基于動態(tài)自適應(yīng)混沌蟻群算法的Web服務(wù)組合方法
【專利摘要】本發(fā)明提出一種基于動態(tài)自適應(yīng)混沌蟻群算法的Web服務(wù)組合方法，采用兩種螞蟻并行搜索，前期階段采用最小的揮發(fā)系數(shù)與最小的期望啟發(fā)因子，并加入混沌擾動；后期不再加入混沌擾動，并提高揮發(fā)系數(shù)和期望啟發(fā)因子，加快了收斂速度；根據(jù)適應(yīng)度值的方差來作為一個階段向下一個階段轉(zhuǎn)變的標(biāo)準(zhǔn)，適應(yīng)大規(guī)模的情況。本發(fā)明的方法能夠提高蟻群算法搜索Web服務(wù)組合的全局搜索能力，有效抑制其陷入局部最優(yōu)，且加快了收斂速度，縮短了運行時間，提高了性能，具有較強(qiáng)的魯棒性。
【專利說明】
基于動態(tài)自適應(yīng)混巧蟻群算法的Web服務(wù)組合方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于計算機(jī)領(lǐng)域，尤其是一種基于動態(tài)自適應(yīng)混濁蟻群算法的Web服務(wù)組 合方法。
【背景技術(shù)】
[0002] 隨著互聯(lián)網(wǎng)的快速發(fā)展，工商業(yè)領(lǐng)域到處都充滿著Web服務(wù)。因此，產(chǎn)生了許多功 能相同的Web服務(wù)。此外，單個Web服務(wù)不能完全解決用戶提出的各方面請求。Web服務(wù)組合 的目的主要是把互聯(lián)網(wǎng)中各個功能單一的Web服務(wù)按照某種有效的方式組合起來，能夠提 高效率。目前廣泛采用的服務(wù)度量標(biāo)準(zhǔn)為QoS(Quality of Service),QoS評價指標(biāo)主要包 括信譽(yù)度、可用性、成本費用、響應(yīng)時間等。但運只僅僅反映了服務(wù)技術(shù)方面的特性，用戶的 主觀方面被忽略了，所W不能夠反映用戶對服務(wù)的滿意程度。體驗質(zhì)量（Quality Of Experience,QoE)是憑借用戶滿意程度來作為評價標(biāo)準(zhǔn)的。它結(jié)合了網(wǎng)絡(luò)性能、業(yè)務(wù)質(zhì)量、 主觀評測等影響因素，直接反映了用戶對服務(wù)舒適度的滿意程度。Web服務(wù)組合的實質(zhì)為NP 難問題，目前主流的算法是智能優(yōu)化算法。蟻群算法是智能優(yōu)化算法中的一種，該算法引入 正反饋機(jī)制，具有較強(qiáng)的魯棒性、優(yōu)良的分布式計算機(jī)制等優(yōu)點，但是在全局捜索和局部捜 索的平衡能力上有待進(jìn)一步的研究。參數(shù)的設(shè)置也對蟻群算法的性能有著重要的影響。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所解決的技術(shù)問題在于提供一種基于動態(tài)自適應(yīng)混濁蟻群算法的Web服務(wù) 組合方法，采用兩種媽蟻并行捜索，前期階段采用最小的揮發(fā)系數(shù)與最小的期望啟發(fā)因子， 并加入混濁擾動;后期不再加入混濁擾動，并提高揮發(fā)系數(shù)和期望啟發(fā)因子，加快了收斂速 度;根據(jù)適應(yīng)度值的方差來作為一個階段向下一個階段轉(zhuǎn)變的標(biāo)準(zhǔn)，適應(yīng)大規(guī)模的情況。
[0004] 實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：
[0005] 基于動態(tài)自適應(yīng)混濁蟻群算法的Web服務(wù)組合方法，包括W下步驟：
