服务组合已经成为Web服务研究领域的热点。在服务组合中潜在着诸多问题，如服务组合方法(即Web服务如何组合、能否自动组合)，组合的正确性验证，Web服务间的协作、事务处理，以及服务质量(QoS)等等，这些问题都有待于解决或完善。本文将主要围绕服务组合方法以及服务质量这两方面进行深入的研究。　　 就目前而言，服务组合方法大致有两种分类方法：第一种分类，静态组合和动态组合；第二种分类，手动组合和自动组合。对于静态组合、动态组合已经有相当多的研究成果，但大都是手动组合的方法，而关于自动组合的却很少见。在我们组的研究工作中，将把强化学习理论引入Web服务领域以实现自动组合。基于强化学习的自动组合可以随着环境的变化实时调整业务流程，具有智能的特征。　　 另一方面，当web服务数量逐渐增多，有着相同功能属性的web服务也随之增多，于是需要依据用户给出的QoS需求，从中选出用户最为满意的那一个，这就是基于QoS的服务选择。基于QoS的服务选择最常用的是定量的方法，而这种方法不足以准确表达用户的QoS需求，所以我们将采用偏好逻辑这种定性的方法来建模用户的需求。　　 最后，Web服务是通过“功能属性”、“非功能属性”这两方面来完整描述的。服务组合方法就是针对功能属性方面的研究，而基于QoS的服务选择就是针对非功能属性方面的研究。一直以来这两方面是相对独立的研究课题，很少有关于服务组合的完整的解决方案。我们组的研究，是将强化学习和偏好逻辑完全溶合在一起，不仅研究服务的功能属性，又充分考虑QoS这样的非功能属性，从而实现服务组合的一个完整的解决方案。　　 我们的研究成果最终是以RLPLA(algorithm of web services composition based on reinforcement learningand preference logic)算法来呈现的，这是基于强化学习和偏好逻辑对服务组合领域以上两大问题较为完整的研究。在文中还将有大量实验数据为佐证，以充分显示RLPLA的性能。　　 总结以上，本文的主要贡献可以概括为以下三点：　　 1.基于强化学习实现自动组合。　　 2.用一种定性而非定量的方法去解决基于QoS的服务选择问题。　　 3.提出一种完整的解决方案，不仅研究服务的功能属性，又充分考虑QoS这样的非功能属性。