本發(fā)明屬于計算機網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別涉及一種基于全局qos分解的多約束服務(wù)選取方法及其裝置。

背景技術(shù)：

面向服務(wù)的計算技術(shù)(serviceorientedcomputing，簡稱為soc)作為一種新型的分布式計算模式，能夠無縫地把分布在異構(gòu)網(wǎng)絡(luò)中的各類web服務(wù)動態(tài)組合起來，形成大粒度的組合web服務(wù)，來滿足用戶日益復(fù)雜的需求。隨著web市場的繁榮和發(fā)展，網(wǎng)絡(luò)上有大量的web服務(wù)擁有重疊的功能屬性，用戶在選擇服務(wù)時，不再滿足于功能方面的需求，還對組合服務(wù)的質(zhì)量(qualityofservice,簡稱qos)提出了要求。然而，由于網(wǎng)絡(luò)環(huán)境的各種不確定性因素，一些服務(wù)在運行過程中可能會出現(xiàn)功能失效或qos突變的情況，此時，能夠?qū)Ψ?wù)進(jìn)行快速選擇的方法對于保證組合服務(wù)的質(zhì)量和性能具有重大意義。目前，有大量的研究工作集中于全局qos約束條件下的服務(wù)選取，現(xiàn)有基于qos的服務(wù)選取方法存在以下缺點：(1)通常針對服務(wù)組合的用戶需求中，用戶只會給出組合服務(wù)端到端的qos約束，而不會給出對于每一個基本服務(wù)類的局部約束。目前有大量方案都是基于全局qos約束，利用智能演化算法對組合服務(wù)進(jìn)行最優(yōu)搜索，但是這些算法一般計算復(fù)雜度比較高，而且算法的運行時間嚴(yán)重依賴于候選服務(wù)集合的規(guī)模。一旦網(wǎng)絡(luò)中的web服務(wù)數(shù)量增加時，運行時間會成倍增長，將難以滿足用戶的實時性需求。(2)現(xiàn)有服務(wù)選取方法均只是考慮到了用戶所提出的全局qos約束，而忽略了候選服務(wù)之間可能存在的功能性約束關(guān)系。在海量的web服務(wù)環(huán)境中，不同候選服務(wù)之間會由于業(yè)務(wù)關(guān)聯(lián)、技術(shù)兼容等問題而相互依賴或者相互沖突。部分方案在遺傳算法中引入了一種爬山修復(fù)算子，它能夠修復(fù)種群中不滿足服務(wù)間沖突依賴約束的方案，從而引導(dǎo)算法的尋優(yōu)方向，但是當(dāng)服務(wù)間的約束規(guī)模增加時，修復(fù)時間會成倍增長，這樣就難以滿足用戶的實時性需求。部分方案提出了一種基于局部近似過濾的多約束服務(wù)選擇方法，它通過全局qos約束和服務(wù)間功能性約束來快速過濾候選服務(wù)空間，然后利用有向粒子群算法在剩余候選服務(wù)中搜索出最佳組合服務(wù)，但是該方法在分解全局qos時僅僅使用了近似過濾策略，使得最終的組合服務(wù)方案不一定能夠滿足用戶的全局qos約束。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中的不足，本發(fā)明提供一種基于全局qos分解的多約束服務(wù)選取方法及其裝置，采用cga文化遺傳方法將遺傳算法的進(jìn)化操作引入到文化算法種群空間中，并在信念空間引入?yún)f(xié)同學(xué)習(xí)機制來獲取所有服務(wù)類的最優(yōu)質(zhì)量標(biāo)尺組合，充分考慮候選服務(wù)之間可能存在功能上的依賴沖突關(guān)系，對不滿足多約束條件的候選服務(wù)進(jìn)行過濾，縮小候選服務(wù)空間的規(guī)模，減少算法的復(fù)雜度，滿足用戶的實時性需求。

按照本發(fā)明所提供的設(shè)計方案，一種基于全局qos分解的多約束服務(wù)選取方法，通過建立帶有多種約束條件的單目標(biāo)優(yōu)化模型實現(xiàn)，實現(xiàn)過程包含：

步驟1、根據(jù)服務(wù)依賴關(guān)系的傳遞特性，為每一個候選服務(wù)建立相應(yīng)的依賴集合和沖突集合；

步驟2、將用戶提供的全局qos約束通過cga文化遺傳算法分解為對應(yīng)于每一個服務(wù)類的局部qos約束；并對服務(wù)類下不滿足局部qos約束的候選服務(wù)進(jìn)行過濾；

步驟3、檢查所有被過濾的候選服務(wù)，若候選服務(wù)在被過濾掉的候選服務(wù)的依賴集合中，則將其從依賴集合中去除，并更新剩余候選服務(wù)的依賴集合和沖突集合；

步驟4、針對服務(wù)類中的候選服務(wù)通過自適應(yīng)替換方法進(jìn)行無解狀態(tài)的質(zhì)量標(biāo)尺組合替換，動態(tài)調(diào)整qos約束邊界；

步驟5、基于全局qos約束和服務(wù)間功能性約束，計算候選服務(wù)的服務(wù)相容度及局部適應(yīng)度；

步驟6、根據(jù)步驟5中候選服務(wù)的局部適應(yīng)度計算結(jié)果，選取每個服務(wù)類中局部適應(yīng)度最大的候選服務(wù)，依據(jù)選取的候選服務(wù)形成最終組合服務(wù)。

上述的，單目標(biāo)優(yōu)化模型表示為：

，其中，wk(1≤k≤r)是qos屬性k的權(quán)值，滿足cs為由m個基本服務(wù)類si(1≤i≤m)構(gòu)成的組合服務(wù)，記為cs＝{s1,s2,……,sm}；xij代表服務(wù)類sj的第i個候選服務(wù)的選取狀態(tài)；全局qos約束關(guān)系用c＝{c1,c2,......cr}來表示，ck代表第k個qos屬性的全局約束，qk(cs)≤ck表示組合服務(wù)的第k個qos屬性聚合值要滿足其對應(yīng)的全局約束；服務(wù)間的功能性約束分別用依賴集合t＝{t1,t2,......tk}和沖突集合d＝{d1,d2,......du}表示，依賴關(guān)系表示服務(wù)類sa中的第b個候選服務(wù)的功能依賴于服務(wù)類sc中的第d個候選服務(wù)；沖突關(guān)系表示服務(wù)類se中的第f個候選服務(wù)的功能與服務(wù)類sg中的第h個候選服務(wù)的功能相互沖突。

上述的，所述的步驟1包含如下內(nèi)容：依賴關(guān)系傳遞規(guī)則如下：

且sd∈d(sc)(3)

且sb∈d(sc)(5)

，式(2)表示若sb依賴于sa，則sb被納入到sa的依賴集合t(sa)中；式(3)表示若sc和sd相互沖突，則兩者互相被納入到對方的沖突集合中；式(4)表示若sb依賴于sa，sa依賴于sc，則sb被納入到sc的依賴集合t(sc)中；式(5)表示若sb依賴于sa，sa和sc沖突，則sb和sc也沖突。

