常瑞云,周井泉,許 斌,亓 晉

(1.南京郵電大學(xué) 電子科學(xué)與工程學(xué)院，江蘇 南京 210003；2.南京郵電大學(xué) 物聯(lián)網(wǎng)學(xué)院，江蘇 南京 210003)

基于離散人工群算法的云制造服務(wù)組合

常瑞云1,周井泉1,許 斌2,亓 晉2

(1.南京郵電大學(xué) 電子科學(xué)與工程學(xué)院，江蘇 南京 210003；2.南京郵電大學(xué) 物聯(lián)網(wǎng)學(xué)院，江蘇 南京 210003)

隨著互聯(lián)網(wǎng)、云計(jì)算等網(wǎng)絡(luò)技術(shù)的快速發(fā)展，單一制造服務(wù)已無(wú)法滿足用戶日益復(fù)雜的制造任務(wù)，所以云制造服務(wù)組合問(wèn)題一直是近年來(lái)應(yīng)用和研究的熱點(diǎn)，為典型NP難題。文中針對(duì)云制造服務(wù)組合優(yōu)選問(wèn)題，改進(jìn)原始人工蜂群算法(Artificial Bee Colony,ABC)，提出了一種基于局部搜索離散蜂群算法(Location Search Discrete Artificial Bee Colony,LSDABC)，從而為用戶選擇服務(wù)質(zhì)量(Quality of Service,QoS)最優(yōu)的服務(wù)組合執(zhí)行路徑。該算法引入種群的選擇概率和對(duì)最優(yōu)解的局部搜索策略，提升算法的開(kāi)采能力、收斂速度，同時(shí)避免出現(xiàn)搜索停滯陷入局部最優(yōu)。最后將LSDABC應(yīng)用于云制造服務(wù)組合優(yōu)選中進(jìn)行仿真實(shí)驗(yàn)，并將結(jié)果與原始ABC、DE、PSO算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明，LSDABC具有較好的求解質(zhì)量和魯棒性。

云制造服務(wù)組合；ABC算法；LSDABC算法；QoS；局部搜索

1 概 述

21世紀(jì)是一個(gè)全球化合作、競(jìng)爭(zhēng)、共贏的新時(shí)代，我國(guó)制造企業(yè)向服務(wù)型轉(zhuǎn)換是大勢(shì)所趨。隨著互聯(lián)網(wǎng)技術(shù)特別是云計(jì)算技術(shù)的發(fā)展，應(yīng)用中出現(xiàn)越來(lái)越多功能相似或相同的服務(wù)，組合這些功能單一的服務(wù)，使其高效完成復(fù)雜制造任務(wù)已成為應(yīng)用熱點(diǎn)。云制造[1]中用戶利用網(wǎng)絡(luò)和云制造平臺(tái)，根據(jù)自身需求調(diào)用位于不同位置的服務(wù)資源或能力，完成制造任務(wù)。云制造服務(wù)組合[2]克服地理位置上的障礙，將分散的制造資源通過(guò)云制造系統(tǒng)集中管理，當(dāng)用戶有需要時(shí)通過(guò)云服務(wù)中心對(duì)制造服務(wù)及資源進(jìn)行調(diào)用。所以，如何針對(duì)用戶的制造任務(wù)，構(gòu)建滿足各項(xiàng)需求和約束條件且整體QoS最優(yōu)的組合云服務(wù)執(zhí)行路徑，是云制造服務(wù)環(huán)節(jié)中必需解決的關(guān)鍵問(wèn)題。

QoS是當(dāng)前普遍采用的評(píng)價(jià)組合服務(wù)優(yōu)劣的指標(biāo)。基于QoS的服務(wù)組合[3]建模是從非功能屬性角度來(lái)評(píng)價(jià)云服務(wù)的質(zhì)量，通常從云制造服務(wù)的成本(Cost,C)、時(shí)間(Time,T)、可靠性(Reliability,Rel)、滿意度(Satisfaction,Sa)、可用性(Availability,A)、信譽(yù)度(Trust,Tr)、可維護(hù)度(Maintainability,Ma)等幾個(gè)方面來(lái)描述。基于QoS的服務(wù)組合問(wèn)題是一個(gè)帶有QoS約束的多目標(biāo)服務(wù)組合優(yōu)化問(wèn)題。

