曹志英

        (大連海事大學(xué) 信息科學(xué)技術(shù)學(xué)院,遼寧 大連 116026)

        0 引言

        隨著Web 2.0、云計(jì)算、大數(shù)據(jù)、移動(dòng)互聯(lián)網(wǎng)和物聯(lián)網(wǎng)等技術(shù)的迅猛發(fā)展,越來越多的企業(yè)以開放Web 服務(wù)的形式在不同的云計(jì)算平臺(tái)上發(fā)布自己的服務(wù),這使得互聯(lián)網(wǎng)上不同領(lǐng)域的開放Web 服務(wù)資源數(shù)量呈爆炸式增長[1]。與此同時(shí),用戶的需求也朝著個(gè)性化、復(fù)雜化的趨勢(shì)發(fā)展。當(dāng)用戶的復(fù)雜需求無法采用單一服務(wù)滿足時(shí),就需要整合和協(xié)調(diào)來自不同領(lǐng)域的不同服務(wù),將多個(gè)功能各異的Web 服務(wù)按照服務(wù)組合方案進(jìn)行組合,形成大粒度的服務(wù)提供給用戶[2]。服務(wù)數(shù)量的迅速增加和服務(wù)的多樣性使得服務(wù)環(huán)境具有大規(guī)模的特點(diǎn),如何在大規(guī)模服務(wù)環(huán)境中組合出滿足用戶需求的組合服務(wù)成為服務(wù)計(jì)算的研究熱點(diǎn)。

        目前,研究者已經(jīng)從不同角度對(duì)大規(guī)模Web 服務(wù)組合進(jìn)行了研究,主要有以下三種方法:

        1)服務(wù)組合空間縮減。通過對(duì)服務(wù)組合空間的縮減可以有效地去除冗余服務(wù),提高服務(wù)組合的效率。Wang等[3]將Skyline 計(jì)算與Q-learning 結(jié)合用于服務(wù)組合,利用Skyline計(jì)算,選取服務(wù)質(zhì)量(Quality of Service,QoS)不被支配的服務(wù)減少候選服務(wù)數(shù)量,提高組合的效率,并結(jié)合能反映用戶偏好的強(qiáng)化學(xué)習(xí)方法來解決動(dòng)態(tài)環(huán)境下的服務(wù)組合問題;但這種篩選方法會(huì)隨著QoS 的增多而遇到維度災(zāi)難的問題。Fan等[4]將大規(guī)模Web 服務(wù)組合問題轉(zhuǎn)化為從服務(wù)依賴圖提取最優(yōu)組合,通過全局和局部的剪枝策略,去除冗余服務(wù)和無用的搜索空間,提出了一種鏈?zhǔn)絼?dòng)態(tài)規(guī)劃算法(Chained Dynamic Programming algorithm,Chain-DP);但這種算法在構(gòu)建服務(wù)之間的拓?fù)潢P(guān)系時(shí)需要消耗大量的時(shí)間,并且動(dòng)態(tài)規(guī)劃的運(yùn)行時(shí)間仍然是偽多項(xiàng)式的。

        2)基于服務(wù)質(zhì)量感知的大規(guī)模Web 服務(wù)組合優(yōu)化。張?jiān)防俚龋?]提出一種融合遺傳聚類的可靠Web 服務(wù)組合優(yōu)化模型,利用置信度表對(duì)服務(wù)進(jìn)行篩選,使用聚類和遺傳算法對(duì)組合服務(wù)集合進(jìn)行多次劃分,不但提高了組合可靠性,而且模型最終收斂于全局最優(yōu)解。Zhang等[6]在果蠅優(yōu)化算法的基礎(chǔ)上引入動(dòng)態(tài)步長、信息共享和精英策略,提高了算法的全局搜索能力和搜索效率,增加了算法在解決服務(wù)組合問題上的穩(wěn)定性。然而這些優(yōu)化算法在實(shí)際應(yīng)用時(shí)也存在著明顯的不足,例如煙花算法實(shí)現(xiàn)復(fù)雜、收斂速度緩慢而且穩(wěn)定性較差;果蠅優(yōu)化算法依賴參數(shù)的設(shè)定,容易陷入局部最優(yōu)。