上述的，所述的步驟2通過cga文化遺傳算法分解為對應(yīng)于每一個服務(wù)類的局部qos約束，通過構(gòu)造染色體模型來表示質(zhì)量標(biāo)尺組合，每個服務(wù)類對應(yīng)一個質(zhì)量標(biāo)尺組合，將ca遺傳方法的進(jìn)化操作嵌入到ca文化方法的種群空間中，并在信念空間引入?yún)f(xié)同學(xué)習(xí)機制，全局qos約束分解為局部qos約束的實現(xiàn)過程如下：

步驟21、根據(jù)種群空間大小，在種群空間隨機產(chǎn)生初始有效解，并通過適應(yīng)度函數(shù)對所有解進(jìn)行評價；

步驟22、對種群空間中的解進(jìn)行進(jìn)化操作，至少包含選擇操作、交叉操作和變異操作；

步驟23、從種群空間中選取較優(yōu)解，將其傳遞至信念空間中，并根據(jù)信念空間中的解累積更新次數(shù)，對信念空間中的較差解進(jìn)行替換；對信念空間中的解實施協(xié)同學(xué)習(xí)操作，并對新產(chǎn)生的解進(jìn)行評價，并從信念空間中重新選取較優(yōu)解，過濾掉其余解；

步驟24、判斷當(dāng)前迭代次數(shù)是否滿足設(shè)定條件，若是，則輸出信念空間中的最優(yōu)解；否則，返回步驟22進(jìn)行循環(huán)迭代。

優(yōu)選的，適應(yīng)度函數(shù)表示為：

，其中，為質(zhì)量標(biāo)尺權(quán)重，計算公式為：為服務(wù)類sj中屬于質(zhì)量標(biāo)尺內(nèi)的候選服務(wù)的數(shù)量，n(sj)是服務(wù)類sj中候選服務(wù)的數(shù)量，是服務(wù)類sj中屬于質(zhì)量標(biāo)尺內(nèi)的所有候選服務(wù)的最大效用函數(shù)值，qmax(sj)是服務(wù)類sj中所有候選服務(wù)的最大效用函數(shù)值；m為服務(wù)類總數(shù)，r為qos屬性總數(shù)，d為質(zhì)量標(biāo)尺總數(shù)；式(11)保證分解后的局部qos束聚合后還能滿足全局qos約束；式(12)中表示服務(wù)類sj中質(zhì)量標(biāo)尺被選中，否則保證每個服務(wù)類的每個qos屬性下有且只有一個質(zhì)量標(biāo)尺被選中。

上述的，所述的步驟23中對信念空間中的解實施協(xié)同學(xué)習(xí)操作，包含如下內(nèi)容：

step1：從信念空間中隨機選取t個染色體組成一個協(xié)同學(xué)習(xí)組，記為其中，li(1≤i≤t)代表一個染色體，代表染色體的第j行基因，作為服務(wù)類sj的質(zhì)量標(biāo)尺組合；

step2：對group內(nèi)的所有染色體的每一行基因進(jìn)行比較學(xué)習(xí)，并從中選取出每一行的最優(yōu)基因即從服務(wù)類sj的t個質(zhì)量標(biāo)尺組合中選出最優(yōu)的一個；

step3：將每一行的最優(yōu)基因重新組合，形成一個新的染色體，即該染色體的每一個服務(wù)類sj的質(zhì)量標(biāo)尺組合都是group內(nèi)最優(yōu)的。

更進(jìn)一步，所述的步驟4中通過自適應(yīng)替換方法進(jìn)行無解狀態(tài)的質(zhì)量標(biāo)尺組合替換，動態(tài)調(diào)整qos約束邊界，包含如下內(nèi)容：通過過濾后，若存在服務(wù)類沒有候選服務(wù)，即存在無解的情形，則將當(dāng)前所有服務(wù)類的最優(yōu)質(zhì)量標(biāo)尺組合替換為信念空間中的次優(yōu)質(zhì)量標(biāo)尺組合，并返回步驟2執(zhí)行，直到不再出現(xiàn)無解狀態(tài)為止。

上述的，所述的步驟5中：假設(shè)候選服務(wù)sj屬于服務(wù)類sj，則其服務(wù)相容度的計算公式如下：

，其中，ti(sj)是服務(wù)sj的依賴集合t(sj)中屬于服務(wù)類si的服務(wù)個數(shù)。di(sj)是服務(wù)sj的沖突集合d(sj)中屬于服務(wù)類si的服務(wù)個數(shù)。|si|是服務(wù)類si中候選服務(wù)總數(shù)；其局部適應(yīng)度的計算公式如下：

u(sj)＝con(sj)×q(sj)，

，con(sj)是sj的服務(wù)相容度，q(sj)是其效用函數(shù)值，是服務(wù)類sj在第k個qos屬性上的最大值，是服務(wù)類sj在第k個qos屬性上的最小值，qk(sj)是候選服務(wù)sj在第k個qos屬性上的取值，wk是用戶給出的第k個qos屬性的權(quán)重。

一種基于全局qos分解的多約束服務(wù)選取裝置，通過帶有多種約束條件的單目標(biāo)優(yōu)化模型實現(xiàn)，包含：功能約束建立模塊、局部約束分解模塊、候選服務(wù)更新模塊、無解狀態(tài)替換模塊、局部適應(yīng)度求解模塊及最終組合服務(wù)選取模塊，

功能約束建立模塊，用于根據(jù)服務(wù)依賴關(guān)系的傳遞特性為每一個候選服務(wù)建立相應(yīng)的依賴集合和沖突集合；

局部約束分解模塊，用于將用戶提供的全局qos約束通過cga文化遺傳算法分解為對應(yīng)于每一個服務(wù)類的局部qos約束；并對服務(wù)類下不滿足局部qos約束的候選服務(wù)進(jìn)行過濾；

候選服務(wù)更新模塊，用于檢查所有被過濾的候選服務(wù)，若候選服務(wù)在被過濾掉的候選服務(wù)的依賴集合中，則將其從依賴集合中去除，并更新剩余候選服務(wù)的依賴集合和沖突集合；

無解狀態(tài)替換模塊，用于針對服務(wù)類中的候選服務(wù)通過自適應(yīng)替換方法替換無解狀態(tài)的質(zhì)量標(biāo)尺組合，動態(tài)調(diào)整qos約束邊界；

局部適應(yīng)度求解模塊，用于根據(jù)全局qos約束和服務(wù)間功能性約束計算候選服務(wù)的服務(wù)相容度及局部適應(yīng)度；

最終組合服務(wù)選取模塊，根據(jù)局部適應(yīng)度求解模塊中候選服務(wù)的局部適應(yīng)度計算結(jié)果，選取每個服務(wù)類中局部適應(yīng)度最大的候選服務(wù)，依據(jù)選取的候選服務(wù)形成最終組合服務(wù)。