[0006] 步驟1:建立Web服務(wù)組合模型，得到適應(yīng)度函數(shù)：
[0007]
[000引其中，QoE表示體驗質(zhì)量，i表示第i條路徑，QoEi表示第i條路徑上的體驗質(zhì)量，化表 示從起點到終點總的路徑數(shù)；
[0009] 步驟2:初始化參數(shù)，包括:設(shè)置每條路徑上的信息素 Tu(t) = const、初始線路（i, j)上的信息量ATij (〇)=〇,其中，const表示常數(shù)；
[0010] 步驟3:將N個常規(guī)媽蟻和Si個特殊媽蟻放在起始位置進(jìn)行前期階段迭代，根據(jù)狀 態(tài)轉(zhuǎn)移概率和輪盤選擇原則更新信息素；
[0011] 步驟4:將N個常規(guī)媽蟻和S2個特殊媽蟻放在起始位置進(jìn)行中期階段迭代，根據(jù)狀 態(tài)轉(zhuǎn)移概率和輪盤選擇原則更新信息素，其中S2<Sl;
[0012] 步驟5:將N個常規(guī)媽蟻放在起始位置進(jìn)行后期階段迭代，根據(jù)狀態(tài)轉(zhuǎn)移概率和輪 盤選擇原則更新信息素，輸出最佳的Web服務(wù)路徑。
[0013] 進(jìn)一步的，本發(fā)明的基于動態(tài)自適應(yīng)混濁蟻群算法的Web服務(wù)組合方法，步驟3中 的前期階段迭代具體包括：
[0014] 步驟3-1:將N個常規(guī)媽蟻和Si個特殊媽蟻放在起始位置，設(shè)置迭代次數(shù)Nei = 0;
[0015] 步驟3-2:常規(guī)媽蟻根據(jù)第一狀態(tài)轉(zhuǎn)移概率進(jìn)行捜索，并根據(jù)輪盤選擇原則將常規(guī) 媽蟻移動到概率最大的服務(wù)下；
[0016] 步驟3-3:特殊媽蟻根據(jù)第二狀態(tài)轉(zhuǎn)移概率進(jìn)行捜索，并根據(jù)輪盤選擇原則將特殊 媽蟻移動到概率最大的服務(wù)下；
[0017] 步驟3-4:更新每條路徑上的信息素；
[001引步驟3-5:令Nci = Nci+l，判斷迭代次數(shù)Nci是否達(dá)到固定次數(shù)Ml,若是，則轉(zhuǎn)到步驟 3- 6,若否，則轉(zhuǎn)到步驟3-2;
[0019] 步驟3-6:重復(fù)步驟3-2到步驟3-4共A次，并計算每次迭代的適應(yīng)度值，得到A次適 應(yīng)度值的方差Bi;
[0020] 步驟3-7:若Bi《化，則轉(zhuǎn)到步驟3-6,否則結(jié)束前期階段迭代，其中，化是方差Bi的 口限值。
[0021] 進(jìn)一步的，本發(fā)明的基于動態(tài)自適應(yīng)混濁蟻群算法的Web服務(wù)組合方法，步驟4中 的中期階段迭代具體包括：
[0022] 步驟4-1:將N個常規(guī)媽蟻和S2個特殊媽蟻放在起始位置，設(shè)置迭代次數(shù)Nc2 = 0，其 中，S2<Sl;
[0023] 步驟4-2:常規(guī)媽蟻根據(jù)第一狀態(tài)轉(zhuǎn)移概率進(jìn)行捜索，并根據(jù)輪盤選擇原則將常規(guī) 媽蟻移動到概率最大的服務(wù)下；
[0024] 步驟4-3:特殊媽蟻根據(jù)第二狀態(tài)轉(zhuǎn)移概率進(jìn)行捜索，并根據(jù)輪盤選擇原則將特殊 媽蟻移動到概率最大的服務(wù)下；
[0025] 步驟4-4:更新每條路徑上的信息素；
[0026] 步驟4-5:令Nc2 = Nc2+1，判斷迭代次數(shù)Nc2是否達(dá)到固定次數(shù)M2,若是，則轉(zhuǎn)到步驟 4- 6,若否，則轉(zhuǎn)到步驟4-2;
[0027] 步驟4-6:重復(fù)步驟4-2到步驟4-4共A次，并計算每次迭代的適應(yīng)度值，得到A次適 應(yīng)度值的方差B2;