        3)采用MapReduce 并行編程模型提高大規(guī)模Web 服務(wù)組合的計(jì)算效率。Jatoth等[7]提出了一種基于MapReduce 的并行引導(dǎo)變異的遺傳算法(Evolutionary Algorithm with Guided mutation,EA/G)來求解大服務(wù)組合問題,該算法引入Skyline 算子從QoS 層面篩選候選服務(wù),利用分布估計(jì)算法(Estimation of Distribution Algorithm,EDA)改進(jìn)遺傳算法,通過仿真實(shí)驗(yàn)在大服務(wù)環(huán)境下證明了該算法的可行性和優(yōu)異性。Zhang等[8]利用改進(jìn)的離散粒子群算法和MapReduce 來解決大規(guī)模動(dòng)態(tài)服務(wù)組合問題,引入Skyline 算子剔除冗余的Web 服務(wù),采用混沌序列初始化粒子群,用Chaos-Process擾動(dòng)機(jī)制處理粒子的早熟收斂狀態(tài)。并行算法在解決服務(wù)組合問題上體現(xiàn)了比串行算法更好的性能,但在面對(duì)海量的服務(wù)時(shí)仍具有較大的搜索空間。以上的算法都是仿真實(shí)驗(yàn),沒有給出具體的需求描述和真實(shí)世界的Web 服務(wù)。

        本文聚焦大規(guī)模Web 服務(wù)組合問題,以面向用戶需求的服務(wù)功能選擇為基礎(chǔ),結(jié)合群體智能算法,提出一種基于服務(wù)主題模型和灰狼算法(Grey Wolf Optimizer,GWO)的Web服務(wù)組合方法。

        1 大規(guī)模Web服務(wù)組合問題定義

        1.1 相關(guān)定義

        定義1Web 服務(wù)組合

        本文用一個(gè)三元組CWC=(T,CTRs,W)表示一個(gè)具體的Web 服務(wù)組合,其中,T={t1,t2,…,tN}表示抽象Web 服務(wù),N表示抽象Web 服務(wù)的個(gè)數(shù);CTRs是一系列控制結(jié)構(gòu),包括順序、并行、選擇和循環(huán)四種控制結(jié)構(gòu);W=(w1,w2,…,wk)表示不同QoS 對(duì)應(yīng)的權(quán)值(所有權(quán)值之和為1),k表示QoS 屬性的個(gè)數(shù)。

        定義2候選服務(wù)集

        候選服務(wù)集是一組功能上等價(jià)但QoS 屬性值不同的具體Web 服務(wù)的集合,表示為WSs=其中,是第i個(gè)抽象Web 服務(wù)的第j個(gè)具體Web 服務(wù),i∈{1,2,…,N}表示一個(gè)組合服務(wù)由N個(gè)抽象Web 服務(wù)組成,j∈{1,2,…,k}表示一個(gè)抽象Web 服務(wù)的候選服務(wù)集中有k個(gè)具體Web 服務(wù)是服務(wù)的QoS 屬性值。

        定義3服務(wù)質(zhì)量

        Web 服務(wù)質(zhì)量是指Web 服務(wù)的非功能屬性,本文用一個(gè)五元組QoS=(C,R,A,RT,TP)來表示,其中C表示價(jià)格,R表示可靠性,A表示可用性,RT表示響應(yīng)時(shí)間,TP表示吞吐量。

        由于一個(gè)Web 服務(wù)具有多個(gè)QoS 屬性,通常根據(jù)其對(duì)服務(wù)選擇的影響效果劃分為積極屬性和消極屬性兩類。為了消除不同量綱的影響,需要對(duì)QoS 進(jìn)行歸一化處理。對(duì)于積極屬性如可用性、可靠性等,它們的值越高對(duì)服務(wù)效能越有益;對(duì)于消極屬性如時(shí)間、費(fèi)用等,它們的值越低對(duì)服務(wù)效能越有益。積極屬性和消極屬性分別按照式(1)~(2)進(jìn)行歸一化計(jì)算:

        1.2 組合服務(wù)的QoS計(jì)算

        在實(shí)際應(yīng)用中,不同控制結(jié)構(gòu)下的組合服務(wù)的QoS 有不同的計(jì)算方法,本文將組合服務(wù)各個(gè)QoS 屬性用集合CWQ表示,具體形式如下:

        其中,CWqC、CWqR、CWqA、CWqRT、CWqTP分別表示組合服務(wù)的價(jià)格、可靠性、可用性、響應(yīng)時(shí)間和吞吐量,根據(jù)組成組合服務(wù)的各個(gè)Web 服務(wù)的QoS 屬性值和服務(wù)組合的控制結(jié)構(gòu)計(jì)算組合服務(wù)的QoS。

        本文以響應(yīng)時(shí)間和吞吐量為例說明在四種控制結(jié)構(gòu)下QoS 的計(jì)算方法,如表1 所示。其中:RTi、Ti、分別為第i個(gè)服務(wù)的響應(yīng)時(shí)間和吞吐量,m表示抽象服務(wù)組合中包含的抽象服務(wù)的數(shù)量,pi為選擇某分支的概率,c為循環(huán)次數(shù)。