上述的多約束服務(wù)選取裝置中，所述的局部約束分解模塊包含：適應(yīng)度函數(shù)設(shè)計單元、染色體模型構(gòu)造單元及信念空間學(xué)習(xí)單元，

適應(yīng)度函數(shù)設(shè)計單元，用于通過設(shè)計適應(yīng)度函數(shù)，將全局qos最優(yōu)分解問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題；

染色體模型構(gòu)造單元，用于通過構(gòu)造染色體模型來表示質(zhì)量標(biāo)尺組合，每個服務(wù)類對應(yīng)一個質(zhì)量標(biāo)尺組合；

信念空間學(xué)習(xí)單元，用于將ca遺傳方法的進(jìn)化操作嵌入到ca文化方法的種群空間中，并在信念空間引入?yún)f(xié)同學(xué)習(xí)機制，獲取所有服務(wù)類的最優(yōu)質(zhì)量標(biāo)尺組合。

本發(fā)明的有益效果：

本發(fā)明將全局qos約束分解為局部qos約束，為了達(dá)到最好的分解效果，通過cga文化遺傳算法將遺傳算法的進(jìn)化操作引入到文化算法中的種群空間中，并在信念空間中引入?yún)f(xié)同學(xué)習(xí)機制，通過雙層空間的迭代得到所有服務(wù)類的最優(yōu)質(zhì)量標(biāo)尺組合，即最優(yōu)局部qos約束；其次，結(jié)合候選服務(wù)間的依賴沖突關(guān)系，對不滿足多約束條件的候選服務(wù)進(jìn)行過濾；然后對剩余候選服務(wù)空間進(jìn)行狀態(tài)檢測，如果存在某個服務(wù)類沒有候選服務(wù)的情況，則執(zhí)行自適應(yīng)替換策略，將當(dāng)前最優(yōu)質(zhì)量標(biāo)尺組合替換為次優(yōu)質(zhì)量標(biāo)尺組合，重新進(jìn)行雙層過濾步驟；最后，計算出剩余候選服務(wù)的局部適應(yīng)度，通過局部最優(yōu)方法得到最終的組合服務(wù)。相比于全局qos服務(wù)選取方法，該方案在計算復(fù)雜度和運行時間上都得到很大優(yōu)化，可以滿足用戶的實時性需求；充分考慮候選服務(wù)之間可能存在的功能上的依賴沖突關(guān)系，并將這種功能性約束關(guān)系和qos約束關(guān)系結(jié)合起來，對不滿足多約束條件的候選服務(wù)進(jìn)行過濾，縮小候選服務(wù)空間的規(guī)模，大大減小算法的復(fù)雜度，有效保證網(wǎng)絡(luò)組合服務(wù)的質(zhì)量和性能。

附圖說明：

圖1為本發(fā)明的方法流程示意圖；

圖2為部分實施例的實現(xiàn)框架示意圖；

圖3為cga文化遺傳算法框架示意圖；

圖4為質(zhì)量標(biāo)尺分解示意圖；

圖5為染色體模型示意圖；

圖6為信念空間學(xué)習(xí)過程示意圖；

圖7為本發(fā)明的裝置示意圖；

圖8為仿真實例中不同候選服務(wù)規(guī)模下的性能對比示意圖；

圖9為仿真實例中不同約束規(guī)模下的性能對比示意圖。

具體實施方式：

服務(wù)質(zhì)量(qualityofservice,qos)：代表web服務(wù)的非功能屬性，包括響應(yīng)時間、信譽度、可用性、可靠性等，是評價服務(wù)好壞的另一重要標(biāo)準(zhǔn)。服務(wù)相容度：表示某一候選服務(wù)與其他候選類服務(wù)的整體相容情況。局部適應(yīng)度：表示某一候選服務(wù)在所屬服務(wù)類中的優(yōu)劣程度，由其效用函數(shù)值和服務(wù)相容度所決定。遺傳算法(geneticalgorithm,ga)：采用達(dá)爾文進(jìn)化論適者生存、優(yōu)勝劣汰的思想，通過模擬自然界中選擇、交叉、變異等進(jìn)化操作而衍生出的一種全局搜索算法。文化算法(culturealgorithm,ca)：一種雙層進(jìn)化模型算法，由種群空間和信念空間兩個部分組成，分別從微觀角度和宏觀角度模擬文化的進(jìn)化過程。效益型qos屬性：是指那些數(shù)值越大就表示其qos越優(yōu)的屬性，如可靠性、可用性、吞吐量等。成本型qos屬性：是指那些數(shù)值越小就表示其qos越優(yōu)的屬性，如響應(yīng)時間、成本等。依賴關(guān)系：某一候選服務(wù)功能的實現(xiàn)依賴于另外一個候選服務(wù)，那么他們之間便存在著依賴關(guān)系。沖突關(guān)系：某一候選服務(wù)的功能與另外一個候選服務(wù)的功能相互沖突，那么他們之間便存在沖突關(guān)系。功能性約束：是指候選服務(wù)之間由于功能上的依賴關(guān)系或沖突關(guān)系而形成的一種約束。全局qos約束：是指用戶給出的對于組合服務(wù)的整體qos的約束。局部qos約束：是指構(gòu)成組合服務(wù)的每一個基本服務(wù)類的qos約束。質(zhì)量標(biāo)尺：將服務(wù)類下的每一個qos屬性取值范圍劃分為若干離散的質(zhì)量集合，稱一個質(zhì)量集合為一個質(zhì)量標(biāo)尺。自適應(yīng)替換策略：當(dāng)過濾之后出現(xiàn)某個服務(wù)類下沒有候選服務(wù)時，將當(dāng)前最優(yōu)質(zhì)量標(biāo)尺替換為次優(yōu)質(zhì)量標(biāo)尺，稱之為自適應(yīng)替換策略。

