[发明专利]一种基于可信度筛选的Web服务组合方法

权利要求书

1.一种基于可信度筛选的Web服务组合方法，其特征在于，该方法包括以下步骤：

(1)针对Web服务的某个QoS属性，采用贝叶斯学习理论结合时间因素的方法，计算该属性的可信度值；

(2)计算候选服务集合中每个候选服务各QoS属性的可信度值，根据可信度值采用skyline理论将被支配的候选服务删除，得到可信的候选服务集合作为后续优化的求解空间；具体步骤如下：

1)根据步骤(1)所述可信度值计算方法，计算子任务候选服务集合中每个候选服务各QoS属性的可信度值，得到候选服务的QoS属性可信度集合其中，表示候选服务ws_i的QoS可信度集合，表示候选服务ws_i的第q_n个QoS的可信度值；

2)根据可信度集合，利用skyline理论依次将候选服务与其他候选服务比较，将被支配的候选服务从候选服务集合中删除，其中被支配的规则为：假设候选服务ws_m和ws_n，当ws_m所有QoS属性的可信度值均不优于ws_n对应QoS属性的可信度值，并且至少存在一个QoS属性的可信度值完全劣于ws_n对应QoS属性的可信度值，则ws_m是被支配的；

3)所有候选服务比较后，得到可信的候选服务集合；

(3)根据各QoS属性，构建多目标模型，采用改进多目标粒子群算法对该多目标模型进行优化，求解Web服务组合方案；具体包括以下步骤：

1)针对QoS属性量纲不一致的情况，采用归一化方法将QoS属性值转化到[0,1]范围；

2)根据不同工作流模型下QoS聚合函数的计算式，计算组合服务的每个QoS的聚合值，作为目标函数，并设置QoS约束；

3)将可信的候选服务集合作为求解空间，构建多目标优化模型。

2.根据权利要求1所述的基于可信度筛选的Web服务组合方法，其特征在于，步骤(1)中计算Web服务某个QoS属性的可信度值，包括以下步骤：

1)根据Web服务的某个QoS属性的发布值q和历史运行值记录q′计算信任度R，计算式如下：

2)选取某段时间该属性的历史运行记录，通过上述式(1)得到该属性的信任度集合其中表示第i次运行的信任度，d_i表示第i次运行时距离当前时间的天数；

3)假设不信任度计算该段时间内该属性的总体信任度和总体不信任度，计算式如下：

其中，λ为时间因子，0＜λ≤1，表示时间对信任度的重要程度；R_λ,q表示该属性q的总体信任度；i表示第i次运行，i∈[1,2，…，n]；表示该属性的总体不信任度；表示第i次运行的不信任度，d_i表示第i次运行时距离当前时间的天数；

4)根据贝叶斯学习理论，计算该属性的可信度值rep_q，计算式如下：

3.根据权利要求1所述的基于可信度筛选的Web服务组合方法，其特征在于，步骤(3)中改进多目标粒子群算法，包括如下步骤：

1)设置算法参数：包括种群规模、最大迭代次数、公式参数等；

2)初始化种群：采用佳点集理论初始化种群；

3)初始化存储集：根据适应度函数计算每个粒子的适应度，并通过非支配排序选择非支配的粒子加入存储集中；

4)初始化个体最优和全局最优：将每个粒子的适应度值作为自己的初始个体最优，从存储集中根据目标函数的权值排序选择最优的粒子作为全局最优；

5)初始化迭代次数为1；

6)更新粒子的速度和位置：通过如下速度更新公式和位置更新公式计算得到新的粒子；

v_j,t＝ωv_j,t+c₁r₁(p_j,best-x_j,t-1)+c₂r₂(g_best-x_j,t-1) (5)

x_j,t＝x_j,t-1+v_j,t (6)

其中，j是粒子的序列；ω为惯性权重；v_j,t为粒子j在迭代数为t时的粒子速度；x_j,t为粒子j在迭代数为t时的粒子位置；p_j,best为粒子j的个体最优；g_best为全局最优；c₁为个体加速因子，c₂为全局加速因子；r₁和r₂为0和1之间的随机数；

7)种群更新：将上一代粒子种群与新得到的粒子混合，得到一个临时种群，选择种群规模数量的粒子作为新的种群，选择规则为：首先根据非支配排序从临时种群中选择出非支配的粒子，若选择出的粒子数量达到种群规模则停止选择，若未达到则再次根据非支配排序从剩余的粒子种群中选择非支配的粒子，直到选择的粒子数量达到种群规模；

8)更新个体最优：根据适应度函数计算新种群中每个粒子的适应度，与当前个体最优进行比较，选择更优的粒子作为新的个体最优；

9)更新存储集：通过非支配排序从新种群中选择出非支配粒子，将这些非支配粒子与存储集中的粒子进行混合，再次根据非支配排序选择非支配的粒子作为新的存储集；

10)更新全局最优：根据粒子的目标函数的权值和进行排序，选择最优的粒子作为新的全局最优；

11)更新参数：对速度更新公式和位置更新公式中的参数进行动态更新；

12)迭代数加1，并判断迭代数是否达到最大迭代数，若未达到则循环到步骤6)；若达到则进入下一步；

13)输出存储集，得到一系列组合方案，这些方案均满足用户需求。