[002引步驟4-7:若B2《化，則轉(zhuǎn)到步驟4-6,否則結(jié)束中期階段迭代，其中，Q2是方差B2的 口限值。
[0029] 進(jìn)一步的，本發(fā)明的基于動態(tài)自適應(yīng)混濁蟻群算法的Web服務(wù)組合方法，步驟5中 的后期階段迭代具體包括：
[0030] 步驟5-1:將N個常規(guī)媽蟻放在起始位置，無特殊媽蟻，設(shè)置迭代次數(shù)斯3 = 0;
[0031 ]步驟5-2:常規(guī)媽蟻根據(jù)第一狀態(tài)轉(zhuǎn)移概率進(jìn)行捜索，并根據(jù)輪盤選擇原則將常規(guī) 媽蟻移動到概率最大的服務(wù)下；
[0032] 步驟5-3:更新每條路徑上的信息素；
[0033] 步驟5-4:令Nc3 = Nc3+1，判斷迭代次數(shù)Nc3是否達(dá)到固定次數(shù)M3,若是，則轉(zhuǎn)到步驟 5- 5,若否，則轉(zhuǎn)到步驟5-2;
[0034] 步驟5-5:重復(fù)步驟5-2到步驟5-3共A次，并計算每次迭代的適應(yīng)度值，得到A次適 應(yīng)度值的方差B3;
[0035] 步驟5-6:若B3《化，則轉(zhuǎn)到步驟5-5，否則結(jié)束后期階段迭代，其中，Q3是方差B3的 口限值。
[0036] 進(jìn)一步的，本發(fā)明的基于動態(tài)自適應(yīng)混濁蟻群算法的Web服務(wù)組合方法，第一狀態(tài) 轉(zhuǎn)移概率為：
[0037]
[003引其中，卻。表示在t時刻第k只媽蟻由服務(wù)i移動到j(luò)服務(wù)的概率;allowedk表示在t 時刻第k只媽蟻接下來可W選擇的服務(wù);a表示信息啟發(fā)式因子;0表示期望啟發(fā)式因子;IUj (t )表示由i移動至Ij j的期望程度，前期階段0 = 01?，中期階段0 = Pmid，后期0 = Phigh，且01ow< emid<ehigh，其中，扣OW是前期階段的期望啟發(fā)式因子，IUl是中期階段的期望啟發(fā)式因子，扣Igh 是后期階段的期望啟發(fā)式因子。
[0039] 進(jìn)一步的，本發(fā)明的基于動態(tài)自適應(yīng)混濁蟻群算法的Web服務(wù)組合方法，第二狀態(tài) 轉(zhuǎn)移概率為：
[0040]
[0041] 其中，m為下一步轉(zhuǎn)移允許的j的總數(shù)，的為第一狀態(tài)轉(zhuǎn)移概率；表示在t時 亥IJ第k只媽蟻由服務(wù)i移動到j(luò)服務(wù)的概率;allowedk表示在t時刻第k只媽蟻接下來可W選 擇的服務(wù)。
[0042] 進(jìn)一步的，本發(fā)明的基于動態(tài)自適應(yīng)混濁蟻群算法的Web服務(wù)組合方法，信息素更 新公式為：
[00創(chuàng) Tij(t+n) = (l-p) ? Tij(t)+ATij(t)+q ? f(Xn)
[0044]
[0045] 其中，P為信息素?fù)]發(fā)度，PG [0,1); ATu(t)表示執(zhí)行完一次尋優(yōu)后線路（i，j)上 的信息素增量，初始化時ATlパt)=0;A^,>)表示第k只媽蟻在執(zhí)行完一次尋優(yōu)后留在線路 (i，j)上的信息量，f(Xn)為混濁變量，q為系數(shù)，Tij(t)為信息素，Tij(t+n)表示完成對n個服 務(wù)遍歷后Q J)路徑上的信息素，M表示總的媽蟻數(shù)，k表示第k個媽蟻。前期階段P = PiDW,中 期階段P = Pmid，后期階段P = Phigh，且Pmid<Pmid<Phigh，其中，Pi?是前期階段的信息素?fù)]發(fā)度， Pmid是中期階段的信息素?fù)]發(fā)度，Phigh是后期階段的信息素?fù)]發(fā)度。