遺傳算法主要通過自然選擇、交叉、變異等遺傳操作，實現(xiàn)各個體適應(yīng)性的提高。算法擁有一群個體組成的種群，每個體在種群演化過程中都被評價優(yōu)劣并得到其適應(yīng)值，個體在選擇、交叉以及變異算子的作用下向更高的適應(yīng)度進(jìn)化以達(dá)到尋求問題最優(yōu)解的目標(biāo)。1)基因：也稱作遺傳因子，它是一個分子片段，上面擁有大量的遺傳信息?；蚴怯脕砜刂粕矬w性狀的基本遺傳單位，生物體就是通過基因而把本身的遺傳信息遺傳給它的子代的，基因則是利用復(fù)制環(huán)節(jié)來完成這樣的傳遞過程的。2)染色體：由蛋白質(zhì)與雙螺旋結(jié)構(gòu)的dna分子以及少量rna共同構(gòu)成的一種物質(zhì)，一個生物體它的所有遺傳信息都被包括在每個細(xì)胞中的全部染色體當(dāng)中。3)種群：每一個物種都是由一定數(shù)量的個體組成的，組成這個物種的所有個體的總和就稱作種群。在遺傳算法中，一個種群也就包含了實際問題在某一代的解的空間,也是可能的解的集合，種群為遺傳算法提供了搜索解的遺傳進(jìn)化搜索空間。4)適應(yīng)度：適應(yīng)度就是用來衡量種群中每一個個體的優(yōu)劣程度的，也是度量每個個體對它的生存環(huán)境的適應(yīng)能力的標(biāo)準(zhǔn)。在遺傳算法中，首先是對種群中每個個體染色體進(jìn)行編碼，然后就得到了每個個體的染色體編碼，一個個體就是實際問題的一個可能的解，而且所有可能的解都和相應(yīng)的函數(shù)值一一對應(yīng)。5)選擇：在遺傳算法中，以適應(yīng)度為指標(biāo)，把當(dāng)前種群中適應(yīng)度較大的個體選擇出來，從而為下一步遺傳進(jìn)化操作做準(zhǔn)備。適應(yīng)度越大被選中的概率就越大，從而遺傳到下一代的幾率也就越大。6)交叉：對于兩個選擇出來的需要進(jìn)行交叉的個體(染色體)，要給出它們進(jìn)行交叉互換的交叉點，然后就以這兩個個體為父代個體，在交叉點進(jìn)行交叉互換，因而在重組后生成兩個嶄新的子代個體(染色體)，這兩個新的子代個體的性狀是由它們父代個體的性狀組合而成的。7)變異：變異的一般過程是從種群中任意的選取某個個體(染色體)，然后以某個概率對該個體的染色體編碼的某一個位置上的字符進(jìn)行改變，個體(染色體)是否發(fā)生變異還要通過變異概率進(jìn)行控制。主要步驟如下：

1)根據(jù)待解問題的參數(shù)集進(jìn)行編碼；

2)初始化群體；

3)按照由個體的適應(yīng)度值所決定的某個規(guī)則選擇將進(jìn)入一「一代的個體；

4)按交叉概率進(jìn)行交叉操作；

5)按變異概率而進(jìn)行變異操作；

6)如果沒有滿足某種終止條件,則轉(zhuǎn)到3)，否則進(jìn)行4)；

7)輸出種群中適應(yīng)度值最優(yōu)的染色體作為問題的滿意解或最優(yōu)解。

文化算法是一種基于知識的雙層進(jìn)化系統(tǒng),其包含兩個進(jìn)化空間：一個是由在進(jìn)化過程中獲取的經(jīng)驗和知識組成的信仰空間；另一個是由具體個體組成的種群空間，通過進(jìn)化操作和性能評價進(jìn)行自身的迭代求解。1)種群空間：從微觀的角度模擬個體根據(jù)一定的行為準(zhǔn)則進(jìn)化的過程，不同的計算架構(gòu)都能被用來表示種群空間。2)信念空間：從宏觀的角度模擬文化的形成、傳遞和比較等進(jìn)化過程，信念空間包括環(huán)境知識、標(biāo)準(zhǔn)知識、約束知識等，不同知識類型表示種群中優(yōu)良個體的不同特性。3)接受函數(shù)：種群空間通過接受函數(shù)將個體經(jīng)驗傳遞到信念空間，實際上是向信念空間提供一組最優(yōu)子集，在最優(yōu)化問題中一般是按一定的百分比取排行頭幾名。4)影響函數(shù)：信念空間在形成群體經(jīng)驗后，通過影響函數(shù)對群體空間中個體的行為規(guī)則進(jìn)行修改，以使個體空間得到更高的進(jìn)化效率。種群空間與信念空間是兩個相對獨立的進(jìn)化過程，兩個空間通過一組由接受函數(shù)accept()和影響函數(shù)influence()組成的通信協(xié)議聯(lián)系在一起。種群空間的個體在進(jìn)化過程中形成個體經(jīng)驗，通過accept()函數(shù)將個體經(jīng)驗傳遞到信仰空間。信仰空間將個體經(jīng)驗,根據(jù)一定行為規(guī)則進(jìn)行比較優(yōu)化，形成種群經(jīng)驗，信仰空間根據(jù)現(xiàn)有的種群經(jīng)驗和新個體經(jīng)驗用update()函數(shù)進(jìn)行更新；而influence()函數(shù)能夠利用信仰空間中待解決問題的經(jīng)驗知識來指導(dǎo)種群空間的進(jìn)化，以使種群空間得到更高的進(jìn)化效率。群體空間中的evaluate()函數(shù)是目標(biāo)函數(shù)(適應(yīng)度函數(shù))，其作用是用來評價種群空間中個體適應(yīng)值的。select()函數(shù)根據(jù)規(guī)則從新生成個體中選擇一部分個體作為下代個體的父輩。

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚、明白，下面結(jié)合附圖和技術(shù)方案對本發(fā)明作進(jìn)一步詳細(xì)的說明。

本發(fā)明實施例提供了一種基于全局qos分解的多約束服務(wù)選取方法，通過建立帶有多種約束條件的單目標(biāo)優(yōu)化模型實現(xiàn)，參見圖1所示，實現(xiàn)過程包含：

101、根據(jù)服務(wù)依賴關(guān)系的傳遞特性，為每一個候選服務(wù)建立相應(yīng)的依賴集合和沖突集合；

102、將用戶提供的全局qos約束通過cga文化遺傳算法分解為對應(yīng)于每一個服務(wù)類的局部qos約束；并對服務(wù)類下不滿足局部qos約束的候選服務(wù)進(jìn)行過濾；

103、檢查所有被過濾的候選服務(wù)，若候選服務(wù)在被過濾掉的候選服務(wù)的依賴集合中，則將其從依賴集合中去除，并更新剩余候選服務(wù)的依賴集合和沖突集合；

104、針對服務(wù)類中的候選服務(wù)通過自適應(yīng)替換方法進(jìn)行無解狀態(tài)的質(zhì)量標(biāo)尺組合替換，動態(tài)調(diào)整qos約束邊界；

105、基于全局qos約束和服務(wù)間功能性約束，計算候選服務(wù)的服務(wù)相容度及局部適應(yīng)度；

106、根據(jù)步驟105中候選服務(wù)的局部適應(yīng)度計算結(jié)果，選取每個服務(wù)類中局部適應(yīng)度最大的候選服務(wù)，依據(jù)選取的候選服務(wù)形成最終組合服務(wù)。

相比于現(xiàn)有全局qos服務(wù)選取方法，該實施例的方案在計算復(fù)雜度和運行時間上都得到很大優(yōu)化，可以滿足用戶的實時性需求。

基于全局qos約束和功能性約束的服務(wù)組合是一個最優(yōu)化問題，也是一個np難題。該問題的核心是為每一個服務(wù)類選擇一個候選服務(wù)，使得形成的組合服務(wù)既能夠滿足多約束條件，又能夠達(dá)到綜合效用值最大。為此，在本發(fā)明的另一個實施例中，單目標(biāo)優(yōu)化模型表示為：