        表1 組合服務(wù)QoS計(jì)算方法Tab.1 QoS calculation methods of composite service

        本文將大規(guī)模Web 服務(wù)組合問題歸納為一個(gè)多目標(biāo)優(yōu)化問題,使用線性加權(quán)的方式將其轉(zhuǎn)為單目標(biāo)優(yōu)化問題,通過計(jì)算組合服務(wù)的服務(wù)質(zhì)量表征組合服務(wù)的優(yōu)劣,服務(wù)質(zhì)量越大,組合服務(wù)越佳。大規(guī)模服務(wù)組合的目標(biāo)函數(shù)如式(3)所示:

        其中:fit()表示組合服務(wù)的服務(wù)質(zhì)量;maxfit()表示組合服務(wù)服務(wù)質(zhì)量的最大值;CWqi表示組合服務(wù)第i個(gè)QoS 屬性值;wi表示第i個(gè)QoS 屬性所占權(quán)重且=1,Q表示QoS 屬性的個(gè)數(shù)。

        2 基于優(yōu)化的灰狼算法的服務(wù)組合方法

        為了解決大規(guī)模Web 服務(wù)組合問題,文本提出一種基于優(yōu)化的灰狼算法和MapReduce 框架的大規(guī)模Web 服務(wù)組合方法。本文方法的框架如圖1 所示。

        如圖1 所示,該方法首先采用文檔對(duì)象模型(Document Object Model,DOM)對(duì)XML 描述的用戶需求文檔進(jìn)行解析;然后基于服務(wù)主題模型進(jìn)行服務(wù)篩選,即通過度量用戶功能需求描述和服務(wù)描述文檔的概率主題相似度篩選出各抽象Web 服務(wù)的候選服務(wù)集;最后利用MapReduce 框架并行實(shí)現(xiàn)優(yōu)化的灰狼算法以選出最佳服務(wù)組合方案。

        2.1 基于DOM的用戶需求文檔解析

        對(duì)用戶需求文檔解析可以得到抽象服務(wù)組合序列和每個(gè)抽象Web 服務(wù)的功能需求,抽象服務(wù)組合序列包含了服務(wù)之間的組合結(jié)構(gòu)信息。本文采用DOM 對(duì)XML 格式的用戶需求文檔進(jìn)行解析,獲得抽象服務(wù)組合序列和各個(gè)抽象Web 服務(wù)的功能需求。

        以一個(gè)簡單的旅游需求為例,用戶需求描述文檔中主要包含以下功能:位置查詢(t1)、酒店預(yù)定(t2)、餐廳預(yù)定(t3)、在線支付(t4)、旅游計(jì)劃(t5)、照片上傳(t6)。首先用戶查詢自己所在的位置,根據(jù)自己的位置預(yù)定周圍的酒店,同時(shí)查找和預(yù)定附近的餐廳,用在線支付功能對(duì)酒店和餐廳的訂單進(jìn)行支付,然后通過旅游計(jì)劃服務(wù)進(jìn)行旅游計(jì)劃的制定,最后將在旅游過程中拍攝的照片上傳到社交平臺(tái)上進(jìn)行分享。XML 格式的用戶需求文檔格式如下:

        用戶需求文檔經(jīng)過解析后得到的抽象服務(wù)組合序列如圖2 所示。其中,ts表示開始,tf表示結(jié)束,t2和t3是并行結(jié)構(gòu),其他服務(wù)是順序結(jié)構(gòu)。

        2.2 基于服務(wù)主題模型的服務(wù)篩選

        為了縮小候選服務(wù)規(guī)模,在獲取到抽象服務(wù)組合序列后,根據(jù)得到的各個(gè)抽象Web 服務(wù)的功能描述,對(duì)服務(wù)候選集進(jìn)行基于服務(wù)主題模型的服務(wù)篩選。

        2.2.1 服務(wù)主題模型建立

        概率主題模型是一種可以挖掘大規(guī)模文檔集合潛在主題的文本信息特征抽取技術(shù),已被廣泛開發(fā)和用于主題提取和文檔建模[9]。針對(duì)服務(wù)描述文檔,使用潛在狄利克雷分布(Latent Dirichlet Allocation,LDA)主題建模技術(shù)獲取服務(wù)描述文檔的隱含主題,能夠更加準(zhǔn)確地度量Web 服務(wù)描述文檔的語義相似度。

        本文首先將Web 服務(wù)描述文檔進(jìn)行預(yù)處理,經(jīng)過文本令牌化、小寫轉(zhuǎn)換、去除停用詞、詞形還原和抽取名詞動(dòng)詞之后,最終得到的服務(wù)描述文檔可抽象表達(dá)為dtext={w1,w2,…,wn},其中n表示服務(wù)描述文檔中詞的個(gè)數(shù),然后采用Bigrams 模型對(duì)服務(wù)功能描述進(jìn)行詞向量建模,將得到的詞向量輸入到LDA 主題模型中進(jìn)行服務(wù)主題模型的訓(xùn)練。針對(duì)服務(wù)描述文檔的LDA 主題建模過程如圖3 所示,相關(guān)符號(hào)及含義如表2 所示。