[0046] 進(jìn)一步的，本發(fā)明的基于動態(tài)自適應(yīng)混濁蟻群算法的Web服務(wù)組合方法，信息素更 新公式為：
[0047] Tij(t+n) = (l-p) ? Tij(t)+Axij(t)
[004引其中，Tu(t+n)表示完成對n個服務(wù)遍歷后Q J)路徑上的信息素，P為信息素?fù)]發(fā) 度，P G [0,1)，Tij(t)為信息素 ，ATijCt )表示執(zhí)行完一次尋優(yōu)后線路（i J)上的信息素增 量。
[0049] 本發(fā)明采用W上技術(shù)方案與現(xiàn)有技術(shù)相比，具有W下技術(shù)效果：
[0050] 1、本發(fā)明通過兩種媽蟻和前期階段加入混濁擾動，提高了蟻群算法捜索Web服務(wù) 組合的全局捜索能力，有效抑制其陷入局部最優(yōu)；
[0051] 2、本發(fā)明通過后期階段，加快了蟻群算法的收斂速度，縮短了運行時間，提高了性 能；
[0052] 3、本發(fā)明將蟻群算法的全局捜索能力和局部捜索能力達(dá)到較好的平衡；
[0053] 4、本發(fā)明能夠適應(yīng)不同規(guī)模下的Web服務(wù)組合問題，具有較強(qiáng)的魯棒性。
【附圖說明】
[0054] 圖1是自適應(yīng)混濁蟻群算法整體框架流程圖；
[0055] 圖2是通過模糊專家系統(tǒng)的QoE評估模型；
[0056] 圖3是串聯(lián)的Web服務(wù)組合模型；
[0057] 圖4是基本蟻群算法流程圖。
【具體實施方式】
[0058] 下面詳細(xì)描述本發(fā)明的實施方式，所述實施方式的示例在附圖中示出，其中自始 至終相同或類似的標(biāo)號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參 考附圖描述的實施方式是示例性的，僅用于解釋本發(fā)明，而不能解釋為對本發(fā)明的限制。
[0059] 基本蟻群算法流程圖如圖4所示，本發(fā)明提出了一種基于動態(tài)自適應(yīng)混濁蟻群算 法的Web服務(wù)組合方法，其實時過程模型如圖1所示，主要分為S個階段:前期、中期和后期， 具體包括W下步驟：
[0060] 步驟1 :建立Web服務(wù)組合模型，如圖3所示，選用體驗質(zhì)量（Quality Of Exper i ence，QoE)來評價Web服務(wù)組合，QoE評價模型如圖2所示，得到適應(yīng)度函數(shù)如下：
[0061]
[0062] 其中，QoE表示體驗質(zhì)量，i表示第i條路徑，QoEi表示第i條路徑上的體驗質(zhì)量，化表 示從起點到終點總的路徑數(shù)；
[0063] 步驟2:初始化參數(shù)，包括:設(shè)置每條路徑上的信息素 Tu(t) = const、初始線路（i, j)上的信息量ATij (〇)=〇,其中，const在C語言中表示常數(shù)。
[0064] 步驟3:將N個常規(guī)媽蟻和Si個特殊媽蟻放在起始位置進(jìn)行前期階段迭代，具體為：
[0065] 步驟3-1:將N個常規(guī)媽蟻和Si個特殊媽蟻放在起始位置，設(shè)置迭代次數(shù)Nei = 0;
[0066] 步驟3-2:常規(guī)媽蟻根據(jù)第一狀態(tài)轉(zhuǎn)移概率進(jìn)行捜索，并根據(jù)輪盤選擇原則將常規(guī) 媽蟻移動到概率最大的服務(wù)下；
[0067] 步驟3-3:特殊媽蟻根據(jù)第二狀態(tài)轉(zhuǎn)移概率進(jìn)行捜索，并根據(jù)輪盤選擇原則將特殊 媽蟻移動到概率最大的服務(wù)下；