，其中，wk(1≤k≤r)是qos屬性k的權(quán)值，反映用戶對第k個qos屬性的偏好程度，滿足cs為由m個基本服務(wù)類si(1≤i≤m)構(gòu)成的組合服務(wù)，記為cs＝{s1,s2,……,sm}，本實施例只考慮順序組合服務(wù)模型，其它類型的組合服務(wù)均可以轉(zhuǎn)化為順序組合服務(wù)模型；xij代表服務(wù)類sj的第i個候選服務(wù)的選取狀態(tài)，xij＝1時表示該服務(wù)被選取，xij＝0時表示該服務(wù)未被選取，代表基本服務(wù)類sj中有且僅有一個候選服務(wù)被選中；全局qos約束關(guān)系用c＝{c1,c2,......cr}來表示，ck代表第k個qos屬性的全局約束，qk(cs)≤ck表示組合服務(wù)的第k個qos屬性聚合值要滿足其對應(yīng)的全局約束，將效益型qos屬性通過負(fù)值計算轉(zhuǎn)化為成本型qos屬性，并利用順序組合服務(wù)模型的qos聚合公式計算出組合服務(wù)的qos屬性值；服務(wù)間的功能性約束分別用依賴集合t＝{t1,t2,......tk}和沖突集合d＝{d1,d2,......du}表示，依賴關(guān)系表示服務(wù)類sa中的第b個候選服務(wù)的功能依賴于服務(wù)類sc中的第d個候選服務(wù)。xab-xcd≤0保證了只有當(dāng)候選服務(wù)scd實現(xiàn)時，服務(wù)sab才有可能實現(xiàn)。沖突關(guān)系表示服務(wù)類se中的第f個候選服務(wù)的功能與服務(wù)類sg中的第h個候選服務(wù)的功能相互沖突。xef+xgh≤1保證了候選服務(wù)sef與服務(wù)sgh不會同時出現(xiàn)在組合服務(wù)中。

如圖2所示，將全局qos約束分解為對應(yīng)于每一個服務(wù)類的局部qos約束，并結(jié)合候選服務(wù)之間的依賴沖突關(guān)系，對不滿足多約束條件的候選服務(wù)進(jìn)行過濾。如果過濾之后沒有可行的組合服務(wù)，則執(zhí)行自適應(yīng)替換策略動態(tài)調(diào)整qos約束邊界，進(jìn)行重新過濾。然后計算出剩余候選服務(wù)的局部適應(yīng)度，利用局部最優(yōu)選取出最終的組合服務(wù)。根據(jù)依賴關(guān)系的傳遞特性，為每一個候選服務(wù)si建立相應(yīng)的依賴集合t(si)和沖突集合d(si)，為后續(xù)過濾候選服務(wù)和計算局部適應(yīng)度提供信息。在本發(fā)明的再一實施例中，依賴關(guān)系傳遞規(guī)則如下：

且sd∈d(sc)(3)

且sb∈d(sc)(5)

，式(2)表示若sb依賴于sa，則sb被納入到sa的依賴集合t(sa)中；式(3)表示若sc和sd相互沖突，則兩者互相被納入到對方的沖突集合中；式(4)表示若sb依賴于sa，sa依賴于sc，則sb被納入到sc的依賴集合t(sc)中；式(5)表示若sb依賴于sa，sa和sc沖突，則sb和sc也沖突。

由于不同服務(wù)類的同一qos屬性值不同，若直接將全部qos約束平均分解給每一個服務(wù)類，可能會導(dǎo)致選取出的組合服務(wù)不能滿足全局qos約束。為此，本發(fā)明的又一實施例中，通過cga文化遺傳算法分解為對應(yīng)于每一個服務(wù)類的局部qos約束，通過構(gòu)造染色體模型來表示質(zhì)量標(biāo)尺組合，每個服務(wù)類對應(yīng)一個質(zhì)量標(biāo)尺組合，將ca遺傳方法的進(jìn)化操作嵌入到ca文化方法的種群空間中，并在信念空間引入?yún)f(xié)同學(xué)習(xí)機制，全局qos約束分解為局部qos約束的實現(xiàn)過程如下：

步驟21、根據(jù)種群空間大小，在種群空間隨機產(chǎn)生初始有效解，并通過適應(yīng)度函數(shù)對所有解進(jìn)行評價；

步驟22、對種群空間中的解進(jìn)行進(jìn)化操作，至少包含選擇操作、交叉操作和變異操作；

步驟23、從種群空間中選取較優(yōu)解，將其傳遞至信念空間中，并根據(jù)信念空間中的解累積更新次數(shù)，對信念空間中的較差解進(jìn)行替換；對信念空間中的解實施協(xié)同學(xué)習(xí)操作，并對新產(chǎn)生的解進(jìn)行評價，并從信念空間中重新選取較優(yōu)解，過濾掉其余解；

步驟24、判斷當(dāng)前迭代次數(shù)是否滿足設(shè)定條件，若是，則輸出信念空間中的最優(yōu)解；否則，返回步驟22進(jìn)行循環(huán)迭代。

由于一個組合服務(wù)由m個服務(wù)類組成，每個服務(wù)類都對應(yīng)一個質(zhì)量標(biāo)尺組合，故全局qos最優(yōu)分解的最終結(jié)果是求解出m個最優(yōu)質(zhì)量標(biāo)尺組合?；诖耍緦嵤├O(shè)計了一個m維染色體編碼模型來代表m個質(zhì)量標(biāo)尺組合，如圖5所示，其中s1,s2,...,sm為基本服務(wù)類，q1,q2,...,qr為qos屬性集合，代表服務(wù)類sm第r個qos屬性的第e個質(zhì)量標(biāo)尺，染色體的每一行即代表一個服務(wù)類的質(zhì)量標(biāo)尺組合。

遺傳算法(geneticalgorithm，即ga)是采用達(dá)爾文進(jìn)化論的適者生存、優(yōu)勝劣汰的思想，通過模擬自然界中選擇、交叉、變異等進(jìn)化操作而衍生出的一種全局搜索算法，具有簡單性、魯棒性和通用性等特點，但缺點是容易早熟收斂、收斂速度慢。文化算法(culturealgorithm，即ca)是由reynolds提出的一種雙層進(jìn)化模型算法，由種群空間(populationspace)和信念空間(beliefspace)兩個部分組成，分別從微觀角度和宏觀角度模擬文化的進(jìn)化過程。其核心思想是在迭代過程中選擇性地將種群空間形成的進(jìn)化經(jīng)驗傳遞到信念空間中，信念空間通過比較優(yōu)化形成群體經(jīng)驗反過來對種群空間的進(jìn)化過程加以指導(dǎo)，從而得到更高的進(jìn)化效率。本實施例結(jié)合兩種算法的優(yōu)缺點，提出一種cga文化遺傳算法，其基本思路是將遺傳算法的進(jìn)化操作嵌入到文化算法的種群空間中，并在信念空間中引入?yún)f(xié)同學(xué)習(xí)機制，提高了算法的尋優(yōu)能力，能夠有效解決全局qos最優(yōu)分解問題，其框架如圖3所示。已知第k個qos屬性所對應(yīng)的全局qos約束為ck，qr(sjn)表示服務(wù)類sj的第n個候選服務(wù)的第r個qos屬性值，表示服務(wù)類sj的第r個qos屬性的第d個質(zhì)量標(biāo)尺，且滿足其中和分別為服務(wù)類sj的第k個qos屬性的最小值和最大值，d為質(zhì)量標(biāo)尺總數(shù)，其質(zhì)量標(biāo)尺的分解過程如圖4所示。