        表2 LDA主題模型符號(hào)Tab.2 Symbols of LDA topic model

        針對(duì)服務(wù)描述文檔的LDA 主題建模過程如下:

        1)對(duì)每個(gè)主題k∈{1,2,…,K}采樣生成主題k的詞分布:φk~{Dirichlet(β)}。

        2)對(duì)每篇Web 服務(wù)描述文檔m∈{1,2,…,M}采樣生成文檔m的主題分布:θm~{Dirichlet(α)}。

        3)對(duì)文檔m中每個(gè)詞n∈{1,2,…,Nm},其生成過程為:①選擇主題,從θm中抽樣生成文檔m的第n個(gè)詞的主題Zm,n~Multinomial(θm);②生成一個(gè)詞,從所選主題中抽樣生成詞wm,n~Multinomial()。

        表3 為LDA 主題模型生成的服務(wù)文檔-主題矩陣,其中:di表示服務(wù)文檔集的第i個(gè)文檔;Ti表示服務(wù)文檔集共享的第i個(gè)主題。

        表3 服務(wù)文檔-主題矩陣Tab.3 Service document-topic matrix

        2.2.2 服務(wù)篩選

        表4 為在線支付功能需求與部分服務(wù)描述文檔的JS 散度,其中di表示服務(wù)文檔集的第i個(gè)文檔。

        表4 在線支付功能需求與部分服務(wù)文檔的JS散度Tab.4 JS divergence of online payment function requirement and part of service documents

        本文根據(jù)抽象Web 服務(wù)的功能需求和服務(wù)描述文檔的JS 散度和經(jīng)驗(yàn)或者實(shí)際情況選定閾值th,為每個(gè)抽象Web 服務(wù)選出Top-k個(gè)服務(wù)構(gòu)成服務(wù)組合的候選服務(wù)集合。

        綜上,基于服務(wù)主題模型的服務(wù)篩選算法見算法1。

        算法1 基于服務(wù)主題模型的服務(wù)篩選算法。

        2.3 基于OGWO/LN的大規(guī)模Web服務(wù)組合求解

        由于大規(guī)模Web 服務(wù)組合面對(duì)的候選服務(wù)數(shù)量巨大且對(duì)時(shí)間性能要求較高,為了保證服務(wù)系統(tǒng)能在合理的時(shí)間里組成組合服務(wù)返回給用戶,本文利用MapReduce 框架將優(yōu)化的灰狼算法并行化,提高算法在解決大規(guī)模服務(wù)組合問題時(shí)的效率。

        2.3.1 對(duì)灰狼算法的優(yōu)化

        灰狼算法(GWO)是由Mirjalili等[10]于2014 年提出的一種新型群體智能優(yōu)化算法,源于對(duì)自然界中灰狼種群等級(jí)機(jī)制和捕獵行為的模擬。GWO 具有參數(shù)設(shè)置少、原理簡單等優(yōu)點(diǎn),在參數(shù)調(diào)整、經(jīng)濟(jì)調(diào)度、成本預(yù)估等問題中已經(jīng)得到廣泛的應(yīng)用[11]。GWO 將灰狼按照其社會(huì)地位從高到低劃分為α狼、β狼、δ狼、ω狼四種類型來模擬自然界灰狼的領(lǐng)導(dǎo)層級(jí),同時(shí)定義了三種灰狼的狩獵行為:包圍獵物、追捕獵物和攻擊獵物。

        GWO 具有全局搜索能力強(qiáng)、參數(shù)設(shè)置少、收斂速度快等特點(diǎn),但也存在著易陷入局部最優(yōu)的問題。為了使GWO 能更好地應(yīng)用到服務(wù)組合問題中,本文對(duì)GWO 進(jìn)行優(yōu)化。由于服務(wù)組合本質(zhì)上是一個(gè)搜索問題,需要盡可能地進(jìn)行全局搜索,為此,本文提出一種基于Logistic 混沌映射和非線性收斂因子的優(yōu)化的灰狼算法(Optimized Grey Wolf Optimizer based on Logistic chaotic map and Nonlinear convergence factor,OGWO/LN),該算法采用談發(fā)明等[12]對(duì)灰狼算法初始種群的優(yōu)化策略,用Logistic 混沌映射生成初始種群,使灰狼種群盡可能地在搜索空間中均勻分布;同時(shí),為了提高GWO的尋優(yōu)性能,提出一種非線性收斂因子來平衡算法的開發(fā)能力和探索能力。

        1)混沌生成初始種群。

        GWO 以初始種群為基礎(chǔ),通過領(lǐng)導(dǎo)層的灰狼位置和適應(yīng)度函數(shù)進(jìn)行迭代運(yùn)算生成新的狼群,因此初始種群的好壞會(huì)影響算法的收斂速度和生成結(jié)果的優(yōu)劣[13]。GWO 是通過隨機(jī)生成的方式完成種群的初始化,這種方式生成的初始種群無法保證灰狼個(gè)體在搜索空間的均勻分布[14],使得初始種群缺乏多樣性,算法容易陷入局部最優(yōu)。