[0068] 步驟3-4:更新每條路徑上的信息素；
[0069] 步驟3-5:令Nel = Nel+l，判斷迭代次數(shù)Nel是否達(dá)到固定次數(shù)Ml,若是，則轉(zhuǎn)到步驟 3- 6,若否，則轉(zhuǎn)到步驟3-2;
[0070] 步驟3-6:重復(fù)步驟3-2到步驟3-4共A次，并計算每次迭代的適應(yīng)度值，得到A次適 應(yīng)度值的方差Bi;
[0071] 步驟3-7:若Bi《化，則轉(zhuǎn)到步驟3-6,否則結(jié)束前期階段迭代，其中，化是方差Bi的 口限值，Q巧由服務(wù)規(guī)模的大小的得到，規(guī)模越大，Qi越大。
[0072] 步驟4:將N個常規(guī)媽蟻和S2個特殊媽蟻放在起始位置進(jìn)行中期階段迭代，其中S2< Si,具體為：
[0073] 步驟4-1:將N個常規(guī)媽蟻和S2個特殊媽蟻放在起始位置，設(shè)置迭代次數(shù)Nc2 = 0，其 中，S2<Sl;
[0074] 步驟4-2:常規(guī)媽蟻根據(jù)第一狀態(tài)轉(zhuǎn)移概率進(jìn)行捜索，并根據(jù)輪盤選擇原則將常規(guī) 媽蟻移動到概率最大的服務(wù)下；
[0075] 步驟4-3:特殊媽蟻根據(jù)第二狀態(tài)轉(zhuǎn)移概率進(jìn)行捜索，并根據(jù)輪盤選擇原則將特殊 媽蟻移動到概率最大的服務(wù)下；
[0076] 步驟4-4:更新每條路徑上的信息素；
[0077] 步驟4-5:令Nc2 = Nc2+1，判斷迭代次數(shù)Nc2是否達(dá)到固定次數(shù)M2,若是，則轉(zhuǎn)到步驟 4- 6,若否，則轉(zhuǎn)到步驟4-2;
[0078] 步驟4-6:重復(fù)步驟4-2到步驟4-4共A次，并計算每次迭代的適應(yīng)度值，得到A次適 應(yīng)度值的方差B2;
[0079] 步驟4-7:若B2《化，則轉(zhuǎn)到步驟4-6,否則結(jié)束中期階段迭代，其中，Q2是方差B2的 口限值，Q河由服務(wù)規(guī)模的大小的得到，規(guī)模越大，Q2越大。
[0080] 步驟5:將N個常規(guī)媽蟻放在起始位置進(jìn)行后期階段迭代，輸出最佳的Web服務(wù)組合 路徑，具體為：
[0081 ]步驟5-1:將N個常規(guī)媽蟻放在起始位置，無特殊媽蟻，設(shè)置迭代次數(shù)斯3 = 0;
[0082] 步驟5-2:常規(guī)媽蟻根據(jù)第一狀態(tài)轉(zhuǎn)移概率進(jìn)行捜索，并根據(jù)輪盤選擇原則將常規(guī) 媽蟻移動到概率最大的服務(wù)下；
[0083] 步驟5-3:更新每條路徑上的信息素；
[0084] 步驟5-4:令Nc3 = Nc3+1，判斷迭代次數(shù)Nc3是否達(dá)到固定次數(shù)M3,若是，則轉(zhuǎn)到步驟 5- 5,若否，則轉(zhuǎn)到步驟5-2;
[0085] 步驟5-5:重復(fù)步驟5-2到步驟5-3共A次，并計算每次迭代的適應(yīng)度值，得到A次適 應(yīng)度值的方差B3;
[0086] 步驟5-6:若B3《化，則轉(zhuǎn)到步驟5-5,否則結(jié)束后期階段迭代，輸出最佳的Web服務(wù) 路徑，其中，跑是方差口限值，跑取一個很小的值，趨向于0。
[0087] 前述步驟3-2、步驟4-2、步驟5-2中的第一狀態(tài)轉(zhuǎn)移概率公式為：
[008引