近年來(lái)研究者已經(jīng)開(kāi)發(fā)和改進(jìn)了一些智能算法來(lái)解決這些NP難的組合優(yōu)化問(wèn)題。例如，向峰[4]提出了基于群領(lǐng)導(dǎo)算法(GLA)的多目標(biāo)優(yōu)化算法，解決了基于能耗及QoS的多目標(biāo)云制造資源服務(wù)組合優(yōu)化問(wèn)題；鄭偉針對(duì)人工蜂群在組合優(yōu)化當(dāng)中的應(yīng)用進(jìn)行研究，并以0-1背包問(wèn)題對(duì)智能算法在組合優(yōu)化當(dāng)中的應(yīng)用進(jìn)行仿真測(cè)試[5]；劉衛(wèi)寧等[6]針對(duì)云制造系統(tǒng)中云服務(wù)組合優(yōu)化中多目標(biāo)優(yōu)化問(wèn)題進(jìn)行建模、分析、求解，利用改進(jìn)的自適應(yīng)粒子群算法實(shí)現(xiàn)組合優(yōu)化中的多目標(biāo)規(guī)劃問(wèn)題；敬石開(kāi)等[7]提出一種離散粒子群智能優(yōu)化算法，保證在惡意服務(wù)占比較高時(shí)，算法也能保持較高的服務(wù)可靠性；陶飛等[8]開(kāi)發(fā)了一種基于并行自適應(yīng)混沌優(yōu)化與反射遷移(PC-PACO-RM)的并行算法，針對(duì)于云制造服務(wù)組合不規(guī)則、大規(guī)模的優(yōu)化空間，獲得云制造中資源分享的高效策略；Xia等[9]提出了多信息動(dòng)態(tài)更新的蟻群優(yōu)化算法，用以適應(yīng)當(dāng)服務(wù)失效或QoS改變的情況。

綜上所述，利用智能優(yōu)化算法解決云制造服務(wù)組合優(yōu)選問(wèn)題是一種非常有應(yīng)用價(jià)值的研究思路。文中用適應(yīng)度值表述組合服務(wù)的QoS，通過(guò)引入種群選擇概率和對(duì)最優(yōu)解的局部搜索策略，提出一種基于局部搜索的離散人工蜂群算法，并將其應(yīng)用于云制造服務(wù)組合優(yōu)選問(wèn)題中。

實(shí)驗(yàn)結(jié)果表明，該算法的求解速度和求解質(zhì)量都優(yōu)于原始ABC、PSO、DE算法。

2 問(wèn)題描述與相關(guān)定義

云制造服務(wù)的模型如圖1所示。在云制造環(huán)境中，服務(wù)提供方將自身富余的資源(如知識(shí)、數(shù)據(jù)、制造設(shè)備、計(jì)算設(shè)備、軟件工具等)通過(guò)計(jì)算機(jī)系統(tǒng)、物聯(lián)網(wǎng)等進(jìn)行虛擬化，之后再將這些資源進(jìn)行服務(wù)化封裝，發(fā)布到云制造平臺(tái)上；然后，服務(wù)請(qǐng)求方通過(guò)選擇、組合云制造平臺(tái)中的云服務(wù)，構(gòu)建滿足生產(chǎn)制造任務(wù)需求的云制造服務(wù)組合。

圖1 云制造服務(wù)模型

2.1 制造云服務(wù)組合描述

云制造服務(wù)組合的具體過(guò)程如圖2所示。從服務(wù)請(qǐng)求方提交任務(wù)到滿足需求，要經(jīng)歷三個(gè)階段，即分解任務(wù)、為子任務(wù)搜索并匹配子服務(wù)、候選服務(wù)組合及組合路徑優(yōu)選。