        為了避免隨機(jī)生成初始種群產(chǎn)生的問題,本文采用Logistic 混沌映射生成初始種群,這樣可以在初始化種群階段讓個(gè)體盡可能地均勻分布在搜索空間里,提高算法的搜索效率。

        Logistic 混沌映射被用于生成混沌序列,是一種由簡單的確定性系統(tǒng)產(chǎn)生的隨機(jī)性序列,映射方程如式(6)所示:

        其中:∈[0,1]為在i維上的混沌變量,i=1,2,…,n表示混沌變量的序號(hào),n表示搜索空間的維數(shù);j=1,2,…,M表示種群序號(hào),M表示種群規(guī)模;μ為控制變量,當(dāng)μ=4時(shí),進(jìn)入完全混沌狀態(tài)。

        其中:ui是第j只灰狼位置第i維的解空間大小,在服務(wù)組合問題中表示第i個(gè)服務(wù)類的候選服務(wù)規(guī)模。

        2)非線性收斂因子。

        群體智能算法的性能優(yōu)劣體現(xiàn)在兩方面:一方面是探索能力即全局搜索能力;另一方面是開發(fā)能力即局部搜索能力。探索能力能夠盡可能地發(fā)現(xiàn)全局最優(yōu)解,而開發(fā)能力能提高算法的求解精度和收斂速度[15]。如何在兩種能力之間達(dá)到平衡是群體智能算法獲得較高尋優(yōu)性能的關(guān)鍵。

        由于GWO 的搜索能力主要取決于A和C兩個(gè)隨機(jī)參數(shù)進(jìn)行調(diào)節(jié),而A的取值決定于收斂因子a,a在[0,2]里隨迭代次數(shù)線性遞減,這種線性遞減與算法實(shí)際收斂過程不相符[16],所以,本文提出一種非線性收斂因子更新方式,如式(8)所示:

        其中:a表示收斂因子;t表示當(dāng)前迭代次數(shù);tmax表示最大迭代次數(shù)。

        收斂因子隨迭代次數(shù)的變化如圖4 所示。從圖4 中可以看出,本文提出的非線性收斂因子前期收斂速度較慢,在迭代前期可以擴(kuò)大搜索范圍,易于全局搜索;后期收斂速度快,在迭代后期可以提高算法的求解效率,能夠有效地平衡全局搜索和局部搜索能力。

        3)狩獵行為。

        當(dāng)灰狼判斷出獵物所在位置時(shí),由灰狼α引導(dǎo),灰狼β和灰狼δ作出配合進(jìn)行追捕行為,其他灰狼個(gè)體ω根據(jù)灰狼α、灰狼β和灰狼δ的位置來更新自己的位置。其數(shù)學(xué)描述如式(9)~(13)所示:

        其中:t表示當(dāng)前的迭代次數(shù);D表示灰狼與獵物之間的距離;A和C是系數(shù)向量;Xp(t)表示獵物的位置;X(t)表示灰狼的位置;r1和r2的模取區(qū)間[0,1]的隨機(jī)數(shù);a為收斂因子;X1、X2、X3分別表示灰狼α、β、δ追捕獵物后的更新位置;X(t+1)表示灰狼個(gè)體ω更新后的位置。

        2.3.2 MapReduce框架下基于OGWO/LN的服務(wù)組合求解

        1)編碼方式。本文采用整數(shù)編碼方式表示離散的服務(wù),每個(gè)Web 服務(wù)組合方案相當(dāng)于一只灰狼,則灰狼i在空間中的位置可以定義為Xi=(xi1,xi2,…,xin),將尋找最優(yōu)組合服務(wù)問題轉(zhuǎn)化為Xi尋求最優(yōu)解問題。其中,n=(1,2,…,N),每只灰狼的位置有N維,分別對(duì)應(yīng)服務(wù)組合路徑中的N個(gè)抽象Web 服務(wù),xij表示灰狼i在第j維的位置,在服務(wù)組合過程中對(duì)應(yīng)一個(gè)抽象Web 服務(wù)從候選服務(wù)集中選擇的服務(wù)編號(hào)。計(jì)算每個(gè)灰狼個(gè)體的適應(yīng)度值,對(duì)該灰狼對(duì)應(yīng)的服務(wù)組合方案進(jìn)行評(píng)估,判斷組合服務(wù)的優(yōu)劣。具體編碼模式如圖5所示。