由于全局qos最優(yōu)分解的目標(biāo)是為每一個服務(wù)類找出最優(yōu)質(zhì)量標(biāo)尺組合，本發(fā)明的又一個實施例中，不考慮服務(wù)類之間的優(yōu)劣之分，將其轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，適應(yīng)度函數(shù)表示為：

，其中，為質(zhì)量標(biāo)尺權(quán)重，計算公式為：為服務(wù)類sj中屬于質(zhì)量標(biāo)尺內(nèi)的候選服務(wù)的數(shù)量，n(sj)是服務(wù)類sj中候選服務(wù)的數(shù)量，是服務(wù)類sj中屬于質(zhì)量標(biāo)尺內(nèi)的所有候選服務(wù)的最大效用函數(shù)值，qmax(sj)是服務(wù)類sj中所有候選服務(wù)的最大效用函數(shù)值；m為服務(wù)類總數(shù)，r為qos屬性總數(shù)，d為質(zhì)量標(biāo)尺總數(shù)；式(11)保證分解后的局部qos約束聚合后還能滿足全局qos約束；式(12)中表示服務(wù)類sj中質(zhì)量標(biāo)尺被選中，否則保證每個服務(wù)類的每個qos屬性下有且只有一個質(zhì)量標(biāo)尺被選中。質(zhì)量標(biāo)尺權(quán)重表示在服務(wù)類sj的第k個qos屬性中選擇質(zhì)量標(biāo)尺時，候選服務(wù)被選中的概率，其計算公式中為服務(wù)類sj中屬于質(zhì)量標(biāo)尺內(nèi)的候選服務(wù)的數(shù)量，n(sj)是服務(wù)類sj中候選服務(wù)的數(shù)量，是服務(wù)類sj中屬于質(zhì)量標(biāo)尺內(nèi)的所有候選服務(wù)的最大效用函數(shù)值，qmax(sj)是服務(wù)類sj中所有候選服務(wù)的最大效用函數(shù)值。一個服務(wù)類的最優(yōu)質(zhì)量標(biāo)尺組合應(yīng)該使得該組合下的候選服務(wù)數(shù)量越多越好，效用函數(shù)值越大越好，才更有可能形成全局最優(yōu)組合服務(wù)，為此引入質(zhì)量標(biāo)尺權(quán)重的概念。

優(yōu)選的，協(xié)同學(xué)習(xí)是指學(xué)習(xí)者在群體中通過競爭、合作、角色扮演等方式實現(xiàn)與他人知識的交換與共享，從而有效地提高學(xué)習(xí)效率。目前大多數(shù)群智能算法中的個體之間不能夠相互學(xué)習(xí)，導(dǎo)致算法的性能得不到進(jìn)一步提高。本發(fā)明基于協(xié)同學(xué)習(xí)的理論，將學(xué)習(xí)機制引入到cga算法的信念空間中，通過染色體之間的相互學(xué)習(xí)，將優(yōu)良基因遺傳到下一代，從而加快收斂速度，本發(fā)明的又一實施例中，參見圖6所示的信念空間具體學(xué)習(xí)過程，對信念空間中的解實施協(xié)同學(xué)習(xí)操作，包含如下內(nèi)容：

step1：從信念空間中隨機選取t個染色體組成一個協(xié)同學(xué)習(xí)組，記為其中，li(1≤i≤t)代表一個染色體，代表染色體的第j行基因，作為服務(wù)類sj的質(zhì)量標(biāo)尺組合；

step2：對group內(nèi)的所有染色體的每一行基因進(jìn)行比較學(xué)習(xí)，并從中選取出每一行的最優(yōu)基因即從服務(wù)類sj的t個質(zhì)量標(biāo)尺組合中選出最優(yōu)的一個；

step3：將每一行的最優(yōu)基因重新組合，形成一個新的染色體，即該染色體的每一個服務(wù)類sj的質(zhì)量標(biāo)尺組合都是group內(nèi)最優(yōu)的。

步驟102中對服務(wù)類不滿足局部qos約束的候選服務(wù)進(jìn)行第一層過濾；步驟103中通過檢查所有被過濾過的候選服務(wù)，若將某個現(xiàn)存的候選服務(wù)在已被過濾掉的候選服務(wù)的依賴集合中，則將其去除，完成第二層過濾。經(jīng)過以上兩層過濾機制后，如果某個服務(wù)類下沒有候選服務(wù)，將無法形成一個可行的組合服務(wù)。出現(xiàn)這種情況的原因在于，經(jīng)過第一層局部qos約束條件過濾后，可能會存在有某個服務(wù)類的剩余候選服務(wù)均與其它候選服務(wù)類在功能上有沖突或者均與被過濾的服務(wù)有依賴關(guān)系，此時再經(jīng)過第二層的功能約束條件過濾后，這些服務(wù)會被全部過濾掉，就會出現(xiàn)該服務(wù)類沒有候選服務(wù)的情況，這種狀態(tài)稱為“無解”。針對這個問題，本發(fā)明的另一個實施例中，通過自適應(yīng)替換方法進(jìn)行無解狀態(tài)的質(zhì)量標(biāo)尺組合替換，動態(tài)調(diào)整qos約束邊界，即：通過過濾后，若存在服務(wù)類沒有候選服務(wù)，即存在無解的情形，則將當(dāng)前所有服務(wù)類的最優(yōu)質(zhì)量標(biāo)尺組合替換為信念空間中的次優(yōu)質(zhì)量標(biāo)尺組合，并返回步驟102執(zhí)行，直到不再出現(xiàn)無解狀態(tài)為止。由于步驟102的cga文化遺傳算法迭代結(jié)束后，信念空間中存在著若干可行解，因此，使用本實施例中的自適應(yīng)替換方法不需要重新運行cga算法，只需直接利用信念空間中的其余次優(yōu)解來替換當(dāng)前最優(yōu)解即可；且云環(huán)境中存在著海量的服務(wù)資源，出現(xiàn)無解狀態(tài)的概率極低，所以自適應(yīng)替換策略不會對整個服務(wù)選取方法的執(zhí)行效率造成很大的影響。

經(jīng)過步驟101～104后，候選服務(wù)空間的規(guī)模得到了很大程度上的縮小。在全局qos約束和服務(wù)間功能性約束的條件下，決定一個候選服務(wù)優(yōu)劣程度的因素有兩個：自身的效用函數(shù)值和在候選服務(wù)空間中的相容性。其效用函數(shù)值越大，相容性越好，則被選取為局部最優(yōu)服務(wù)的概率越大。為了衡量這種概率，本發(fā)明的其他實施例中，假設(shè)候選服務(wù)sj屬于服務(wù)類sj，則其服務(wù)相容度的計算公式如下：