圖2 云制造服務(wù)組合的具體過(guò)程

2.2 云制造服務(wù)組合QoS評(píng)估模型

從服務(wù)組合方法和工作流基本模式[10-12]來(lái)看，服務(wù)組合執(zhí)行路徑(Composite Service Execution Paths,CSEP)的生成是一個(gè)面向服務(wù)的工作流，基本結(jié)構(gòu)包含序列模式、并行模式、選擇模式和循環(huán)模式。而在服務(wù)組合中，其他三種模式都要轉(zhuǎn)化為序列模式進(jìn)行服務(wù)質(zhì)量評(píng)價(jià)。因此文中將在序列模式下，從云制造服務(wù)特點(diǎn)、QoS參數(shù)重要程度和可度量的角度出發(fā)，主要考慮成本、執(zhí)行時(shí)間、能耗和可靠度，建立云制造服務(wù)QoS模型：QoS={時(shí)間，成本，能耗，可靠度}={T,C,E，Rel}。并用式(1)來(lái)評(píng)估CSEP的QoS。

其中，α,β,γ,φ分別表示相應(yīng)的參量(時(shí)間、花費(fèi)、能耗、可靠性)的權(quán)重，且α+β+γ+φ=1。

求解最優(yōu)路徑的數(shù)學(xué)模型為：

3 算法描述

3.1 基本人工蜂群算法

人工蜂群[13-14](Artificial Bee Colony,ABC)算法是模擬蜂群內(nèi)部分工和覓食行為的一種較為新穎的群體智能算法。目的是讓蜂群中各種類蜂更好地進(jìn)行協(xié)作，從而實(shí)現(xiàn)蜜蜂采蜜量的最大化，即找到優(yōu)化問(wèn)題的最優(yōu)解。在該智能行為中，蜂群分為引領(lǐng)蜂、跟隨蜂和偵查蜂三類，蜜源的位置代表優(yōu)化問(wèn)題的潛在解，花蜜的豐富程度代表解的質(zhì)量即適應(yīng)度。蜂群完成一次迭代分為3步:

(1)引領(lǐng)蜂對(duì)當(dāng)前蜜源按式(2)進(jìn)行鄰域搜索，并選擇蜜源較為豐富的目標(biāo)。

vij=xij+r(xij-xkj)

(2)

式中，xij，xkj表示種群中的兩個(gè)蜜源；vij是新產(chǎn)生的蜜源。

(2)跟隨蜂根據(jù)引領(lǐng)蜂分享的信息，按式(3)計(jì)算的概率選擇蜜源并進(jìn)行鄰域搜索，保留較好蜜源信息。

(3)

式中，fiti是個(gè)體i的適應(yīng)度值。

(3)如果經(jīng)過(guò)limit次搜索之后，蜜源的質(zhì)量仍未提高，則該雇傭蜂將變成偵察蜂，按式(4)尋找新的蜜源。

xij=lb+r(ub-lb)

(4)

其中，r是(-1,1)中的隨機(jī)數(shù)；ub，lb是種群蜜源的上下限；xij是隨機(jī)產(chǎn)生的新個(gè)體。

3.2 改進(jìn)人工蜂群算法

在ABC中，影響優(yōu)化效果的關(guān)鍵是算法的局部“開(kāi)采”與全局“探測(cè)”。而原始ABC算法局部搜索中，跟隨蜂根據(jù)式(3)的概率選擇蜜源，較差蜜源幾乎得不到更新，種群多樣性無(wú)法保障，同時(shí)在全局搜索中，對(duì)當(dāng)前找到的最優(yōu)解沒(méi)有充分開(kāi)發(fā)，使得蜂群接近最優(yōu)蜜源時(shí)搜索效率明顯下降，從而算法的收斂速度變得很慢。