[0089]其中，A作)表示在t時刻第k只媽蟻由服務(wù)i移動到j(luò)服務(wù)的概率;a 11 owedk表示在t 時刻第k只媽蟻接下來可W選擇的服務(wù);a表示信息啟發(fā)式因子;e表示期望啟發(fā)式因子;ruj (t)表示由i移動到j(luò)的期望程度；前期階段e = 0i?，將0設(shè)為一個較小的值，中期階段(6 = Pmid,后期0 =扣igh，且扣?<emid<0high，其中，扣?是前期階段的期望啟發(fā)式因子，Pmid是中期階 段的期望啟發(fā)式因子，扣Igh是后期階段的期望啟發(fā)式因子。
[0090] 前述步驟3-3、步驟4-3中的第二狀態(tài)轉(zhuǎn)移概率公式為：
[0091]
[0092] 其中，m為下一步轉(zhuǎn)移允許的j的總數(shù)，巧;(〇為第一狀態(tài)轉(zhuǎn)移概率;誠的表示在t時 亥IJ第k只媽蟻由服務(wù)i移動到j(luò)服務(wù)的概率;allowedk表示在t時刻第k只媽蟻接下來可W選 擇的服務(wù)。
[0093] 前述步驟3-4、步驟4-4中的信息素更新公式為：
[0094] Tij(t+n) = (l-p) ? Tij(t)+Axij(t)+q ? f(xn)
[0095]
[0096] 其中，P為信懇素巧發(fā)度，為了防止其無窮地積累，PG [0,1); ATu(t)表示執(zhí)行完 一次尋優(yōu)后線路(i，j)上的信息素增量，初始化時ATu(t)=0;Ar;(f)表示第k只媽蟻在執(zhí)行 完一次尋優(yōu)后留在線路Q J)上的信息量，f (Xn)為混濁變量，q為系數(shù)，Tij(t)為信息素，Tij (t+n)表示完成對n個服務(wù)遍歷后Q J)路徑上的信息素，M表示總的媽蟻數(shù)，k表示第k個媽 蟻。前期階段P = Pi?，Pi?設(shè)為較小的值，可取0.1，信息素范圍Ti j ( t) G [ Tmin，Tmax]，設(shè)置擾動 范圍[0, Thigh];中期階段P = Pmid ,Pmid設(shè)為中間值，可取0.25,信息素范圍Tij(t) G [Tmin, Tmax];設(shè)置擾動范圍[0, Tlow];后期階段P = f>high ,Phigh設(shè)為較大值，可取0.4,信息素范圍Tij (t) E [0,+°°];無混濁擾動,且Pmid〈Pmid〈Phigh ,其中，Plow是自U期階段的f曰息素?fù)]發(fā)度,Pmid是 中期階段的信息素?fù)]發(fā)度，Phigh是后期階段的信息素?fù)]發(fā)度。
[0097] 混濁變量可W由化nt映射模型產(chǎn)生，設(shè)置擾動范圍[(MhighLTent混濁模型如下： [009引
[0099] 式中XnG [0, ILiiG (0,2]，當(dāng)於1時是處于混濁狀態(tài)情況下。
[0100] 前述步驟5-3中的信息素更新公式為：
[0101] Tij(t+n) = (l-p) ? Tij(t)+Axij(t)
[0102] 其中，Tu(t+n)表示完成對n個服務(wù)遍歷后（i，j)路徑上的信息素，P為信息素?fù)]發(fā) 度，pG[0，l)，Tlパt)為信息素，ATlパt)表示執(zhí)行完一次尋優(yōu)后線路（i，j)上的信息素增 量。
[0103] W上所述僅是本發(fā)明的部分實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人 員來說，在不脫離本發(fā)明原理的前提下，還可W做出若干改進(jìn)，運些改進(jìn)應(yīng)視為本發(fā)明的保 護(hù)范圍。
【主權(quán)項】