，其中，ti(sj)是服務(wù)sj的依賴集合t(sj)中屬于服務(wù)類si的服務(wù)個數(shù)。di(sj)是服務(wù)sj的沖突集合d(sj)中屬于服務(wù)類si的服務(wù)個數(shù)。|si|是服務(wù)類si中候選服務(wù)總數(shù)；其局部適應(yīng)度的計算公式如下：

u(sj)＝con(sj)×q(sj)，

，con(sj)是sj的服務(wù)相容度，q(sj)是其效用函數(shù)值，是服務(wù)類sj在第k個qos屬性上的最大值，是服務(wù)類sj在第k個qos屬性上的最小值，qk(sj)是候選服務(wù)sj在第k個qos屬性上的取值，wk是用戶給出的第k個qos屬性的權(quán)重。

服務(wù)相容度con(sj)表示候選服務(wù)sj與其他候選類服務(wù)的整體相容情況。它由服務(wù)sj的依賴集合和沖突集合所決定。服務(wù)sj的依賴集合t(sj)越大，表示有越多的候選服務(wù)依賴于sj，說明一旦服務(wù)sj未被選中，將有很多的候選服務(wù)不可選。因此，t(sj)反映了服務(wù)sj的重要性。服務(wù)sj的沖突集合d(sj)越小，表示有越少的候選服務(wù)與sj沖突，說明sj的相容性越好。對于一個web服務(wù)，依賴它的候選服務(wù)越多，與它沖突的候選服務(wù)越少，它的服務(wù)相容度就越大。局部適應(yīng)度u(sj)反映的是候選服務(wù)sj在所屬服務(wù)類中的優(yōu)劣程度，由其效用函數(shù)值和服務(wù)相容度所決定，對于sj的效用函數(shù)值的計算方法，本實施例采用alrifaim中的簡單加權(quán)函數(shù)，即把候選服務(wù)sj的每一個qos屬性值與其服務(wù)類中該屬性的最大值或最小值比較，從而使所有qos屬性值都?xì)w一化為實數(shù)區(qū)間[0,1]范圍之內(nèi)，然后乘以相應(yīng)的權(quán)重，得到其效用函數(shù)值。局部適應(yīng)度反映候選服務(wù)sj在其所屬服務(wù)類中的優(yōu)劣程度，其取值會影響到后期的局部最優(yōu)服務(wù)選擇?；诰植窟m應(yīng)度計算結(jié)果，選取每個服務(wù)類中局部適應(yīng)度值最大的候選服務(wù)，形成最終的全局最優(yōu)或近似全局最優(yōu)的組合服務(wù)。

與上述方法對應(yīng)，本發(fā)明實施例還提供了一種基于全局qos分解的多約束服務(wù)選取裝置，如圖7所示，通過帶有多種約束條件的單目標(biāo)優(yōu)化模型實現(xiàn)，包含：功能約束建立模塊201、局部約束分解模塊202、候選服務(wù)更新模塊203、無解狀態(tài)替換模塊204、局部適應(yīng)度求解模塊205及最終組合服務(wù)選取模塊206，

功能約束建立模塊201，用于根據(jù)服務(wù)依賴關(guān)系的傳遞特性為每一個候選服務(wù)建立相應(yīng)的依賴集合和沖突集合；

局部約束分解模塊202，用于將用戶提供的全局qos約束通過cga文化遺傳算法分解為對應(yīng)于每一個服務(wù)類的局部qos約束；并對服務(wù)類下不滿足局部qos約束的候選服務(wù)進(jìn)行過濾；

候選服務(wù)更新模塊203，用于檢查所有被過濾的候選服務(wù)，若候選服務(wù)在被過濾掉的候選服務(wù)的依賴集合中，則將其從依賴集合中去除，并更新剩余候選服務(wù)的依賴集合和沖突集合；

無解狀態(tài)替換模塊204，用于針對服務(wù)類中的候選服務(wù)通過自適應(yīng)替換方法替換無解狀態(tài)的質(zhì)量標(biāo)尺組合，動態(tài)調(diào)整qos約束邊界；

局部適應(yīng)度求解模塊205，用于根據(jù)全局qos約束和服務(wù)間功能性約束計算候選服務(wù)的服務(wù)相容度及局部適應(yīng)度；

最終組合服務(wù)選取模塊206，根據(jù)局部適應(yīng)度求解模塊中候選服務(wù)的局部適應(yīng)度計算結(jié)果，選取每個服務(wù)類中局部適應(yīng)度最大的候選服務(wù)，依據(jù)選取的候選服務(wù)形成最終組合服務(wù)。

在本發(fā)明的另一個實施例中，所述的局部約束分解模塊包含：適應(yīng)度函數(shù)設(shè)計單元、染色體模型構(gòu)造單元及信念空間學(xué)習(xí)單元，

適應(yīng)度函數(shù)設(shè)計單元，用于通過設(shè)計適應(yīng)度函數(shù)，將全局qos最優(yōu)分解問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題；

染色體模型構(gòu)造單元，用于通過構(gòu)造染色體模型來表示質(zhì)量標(biāo)尺組合，每個服務(wù)類對應(yīng)一個質(zhì)量標(biāo)尺組合；

信念空間學(xué)習(xí)單元，用于將ca遺傳方法的進(jìn)化操作嵌入到ca文化方法的種群空間中，并在信念空間引入?yún)f(xié)同學(xué)習(xí)機制，獲取所有服務(wù)類的最優(yōu)質(zhì)量標(biāo)尺組合。

在上述分析的基礎(chǔ)上，基于cga的全局qos分解算法如下：

為進(jìn)一步驗證本發(fā)明的有效性，下面通過仿真實驗來驗證基于全局qos分解的多約束服務(wù)選取方法在不同候選服務(wù)規(guī)模和不同約束規(guī)模下算法執(zhí)行性能和組合服務(wù)方案最優(yōu)性的表現(xiàn)。算法的執(zhí)行性能用執(zhí)行時間來表示，單位為毫秒(ms)，組合服務(wù)的質(zhì)量用適應(yīng)度來表示，其范圍為(0,1)。