3.2.1 基于種群的概率選擇

原始ABC算法中，概率選擇僅依據(jù)適應(yīng)度值，使得包含有用信息但適應(yīng)度值較差的超常個(gè)體易被淘汰，而這些漏選的信息將會(huì)直接影響算法的全局收斂能力。而基于種群的方法選擇蜜源進(jìn)行更新，不考慮目標(biāo)函數(shù)值，保持了種群多樣性。位于第k位蜜源的個(gè)體按式(5)計(jì)算被選概率，這種基于種群的概率選擇，使得較差蜜源被選擇的概率增加，避免超常個(gè)體對(duì)選擇過(guò)程的負(fù)面影響。

(5)

其中，a(t)為自適應(yīng)參數(shù)；Max_cycle最大迭代次數(shù)。

進(jìn)化前期，設(shè)置較小的a(t)值來(lái)保證種群多樣性；進(jìn)化后期，個(gè)體差異變小，為避免陷入局部最優(yōu)，出現(xiàn)搜索停滯狀態(tài)，a(t)的值應(yīng)較大。

3.2.2 局部搜索策略

為解決ABC算法“開(kāi)采”能力差的問(wèn)題，現(xiàn)引進(jìn)局部搜索算子對(duì)當(dāng)前最優(yōu)解進(jìn)行鄰域搜索，使其快速找到最優(yōu)蜜源。同時(shí)，原始ABC算法中的搜索算子每次只改變一個(gè)變量，而局部搜索算子可以同時(shí)改變多個(gè)變量，這樣的搜索方式能夠有效加快算法的收斂速度。

局部搜索算法的執(zhí)行步驟如下：

Step1：參數(shù)設(shè)置。局部搜索迭代E次，初始搜索步長(zhǎng)α0，局部搜索迭代計(jì)數(shù)器epoch=0,k=0,xcurrent=xbest；

Step2：迭代計(jì)數(shù)器n=0；

Step3：生成隨機(jī)向量dx，且-αk≤dx≤αk；

Step4：更新epoch，epoch=epoch+1；

Step5：fnew=f(xcurrent+dx)，若fnew≤fcurrent，則fbest=fnew，xbest=xcurrent+dx,n=n+1，轉(zhuǎn)Step7；

Step6：fnew=f(xcurrent-dx)，若fnew≤fbest，則fbest=fnew，xbest=xcurrent-dx,n=n+1，轉(zhuǎn)Step7；

Step7：如果n

Step8：k=k+1；

Step9:αk=αk-1×0.5；

Step10:如果epoch=E，則終止,否則轉(zhuǎn)Step2。

為了充分發(fā)揮局部搜索算子的開(kāi)采能力，初始搜索步長(zhǎng)α0與當(dāng)前最優(yōu)解的數(shù)量級(jí)應(yīng)盡量保持一致。文中取α0=xbest，同時(shí)在每一次更新解之后，都要對(duì)新解進(jìn)行判定，保證其在設(shè)定范圍之內(nèi)。

3.3 LSDABC解決云制造服務(wù)組合問(wèn)題

應(yīng)用LSDABC算法求解云制造服務(wù)組合，首先是優(yōu)化解與蜂群成員的映射，即蜂群的初始化。文中以序列模式為例進(jìn)行實(shí)驗(yàn)論證。目標(biāo)函數(shù)用式(1)表示，函數(shù)值越小，證明該組解的QoS越好。

假設(shè)制造任務(wù)共包含n個(gè)子任務(wù)，每個(gè)子任務(wù)都對(duì)應(yīng)m個(gè)候選服務(wù)數(shù)Sij(T,C,E,Rel)，i表示第i個(gè)子任務(wù)，j表示第j個(gè)子服務(wù)。蜂群的每個(gè)成員(解)代表一條服務(wù)組合路徑，用向量X=[x1,x2,…,xD]表示，其中解的序列組合的維度與組合問(wèn)題中子任務(wù)數(shù)一致。如：服務(wù)組合路徑S16→S23→S31→S47→…→Sn4和S18→S24→S32→S49→…→Sn6，可以用X=[6,3,1,7,…,4]和X=[8,4,2,9,…,6]來(lái)表示解向量。