1. 基于動態(tài)自適應(yīng)混沌蟻群算法的Web服務(wù)組合方法，其特征在于，包括以下步驟： 步驟1:建立Web服務(wù)組合模型，得到適應(yīng)度函數(shù)：其中，QoE表示體驗質(zhì)量，i表示第i條路徑，QoEi表示第i條路徑上的體驗質(zhì)量，Ns表示從 起點到終點總的路徑數(shù)； 步驟2:初始化參數(shù)，包括:設(shè)置每條路徑上的信息素 τij (t) = const、初始線路（i，j)上 的信息量ATij(O)=O; 步驟3:將N個常規(guī)螞蟻和S1A特殊螞蟻放在起始位置進(jìn)行前期階段迭代，根據(jù)狀態(tài)轉(zhuǎn)移 概率和輪盤選擇原則更新信息素； 步驟4:將N個常規(guī)螞蟻和S2個特殊螞蟻放在起始位置進(jìn)行中期階段迭代，根據(jù)狀態(tài)轉(zhuǎn)移 概率和輪盤選擇原則更新信息素，其中&〈&; 步驟5:將N個常規(guī)螞蟻放在起始位置進(jìn)行后期階段迭代，根據(jù)狀態(tài)轉(zhuǎn)移概率和輪盤選 擇原則更新信息素，輸出最佳的Web服務(wù)路徑。2. 根據(jù)權(quán)利要求1所述的基于動態(tài)自適應(yīng)混沌蟻群算法的Web服務(wù)組合方法，其特征在 于，步驟3中的前期階段迭代具體包括： 步驟3-1:將N個常規(guī)螞蟻和S1個特殊螞蟻放在起始位置，設(shè)置迭代次數(shù)Nel = 0; 步驟3-2:常規(guī)螞蟻根據(jù)第一狀態(tài)轉(zhuǎn)移概率進(jìn)行搜索，并根據(jù)輪盤選擇原則將常規(guī)螞蟻 移動到概率最大的服務(wù)下； 步驟3-3:特殊螞蟻根據(jù)第二狀態(tài)轉(zhuǎn)移概率進(jìn)行搜索，并根據(jù)輪盤選擇原則將特殊螞蟻 移動到概率最大的服務(wù)下； 步驟3-4:更新每條路徑上的信息素； 步驟3-5:令Nu = 1+1，判斷迭代次數(shù)K1是否達(dá)到固定次數(shù)M1，若是，則轉(zhuǎn)到步驟3-6，若 否，則轉(zhuǎn)到步驟3-2; 步驟3-6:重復(fù)步驟3-2到步驟3-4共A次，并計算每次迭代的適應(yīng)度值，得到A次適應(yīng)度 值的方差B1; 步驟3-7:若B1SQ1,則轉(zhuǎn)到步驟3-6,否則結(jié)束前期階段迭代，其中，Q1是方差B 1的門限 值。3. 根據(jù)權(quán)利要求1所述的基于動態(tài)自適應(yīng)混沌蟻群算法的Web服務(wù)組合方法，其特征在 于，步驟4中的中期階段迭代具體包括： 步驟4-1:將N個常規(guī)螞蟻和S2個特殊螞蟻放在起始位置，設(shè)置迭代次數(shù)K2 = 0，其中，&〈 Si； 步驟4-2:常規(guī)螞蟻根據(jù)第一狀態(tài)轉(zhuǎn)移概率進(jìn)行搜索，并根據(jù)輪盤選擇原則將常規(guī)螞蟻 移動到概率最大的服務(wù)下； 步驟4-3:特殊螞蟻根據(jù)第二狀態(tài)轉(zhuǎn)移概率進(jìn)行搜索，并根據(jù)輪盤選擇原則將特殊螞蟻 移動到概率最大的服務(wù)下； 步驟4-4:更新每條路徑上的信息素； 步驟4-5:令I(lǐng)2 =仏2+1，判斷迭代次數(shù)K2是否達(dá)到固定次數(shù)M2，若是，則轉(zhuǎn)到步驟4-6，若 否，則轉(zhuǎn)到步驟4-2; 步驟4-6:重復(fù)步驟4-2到步驟4-4共A次，并計算每次迭代的適應(yīng)度值，得到A次適應(yīng)度 值的方差B2; 步驟4-7:若B2SQ2,則轉(zhuǎn)到步驟4-6,否則結(jié)束中期階段迭代，其中，Q2是方差B 2的門限 值。4. 