论文部分内容阅读
近年来，随着“互联网+”的广泛推广和应用，Web服务技术和服务组合技术得到了迅猛的发展，越来越多的平台，提供着功能相同或相似的Web服务。怎样更好更快更高效的满足用户对Web服务调用的要求，成为国内外学术界和商业界的研究热点。现有的大多数Web服务服务质量(QoS)的计算模型中，通常使用常权综合评价机制对QoS进行分析，未考虑到QoS属性某个值过大或过小而导致对QoS整体评价的不准确，忽略了QoS各属性值之间的相互关系而可能导致对服务选择的不良影响。同时由于目前大多数Web服务组合问题都是基于局部最优原则，使用一些老旧算法数学规划法、穷举法等来解决服务组合的问题，这大大降低了服务组合的执行效率。基于此，本文针对Web服务和服务组合中的热点和难点问题，从Web服务的功能属性和非功能属性着手，对Web服务和服务组合的选择进行了分析研究，主要做了以下几点工作和创新。 首先，对Web服务的功能属性进行研究，收集各大服务提供平台上的Web服务，对Web服务进行分类整理。通过聚类的方法，将服务按功能属性进行划分，生成功能相同或相似的Web服务簇，再将服务需求者的需求与Web服务簇进行匹配，描述出匹配的结果，为后续进一步对Web服务的非功能属性分析和服务组合的选择研究提供了前提和基础。 其次，针对现有Web服务QoS属性评价模型的不足，提出一种改善的方法，引入变权向量的综合评价机制。通过在常权综合评价方法的基础之上，建立状态变权向量，动态的调整服务QoS各项指标的属性权重，提升对Web服务QoS属性评价的准确度和客观性。 最后，针对目前Web服务组合选择中传统算法的缺陷和不足，引入带有线性递减惯性权重和学习因子的粒子群优化算法，较好的平衡了粒子的自我认知和社会学习能力，提高粒子的搜索速度和全局搜索能力。并进行大量实验，将其与传统算法进行对比分析，验证了改进后的粒子群优化算法的有效性和优越性。