基于局部搜索離散人工蜂群算法首先設(shè)置相關(guān)參數(shù)，初始化種群產(chǎn)生新蜜源，利用式(1)計(jì)算每組蜜源的適應(yīng)度值，記錄最好適應(yīng)度值及對(duì)應(yīng)蜜源，然后進(jìn)入迭代。引領(lǐng)蜂根據(jù)式(2)去更新解，并對(duì)新解進(jìn)行評(píng)估，然后用式(5)計(jì)算每個(gè)蜜源被選擇的概率，跟隨蜂依概率更新蜜源，并做出評(píng)估保留較好的，偵察蜂根據(jù)limit的值，即每次更新中解的變化情況，有選擇性地淘汰蜜源，并重新產(chǎn)生新蜜源，最后對(duì)得到的最優(yōu)解利用局部搜索算子進(jìn)行局部搜索，得到最優(yōu)解。多次重復(fù)以上的迭代過(guò)程，找到最優(yōu)解。

改進(jìn)算法的具體步驟如下:

Step1：設(shè)置相關(guān)參數(shù)。引領(lǐng)蜂個(gè)數(shù)=跟隨蜂個(gè)數(shù)=SN，最大迭代次數(shù)maxCycle，控制參數(shù)limit。

Step2：隨機(jī)產(chǎn)生初始解集xij，i=1,2,…,SN;j=1,2,…,D，其中1≤xij≤100。

Step3：計(jì)算初始化蜜源的適應(yīng)度。

Step4：引領(lǐng)蜂搜索新蜜源vi，計(jì)算其適應(yīng)度。

Step5：如果新蜜源f(vi)≤f(xi)，則xi=vi;否則保留xi。

Step6：計(jì)算蜜源的選擇概率P。

Step7：跟隨蜂根據(jù)概率P選擇蜜源，搜索新蜜源vi，計(jì)算其適應(yīng)度。

Step8：如果新蜜源f(vi)≤f(xi)，則xi=vi，否則保留xi。

Step9：記憶最優(yōu)蜜源。

Step10：如果達(dá)到迭代間隔tstep，則利用局部搜索算子對(duì)當(dāng)前最優(yōu)位置進(jìn)行局部搜索，更新最優(yōu)位置。

Step11：判斷是否存在要放棄的蜜源，若存在，該處的引領(lǐng)蜂變?yōu)閭刹榉洹?/p>

Step12：如果滿足終止條件，算法終止，輸出結(jié)果，否則轉(zhuǎn)步驟3。

4 實(shí)驗(yàn)與分析

為驗(yàn)證LSDABC對(duì)于解決云制造服務(wù)組合問(wèn)題的有效性，選擇序列結(jié)構(gòu)模型進(jìn)行實(shí)驗(yàn)，對(duì)該算法進(jìn)行性能測(cè)試。文中以三個(gè)典型案例：10，20，30個(gè)子任務(wù)，作為實(shí)驗(yàn)數(shù)據(jù)集，數(shù)據(jù)集中所有候選云服務(wù)QoS屬性的范圍均為[0.1,10]，采用隨機(jī)的方式生成。

實(shí)驗(yàn)中，LSDABC算法參數(shù)設(shè)置：種群規(guī)模SN=100，最大迭次數(shù)maxCycle=100，算法運(yùn)行次數(shù)runtime=100，limit=100，候選服務(wù)數(shù)據(jù)集是4維(響應(yīng)時(shí)間、成本、能耗、可靠度)，且每個(gè)子任務(wù)均有相同數(shù)目的候選服務(wù)。服務(wù)組合優(yōu)選中每項(xiàng)評(píng)價(jià)指標(biāo)設(shè)置相同的權(quán)重，α=β=γ=φ=1/4。在滿足以上約束條件的情況下，仿真實(shí)驗(yàn)，并與原始ABC、PSO、DE算法進(jìn)行比較。記錄算法運(yùn)行中的適應(yīng)度平均值和標(biāo)準(zhǔn)差。