        灰狼迭代尋優(yōu)過程中,其位置常有越出邊界的現(xiàn)象,為此本文按式(14)對(duì)超出搜索范圍的灰狼個(gè)體進(jìn)行越界處理。

        2)基于MapReduce 框架的大規(guī)模Web 服務(wù)組合算法求解。MapReduce 是由L?mmel[17]提出的用于處理海量數(shù)據(jù)的并行編程模型,它主要有兩個(gè)核心函數(shù):Map 函數(shù)和Reduce函數(shù)。本文用MapReduce 模型將OGWO/LN 并行化以解決大規(guī)模服務(wù)組合問題。

        在種群初始化階段,用Logistic 混沌映射生成N只灰狼的初始種群并計(jì)算出每只灰狼的適應(yīng)度值,找出適應(yīng)度排名前三的三只灰狼,將初始狼群以文件的形式存儲(chǔ)在分布式文件系統(tǒng)HDFS中,作為第一個(gè)MapReduce Job 的輸入。文件中的灰狼信息以鍵值對(duì)的形式存放,每只灰狼占一行,Key 是灰狼的編號(hào),Value 是灰狼的相關(guān)信息,灰狼的結(jié)構(gòu)如表5 所示。

        表5 鍵值對(duì)結(jié)構(gòu)Tab.5 Structure of key-value pair

        其中,灰狼的位置Xi=(xi1,xi2,…,xin),n表示抽象Web服務(wù)的個(gè)數(shù),排名前三的灰狼及其適應(yīng)度值分別為lbestagent,fitness(lbestagent),lsecondagent,fitness(lsecondagent),lthirdagent,fitness(lthirdagent)。

        在MapReduce 階段,每個(gè)Job 代表OGWO/LN 的一次迭代過程,一次Job 的輸出結(jié)果為更新位置后的新狼群,該狼群作為下次迭代的輸入。

        在Map 階段,每個(gè)Map 任務(wù)完成每一代狼群的位置更新操作,并更新每個(gè)子群的適應(yīng)度前三的灰狼信息。Map 函數(shù)如算法2 所示。

        算法2 Map Procedure。

        在Reduce 階段,Reduce 任務(wù)從各個(gè)Map 階段得到的局部前三只灰狼中找出當(dāng)前種群的全局前三,然后更新種群中所有灰狼的信息,輸出完整更新后的種群,新種群代替舊種群作為下一次迭代的輸入。Reduce 函數(shù)如算法3 所示。

        算法3 Reduce Procedure。

        3 實(shí)驗(yàn)與結(jié)果分析

        3.1 數(shù)據(jù)集與實(shí)驗(yàn)設(shè)置

        3.1.1 數(shù)據(jù)集

        本文采用WSDream[18]和API_PGW 的混合數(shù)據(jù)集。WSDream 數(shù)據(jù)集記錄了142 個(gè)用戶每15 min調(diào)用4 500 個(gè)Web 服務(wù)的真實(shí)響應(yīng)時(shí)間和吞吐量兩個(gè)屬性值。API_PGW數(shù)據(jù)集是由石敏等[19]2016 年從ProgrammableWeb 網(wǎng)站爬取的12 920 個(gè)服務(wù)和本文從ProgrammableWeb 網(wǎng)站爬取的5 345 個(gè)服務(wù)組成,共18 265 個(gè)服務(wù),每個(gè)服務(wù)都有服務(wù)名稱、服務(wù)描述和所屬類別。

        本文按照以下規(guī)則將QoS 數(shù)據(jù)填充到API_PGW 數(shù)據(jù)集中。QoS 數(shù)據(jù)來自WSDream 數(shù)據(jù)集,并且經(jīng)過了歸一化以減少波動(dòng)性,服務(wù)描述來自API_PGW 數(shù)據(jù)集。

        1)對(duì)于API_PGW 中同一類的服務(wù),本文從WSDream 數(shù)據(jù)集中獲取一個(gè)用戶調(diào)用不同服務(wù)的QoS 數(shù)據(jù)。

        2)不同類別的服務(wù)獲取不同用戶調(diào)用的QoS 數(shù)據(jù)。

        根據(jù)上述數(shù)據(jù)混合規(guī)則,得到了一個(gè)新的混合數(shù)據(jù)集,同時(shí)包含QoS 數(shù)據(jù)和服務(wù)描述。

        3.1.2 實(shí)驗(yàn)環(huán)境

        操作系統(tǒng)為Windows10 64位,Intel Core i5-8265U GPU@1.60 GHz,RAM 16.0 GB,PyCharm 2019,Python 3.6.1。Hadoop 平臺(tái)是由3 臺(tái)虛擬機(jī)搭建的小型集群,其中一臺(tái)作為Master 節(jié)點(diǎn),其他兩臺(tái)為Slaver 節(jié)點(diǎn),虛擬機(jī)的配置為CentOS7,RAM 2 GB,Intel Core i5-8265U GPU@ 1.60 GHz,Hadoop 2.9.2,Java 運(yùn)行環(huán)境是JDK1.8。