根據(jù)權(quán)利要求1所述的基于動態(tài)自適應(yīng)混沌蟻群算法的Web服務(wù)組合方法，其特征在 于，步驟5中的后期階段迭代具體包括： 步驟5-1:將N個常規(guī)螞蟻放在起始位置，無特殊螞蟻，設(shè)置迭代次數(shù)K3 = O; 步驟5-2:常規(guī)螞蟻根據(jù)第一狀態(tài)轉(zhuǎn)移概率進(jìn)行搜索，并根據(jù)輪盤選擇原則將常規(guī)螞蟻 移動到概率最大的服務(wù)下； 步驟5-3:更新每條路徑上的信息素； 步驟5-4:令Nc3 = Nc3+l，判斷迭代次數(shù)Nc3是否達(dá)到固定次數(shù)M3，若是，則轉(zhuǎn)到步驟5-5，若 否，則轉(zhuǎn)到步驟5-2; 步驟5-5:重復(fù)步驟5-2到步驟5-3共A次，并計算每次迭代的適應(yīng)度值，得到A次適應(yīng)度 值的方差B3; 步驟5-6:若B3SQ3,則轉(zhuǎn)到步驟5-5,否則結(jié)束后期階段迭代，其中，Q3是方差B 3的門限 值。5. 根據(jù)權(quán)利要求2或3或4所述的基于動態(tài)自適應(yīng)混沌蟻群算法的Web服務(wù)組合方法，其 特征在于，第一狀態(tài)轉(zhuǎn)移概率為：其中，i#)表示在t時刻第k只螞蟻由服務(wù)i移動到j(luò)服務(wù)的概率;allowedk表示在t時刻 第k只螞蟻接下來可以選擇的服務(wù);α表示信息啟發(fā)式因子;β表示期望啟發(fā)式因子;ruXt)表 示由i移動到j(luò)的期望程度，前期階段β = β??，中期階段β = Pmid，后期β = Phigh，且01?〈ftnid〈 ftngh，其中，ft?是前期階段的期望啟發(fā)式因子，iUd是中期階段的期望啟發(fā)式因子，ftngh是后 期階段的期望啟發(fā)式因子。6. 根據(jù)權(quán)利要求2或3所述的基于動態(tài)自適應(yīng)混沌蟻群算法的Web服務(wù)組合方法，其特 征在于，第二狀態(tài)轉(zhuǎn)移概率為：其中，m為下一步轉(zhuǎn)移允許的j的總數(shù)，4的為第一狀態(tài)轉(zhuǎn)移概率;if的表示在t時刻第k 只螞蟻由服務(wù)i移動到j(luò)服務(wù)的概率;allowedk表示在t時刻第k只螞蟻接下來可以選擇的服 務(wù)。7. 根據(jù)權(quán)利要求2或3所述的基于動態(tài)自適應(yīng)混沌蟻群算法的Web服務(wù)組合方法，其特 征在于，信息素更新公式為：其中，P為信息素?fù)]發(fā)度，pe[0,1); AT1Kt)表示執(zhí)行完一次尋優(yōu)后線路（i，j)上的信 息素增量，初始化時八1^(〇 = 0^『,丨(〇表示第k只螞蟻在執(zhí)行完一次尋優(yōu)后留在線路(i，j) 上的信息量，f(Xn)為混沌變量，q為系數(shù)，T^(t)為信息素， Tlj(t+n)表示完成對η個服務(wù)遍歷 后（i，j)路徑上的信息素，M表示總的螞蟻數(shù)，k表示第k個螞蟻。前期階段P = Plcw，中期階段P = Pmid，后期階段P = Phigh，且Pmid〈Pmid〈Phigh，其中，Plow是前期階段的信息素?fù)]發(fā)度，Pmid是中 期階段的信息素?fù)]發(fā)度，Ph lgh是后期階段的信息素?fù)]發(fā)度。 8 .根據(jù)權(quán)利要求4所述的基于動態(tài)自適應(yīng)混沌蟻群算法的Web服務(wù)組合方法，其特征在 于，信息素更新公式為： Tij(t+n) = (l-p) · Tij(t)+ATij(t) 其中，Tlj(t+n)表示完成對η個服務(wù)遍歷后（i，j)路徑上的信息素，P為信息素?fù)]發(fā)度，P e [0,1)，Tij(t)為信息素，ATij(t)表示執(zhí)行完一次尋優(yōu)后線路(i, j)上的信息素增量。
【文檔編號】G06N3/12GK106022475SQ201610548769
【公開日】2016年10月12日
【申請日】2016年7月13日
【發(fā)明人】周井泉, 承松
【申請人】南京郵電大學(xué)