表1～3分別表示在任務(wù)數(shù)分別是10，20，30，候選服務(wù)數(shù)目在500～5 000中變化時(shí)，四種算法運(yùn)行100次時(shí)最優(yōu)解適應(yīng)度值的平均值及方差。

表1 LSDABC算法在候選服務(wù)為500～5 000時(shí)解決10任務(wù)服務(wù)組合對(duì)應(yīng)的均值和方差

表2 LSDABC算法在候選服務(wù)為500～5 000時(shí)解決20任務(wù)服務(wù)組合對(duì)應(yīng)的均值和方差

表3 LSDABC算法在候選服務(wù)為500～5 000時(shí)解決30任務(wù)服務(wù)組合對(duì)應(yīng)的均值和方差

從表中可以看出，LSDABC算法在候選服務(wù)數(shù)增加時(shí)，適應(yīng)度值與其他算法之間的差距更加明顯，且方差變化不大；同時(shí)，當(dāng)任務(wù)數(shù)增加時(shí)，LSDABC能兼?zhèn)溥m應(yīng)度值較好情況下，保持較好的穩(wěn)定性。

圖3表示的是在統(tǒng)一每個(gè)子任務(wù)候選服務(wù)數(shù)為100的情況下，在任務(wù)數(shù)分別為10、20、30時(shí)，四種算法的平均適應(yīng)度值隨迭代次數(shù)變化的趨勢(shì)。由圖可知，無(wú)論子任務(wù)數(shù)目是10、20或是30，改進(jìn)算法的平均適應(yīng)度值和穩(wěn)定性均優(yōu)于其他三種算法。

圖3 算法平均適應(yīng)度值演變趨勢(shì)

從數(shù)據(jù)分析可知，LSDABC算法在迭代前期，跟隨蜂基于種群概率對(duì)蜜源進(jìn)行選擇性更新，保持種群多樣性，避免陷入局部?jī)?yōu)化；在迭代后期，對(duì)最優(yōu)解周圍進(jìn)行局部搜索，使其快速找到最優(yōu)解。所以文中提出的LSDABC算法開(kāi)采能力強(qiáng)、收斂速度快、魯棒性好，避免陷入局部最優(yōu)，且對(duì)復(fù)雜問(wèn)題的適應(yīng)性較強(qiáng)。

5 結(jié)束語(yǔ)

文中基于服務(wù)組合QoS評(píng)估組合服務(wù)的好壞，并構(gòu)建了云制造服務(wù)組合優(yōu)化的QoS數(shù)學(xué)模型。通過(guò)基于種群的概率選擇及對(duì)最優(yōu)解的局部搜索策略改進(jìn)人工蜂群算法，提出具有更好收斂能力和全局搜索能力的基于局部搜索的離散人工蜂群算法來(lái)解決云制造服務(wù)組合問(wèn)題。實(shí)驗(yàn)仿真證實(shí)了LSDABC的有效性及可行性。然而，基于QoS的評(píng)估模型僅僅考慮了服務(wù)的技術(shù)指標(biāo)，忽略了服務(wù)使用者的感受，因此仍有待改進(jìn)。所以下一步的研究工作將集中于兼顧用戶體驗(yàn)質(zhì)量綜合考慮，優(yōu)化云制造服務(wù)組合路徑。

[1] 李伯虎,張 霖,柴旭東.云制造概論[J].中興通訊技術(shù),2010(4):5-8.

[2] 陶 飛,張 霖,郭 華,等.云制造特征及云服務(wù)組合關(guān)鍵問(wèn)題研究[J].計(jì)算機(jī)集成制造系統(tǒng),2011,17(3):477-486.

[3]XiangF,HuY,YuY,etal.QoSandenergyconsumptionawareservicecompositionandoptimal-selectionbasedonParetogroupleaderalgorithmincloudmanufacturingsystem[J].CentralEuropeanJournalofOperationsResearch,2014,22(4):663-685.

[4] 向 峰.云制造系統(tǒng)中基于能耗的服務(wù)組合關(guān)鍵技術(shù)研究[D].武漢:武漢理工大學(xué),2013.