本實驗將本發(fā)明基于全局qos分解的多約束服務(wù)選取方法(wsd-cga算法)與另外三種基于qos的多約束服務(wù)選取方法進(jìn)行分析對比，第一個是采用混合整數(shù)規(guī)劃求解的全局優(yōu)化服務(wù)選取方法(簡稱為gs)，第二個是采用混合遺傳算法來求解在多約束關(guān)系下的服務(wù)選取方法(簡稱hga)，第三個是基于局部近似過濾的多約束服務(wù)選取方法(簡稱ldpso)。實驗中采用公共有效數(shù)據(jù)集qws，它所有的數(shù)據(jù)均來自于互聯(lián)網(wǎng)上的公共web服務(wù)。該數(shù)據(jù)集包括2500個真實web服務(wù)及其對應(yīng)的9個qos屬性值。本發(fā)明假設(shè)組合服務(wù)由5個基本服務(wù)類構(gòu)成，并選取了qws數(shù)據(jù)集中的4個qos屬性，分別為響應(yīng)時間、可用性、可靠性和成本，規(guī)定其權(quán)重值分別為0.35，0.25，0.3，0.1。全局qos約束條件為：(1)響應(yīng)時間<2s，(2)可用性>0.4，(3)可靠性>0.4，(4)成本<100元。在wsd-cga方法中，交叉概率為p1＝0.85，變異概率為p2＝0.05，挑選到信念空間的較優(yōu)解個數(shù)q＝20，信念空間中解的累計更新次數(shù)η＝5，組成協(xié)同學(xué)習(xí)組的染色體數(shù)t＝5，最大迭代次數(shù)為m＝200，質(zhì)量標(biāo)尺總數(shù)d＝10。仿真對實驗運行50次取平均值。實驗環(huán)境為：pentiumdual2.4ghz，2.0gbram，windows7，matlab2009a，java1.8。

不同候選服務(wù)規(guī)模下的算法性能

本次實驗將候選服務(wù)間的約束規(guī)模co設(shè)置為定量，通過改變基本服務(wù)類下的候選服務(wù)數(shù)量n來分析方法的執(zhí)行時間和組合方案的最優(yōu)性的變化，其中co＝400，n從40變化至360。實驗結(jié)果如圖8所示：(a)為執(zhí)行時間對比圖，(b)組合服務(wù)適應(yīng)度對比。圖8展示了4種方法在不同候選服務(wù)規(guī)模下的執(zhí)行時間和組合服務(wù)的適應(yīng)度。由仿真結(jié)果可得，本發(fā)明的wsd-cga方法的平均執(zhí)行時間為247.5ms，要優(yōu)于gs的592.4ms、hga的486.3ms和ldpso的320.7ms，且執(zhí)行時間不隨候選服務(wù)數(shù)量的增加而快速增長。wsd-cga通過全局qos分解過濾候選服務(wù)空間，相當(dāng)于其搜索空間大小由m·r·d(m是服務(wù)類數(shù)量，r是全局qos屬性約束數(shù)量，d是質(zhì)量標(biāo)尺總數(shù))決定，候選服務(wù)規(guī)模的增加對搜索空間的影響較小，故其時間性能相對于其他3種算法來說更優(yōu)。

為了便于對4種方法的最優(yōu)性進(jìn)行比較，約定gs方法的適應(yīng)度為f1，hga方法的適應(yīng)度為f2，ldpso的適應(yīng)度為f3，wsd-cga的適應(yīng)度為f4，最優(yōu)性依次為t1,t2,t3,t4，其中，t1＝f1/f1(全局優(yōu)化方法gs的最優(yōu)性為100％)，t2＝f2/f1,t3＝f3/f1,t4＝f4/f1。

從仿真結(jié)果可得，wsd-cga的最優(yōu)性平均值可達(dá)98.7％，幾乎接近全局優(yōu)化方法gs的最優(yōu)性水平，且優(yōu)于hga的92％和ldpso的97.3％。因為wsd-cga在信念空間中引入了協(xié)同學(xué)習(xí)機制，通過染色體之間的相互學(xué)習(xí)將優(yōu)良基因遺傳下來，使得分解后的局部qos約束符合實際情況，能夠篩選出質(zhì)量更優(yōu)的組合服務(wù)。

不同約束規(guī)模下的算法性能

本次實驗將基本服務(wù)類下的候選服務(wù)數(shù)量n設(shè)置為定量，通過改變候選服務(wù)間的約束規(guī)模co來分析方法的執(zhí)行時間和組合方案的最優(yōu)性變化，其中n＝120，co從200變化到1000。實驗結(jié)果如圖9所示：(a)執(zhí)行時間對比，(b)組合服務(wù)適應(yīng)度對比。圖9展示了4種方法在不同約束規(guī)模下的執(zhí)行時間和組合服務(wù)的適應(yīng)度。由于全局優(yōu)化方法gs并沒有考慮到候選服務(wù)間的依賴沖突關(guān)系，所以其執(zhí)行時間不受到約束規(guī)模的影響，平均值達(dá)到了286.4ms，甚至要優(yōu)于wsd-cga方法的平均值410.6ms，但是在云計算環(huán)境中，海量web服務(wù)資源之間必定會存在著大量的依賴或者沖突關(guān)系，故用全局優(yōu)化方法gs求解出來的組合服務(wù)有很大概率不能夠滿足用戶的實際需求。而wsd-cga為每一個候選服務(wù)建立了依賴集合和沖突集合，這一過程可能會受到約束規(guī)模的劇烈增長而耗費較多的時間，但是其為多約束關(guān)系過濾提供了更多的信息，能夠過濾掉更多無用的服務(wù)，避免了大量的冗余搜索，為后續(xù)的局部尋優(yōu)節(jié)省了時間，使得其相對于hga(1740.5ms)和ldpso(726.3ms)更具時間優(yōu)勢。

根據(jù)仿真結(jié)果可知，當(dāng)約束規(guī)模在[200，1000]范圍內(nèi)時，wsd-cga的最優(yōu)性平均值達(dá)到了97.9％，優(yōu)于hga的93.7％和ldpso的96.5％。原因在于，wsd-cga在進(jìn)行局部最優(yōu)服務(wù)選取時，定義了相容度這一概念，其與候選服務(wù)之間的約束規(guī)模緊密相關(guān)。通過將服務(wù)之間的多約束關(guān)系納入到服務(wù)選取的過程中，使得最終篩選出的組合服務(wù)質(zhì)量更優(yōu)，且更能夠符合實際應(yīng)用情況。

本說明書中各個實施例采用遞進(jìn)的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。

結(jié)合本文中所公開的實施例描述的各實例的單元及方法步驟，能夠以電子硬件、計算機軟件或者二者的結(jié)合來實現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已按照功能一般性地描述了各示例的組成及步驟。這些功能是以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計約束條件。本領(lǐng)域普通技術(shù)人員可以對每個特定的應(yīng)用來使用不同方法來實現(xiàn)所描述的功能，但是這種實現(xiàn)不認(rèn)為超出本發(fā)明的范圍。

本領(lǐng)域普通技術(shù)人員可以理解上述方法中的全部或部分步驟可通過程序來指令相關(guān)硬件完成，所述程序可以存儲于計算機可讀存儲介質(zhì)中，如：只讀存儲器、磁盤或光盤等?？蛇x地，上述實施例的全部或部分步驟也可以使用一個或多個集成電路來實現(xiàn)，相應(yīng)地，上述實施例中的各模塊/單元可以采用硬件的形式實現(xiàn)，也可以采用軟件功能模塊的形式實現(xiàn)。本發(fā)明不限制于任何特定形式的硬件和軟件的結(jié)合。

對所公開的實施例的上述說明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本申請。對這些實施例的多種修改對本領(lǐng)域的專業(yè)技術(shù)人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本申請的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本申請將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。