        3.1.3 參數(shù)設(shè)置

        1)主題數(shù)目K的確定。

        本文使用Stevens等[20]的方法通過主題一致性來確定主題K的個(gè)數(shù)。圖6 為不同主題數(shù)的主題一致性值,選取曲線趨于平穩(wěn)前的最大值作為K值,故選取K為60 對(duì)服務(wù)主題模型進(jìn)行訓(xùn)練。

        2)JS 散度閾值th的確定。

        本文根據(jù)圖2 的抽象服務(wù)組合序列進(jìn)行實(shí)驗(yàn),序列中含有6 個(gè)抽象Web 服務(wù)。根據(jù)本文基于服務(wù)主題模型的服務(wù)篩選方法,需要確定JS 散度的閾值th。

        精確率(Precision)是服務(wù)發(fā)現(xiàn)中最常用的度量指標(biāo),所以本文通過比較不同JS 散度閾值th下的查找服務(wù)的準(zhǔn)確率情況來確定閾值。Precision@n表示檢索返回的文檔集中與查詢語句相關(guān)的文檔所占比例,如式(15)所示:

        其中:L表示查詢到的正確的服務(wù)條數(shù);n表示查詢到的服務(wù)條數(shù)。

        不同JS 散度閾值對(duì)服務(wù)發(fā)現(xiàn)精確率的影響如圖7 所示。當(dāng)JS 散度閾值在0.04 到0.08 之間時(shí)精確率呈上升趨勢(shì),當(dāng)JS 散度閾值在0.08 到0.10 之間時(shí),精確率呈下降趨勢(shì)。綜合考慮不同JS 散度閾值對(duì)精確率的影響,本文實(shí)驗(yàn)將JS 散度閾值th設(shè)置為0.08,從而根據(jù)主題相似度確定6 個(gè)抽象Web 服務(wù)的候選服務(wù)數(shù)量分別為285、146、163、374、46、147??山M合的服務(wù)組合方案超過1011種,可以稱得上是大規(guī)模Web 服務(wù)組合。

        3)對(duì)比算法參數(shù)設(shè)置。

        為了驗(yàn)證OGWO/LN 在服務(wù)組合優(yōu)化中的性能,將本文與算法IFOA4WSC(Improved Fruit Fly Optimization Algorithm for Web Service Composition,IFOA4WSC)[6]、MR-IDPSO(MapReduce based on Improved Discrete Particle Swarm Optimization,MR-IDPSO)[8]、MR-GA(MapReduce based on Genetic Algorithm,MR-GA)[21]進(jìn)行比較。在所有的實(shí)驗(yàn)中,種群的數(shù)量都固定為100。在IFOA4WSC中,學(xué)習(xí)因子c1和c2的取值范圍均為[0.5,2],慣性權(quán)重取值范圍為[0.1,0.3],δ、η在[0,1]上隨機(jī)選取。在MR-GA中,參數(shù)設(shè)置采用隨機(jī)選擇方法,交叉和變異的概率分別設(shè)為0.8 和0.1。在MR-IDPSO中,慣性權(quán)重從0.9 到0.7 線性變化,學(xué)習(xí)因子c1和c2取2。由于智能算法的隨機(jī)性,每次實(shí)驗(yàn)運(yùn)行20 次并取平均值,最大迭代次數(shù)為100,兩種非功能屬性(響應(yīng)時(shí)間、吞吐量)對(duì)應(yīng)的權(quán)值分別設(shè)置為0.6、0.4。

        3.2 實(shí)驗(yàn)結(jié)果分析

        為了驗(yàn)證不同算法在解決大規(guī)模服務(wù)組合問題時(shí)的尋優(yōu)性能表現(xiàn),比較4 種算法在不同迭代次數(shù)下的組合服務(wù)質(zhì)量。通過計(jì)算服務(wù)組合的適應(yīng)度值來對(duì)比分析4 種算法的尋優(yōu)性能,根據(jù)本文實(shí)驗(yàn)定義的適應(yīng)度值表示組合服務(wù)的服務(wù)質(zhì)量,適應(yīng)度值越大時(shí)表示組合服務(wù)的質(zhì)量越好。實(shí)驗(yàn)結(jié)果如圖8 和表6 所示。

        表6 四種算法的性能比較Tab.6 Performance comparison of four algorithms

        圖8 中縱坐標(biāo)表示運(yùn)行20 次的平均適應(yīng)度值。從圖8中可以看出,隨著迭代次數(shù)的增加,服務(wù)組合的平均適應(yīng)度值逐漸提高,并且OGWO/LN 的平均適應(yīng)度值在不同迭代次數(shù)下都明顯高于其他3 種算法。