[5]HuoY,ZhuangY,GuJ,etal.Discretegbest-guidedartificialbeecolonyalgorithmforcloudservicecomposition[J].AppliedIntelligence,2015,42(4):661-678.

[6] 劉衛(wèi)寧,李一鳴,劉 波.基于自適應(yīng)粒子群算法的制造云服務(wù)組合研究[J].計(jì)算機(jī)應(yīng)用,2012,32(10):2869-2874.

[7] 敬石開(kāi),姜 浩,許文婷,等.考慮執(zhí)行可靠性的云制造服務(wù)組合算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2014,26(3):392-400.

[8]TaoF,LaiLiY,XuL,etal.FC-PACO-RM:aparallelmethodforservicecompositionoptimal-selectionincloudmanufacturingsystem[J].IEEETransactionsonIndustrialInformatics,2013,9(4):2023-2033.

[9]XiaYM,ChengB,ChenJL,etal.Optimizingservicescompositionbasedonimprovedantcolonyalgorithm[J].JisuanjiXuebao(ChineseJournalofComputers),2012,35(2):270-281.

[10]FanY,ZhaoD,ZhangL,etal.Manufacturinggrid:needs,concept,andarchitecture[M]//Gridandcooperativecomputing.Brilin:Springer,2004:653-656.

[11]TaoF,HuYF,ZhouZ.Studyonmanufacturinggrid&itsresourceserviceoptimal-selectionsystem[J].TheInternationalJournalofAdvancedManufacturingTechnology,2008,37(9-10):1022-1041.

[12]TaoF,ZhaoD,HuY,etal.Resourceservicecompositionanditsoptimal-selectionbasedonparticleswarmoptimizationinmanufacturinggridsystem[J].IEEETransactionsonIndustrialInformatics,2008,4(4):315-327.

[13] 秦全德,程 適,李 麗,等.人工蜂群算法研究綜述[J].智能系統(tǒng)學(xué)報(bào),2014,9(2):127-135.

[14] 張 平,劉三陽(yáng),朱明敏.基于人工蜂群算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)[J].智能系統(tǒng)學(xué)報(bào),2014,9(3):325-329.

Could Computing Service Composition Based on Discrete Artificial Bee Colony Algorithm

CHANG Rui-yun1,ZHOU Jing-quan1,XU Bin2,QI Jin2

(1.College of Electronic Science and Engineering,Nanjing University of Posts and Telecommunications,Nanjing 210003,China;2.College of Internet of Things,Nanjing University of Posts and Telecommunications,Nanjing 210003,China)

With the rapid development of network technology such as Internet,cloud computing and so on,single manufacturing service has already not satisfied the increasingly complex tasks for users.So,cloud manufacturing service composition,as a NP hard problem,has been the applied and research hotspot in recent years.As to service composition optimal selection,a Location Search Discrete Artificial Bee Colony (LSDABC) is proposed in this paper based on improvement of original ABC to provide the service composition execution path with optimal QoS for users.This algorithm introduces selection probability based on population and local search strategy to improve the exploitation ability and convergence speed and to avoid falling into local optimum.Finally,LSDABC is applied to the cloud manufacturing service composition.The experiment shows that the LSDABC has better quality and robustness compared with the original ABC,DE and PSO.

cloud manufacturing service composition;ABC;LSDABC;QoS;location search

2015-10-12

2016-01-19

時(shí)間：2016-05-25

國(guó)家自然科學(xué)基金資助項(xiàng)目(61401225)；中國(guó)博士后科學(xué)基金資助項(xiàng)目(2015M571790)

常瑞云(1992-)，女，碩士研究生，研究方向?yàn)樵浦圃旆?wù)組合；周井泉，博士，教授，碩士生導(dǎo)師，研究方向?yàn)橥ㄐ啪W(wǎng)絡(luò)的信息管理和控制。

http://www.cnki.net/kcms/detail/61.1450.TP.20160525.1711.072.html

TP301.6

A

1673-629X(2016)07-0177-06

10.3969/j.issn.1673-629X.2016.07.038