        表6 表示不同算法在迭代100 次、運(yùn)行20 次時(shí)的最大、最小、平均適應(yīng)度值和均方差。平均適應(yīng)度值越高,表示算法的尋優(yōu)性能越高,均方差越低,表示算法的穩(wěn)定性越好。從 表6 中可以看出,相較于IFOA4WSC[6]、MR-IDPSO[8]和MR-GA[21],本文算法的平均適應(yīng)度值分別提高了8.69%、7.94%和12.25%。因此,本文算法在相同服務(wù)類個(gè)數(shù)、服務(wù)組合規(guī)模下,OGWO/LN 在解決大規(guī)模服務(wù)組合問題上的整體性能優(yōu)勢(shì)明顯,平均適應(yīng)度值最佳且穩(wěn)定性最好。

        以上的實(shí)驗(yàn)結(jié)果驗(yàn)證了本文提出的大規(guī)模Web 服務(wù)組合方法可以有效地選出QoS 適應(yīng)度值最優(yōu)的組合,有效地解決大規(guī)模服務(wù)組合問題。

        4 結(jié)語

        本文分析了大規(guī)模Web 服務(wù)組合的特點(diǎn)和組合過程中面臨的海量規(guī)模、跨界環(huán)境等挑戰(zhàn)。為了應(yīng)對(duì)以上挑戰(zhàn),提出了一種在復(fù)雜環(huán)境下的大規(guī)模Web 服務(wù)組合方法,可以有效地應(yīng)對(duì)服務(wù)的海量規(guī)模,同時(shí)實(shí)現(xiàn)組合服務(wù)的質(zhì)量最優(yōu)。該方法首先采用LDA 主題模型建立服務(wù)主題模型對(duì)服務(wù)進(jìn)行篩選,以縮減服務(wù)組合的搜索空間;其次,采用MapReduce框架并行實(shí)現(xiàn)OGWO/LN,為每個(gè)抽象Web 服務(wù)選出合適的服務(wù)提高服務(wù)組合的整體質(zhì)量。最后通過一系列對(duì)比實(shí)驗(yàn)結(jié)果表明,OGWO/LN 相較于其他算法,在解決大規(guī)模場(chǎng)景中的Web 組合問題時(shí),在質(zhì)量上有著更優(yōu)的效果,并且有著更強(qiáng)的穩(wěn)定性。未來將進(jìn)一步研究如何提高服務(wù)篩選的精度和復(fù)雜服務(wù)生態(tài)系統(tǒng)中服務(wù)質(zhì)量的影響因素,從而更好地衡量服務(wù)質(zhì)量,選出適合當(dāng)今服務(wù)環(huán)境的組合服務(wù)。

        猜你喜歡
        灰狼適應(yīng)度文檔
        改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
        有人一聲不吭向你扔了個(gè)文檔
        谷谷雞和小灰狼
        灰狼的大大噴嚏
        基于RI碼計(jì)算的Word復(fù)制文檔鑒別
        灰狼和老虎
        快樂語文(2016年15期)2016-11-07 09:46:31
        基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
        中國塑料(2016年11期)2016-04-16 05:26:02
        Persistence of the reproductive toxicity of chlorpiryphos-ethyl in male Wistar rat
        灰狼的幸福
        讀寫算(中)(2015年6期)2015-02-27 08:47:14
        少數(shù)民族大學(xué)生文化適應(yīng)度調(diào)查
        国产精品成人免费视频网站京东| 日本一区二区在线免费看 | 久久国产劲爆∧v内射-百度| 久久综合精品国产二区无码| 亚洲精品一二区| 免费人妻精品区一区二区三| 亚洲av熟女少妇久久| 国产成人无码一区二区在线播放| 精品国产91天堂嫩模在线观看| 女同久久精品国产99国产精| 国产精品黑丝高跟在线粉嫩| 黑人巨大精品欧美一区二区 | 香蕉亚洲欧洲在线一区| 亚洲天码一区二区三区| 国产va免费精品观看精品| 香蕉久久人人97超碰caoproen| 欧美一级视频在线| 国产精品毛片极品久久| 24小时日本在线视频资源| 久久免费看少妇高潮v片特黄| 人妻少妇中文字幕久久69堂| 国产婷婷成人久久av免费| 337p日本欧洲亚洲大胆精品| 日韩欧美区| 一本久道视频无线视频试看| 少妇性俱乐部纵欲狂欢少妇| 中文字幕精品一二三四五六七八 | 在线播放无码高潮的视频| 亚洲国产字幕| 性生大片免费观看性少妇| 曰韩亚洲av人人夜夜澡人人爽| 最新国产拍偷乱偷精品| 麻豆夫妻在线视频观看| 狠狠色狠狠色综合网| 亚洲av无码精品色午夜蛋壳| 亚洲日本无码一区二区在线观看| 性生大片免费观看性少妇| 在线播放免费播放av片| 国产精品18久久久久久不卡中国| 亚洲精品综合久久中文字幕| 夜夜爽日日澡人人添|