一种基于智能遗传算法的web服务协同调度方法及系统技术方案

本发明专利技术公开了一种基于智能遗传算法的web服务协同调度方法及系统，确定协同服务中的服务之间的偏序关系、可用资源数、执行时间和花费，表示协同服务调度的各个元素，确定每个协同服务数组的约束限制条件；对可用资源和协同服务数组分别进行染色体编码；确定协同服务执行成本、整个协同服务执行所需的总时间和协同服务数组的服务质量函数，以协同服务调度目标即是在保证服务质量的前提下，成本并协同服务的执行时间最少为目标，确定目标函数；利用智能遗传算法对目标函数进行求解，对种群进行初始化，在初始种群选取时采用确定初始内点对内修正的方式，进行种群的迭代和选择，在迭代中的选择过程中保留部分低适应度个体并自适应变异率，得到目标结果。

A Collaborative Scheduling Method and System for Web Services Based on Intelligent Genetic Algorithms

The invention discloses a collaborative scheduling method and system for web services based on intelligent genetic algorithm, which determines the partial order relationship between services in collaborative services, the number of available resources, execution time and cost, represents the elements of collaborative service scheduling, determines the constraints and constraints of each collaborative service array, and carries out chromosome coding for available resources and collaborative service groups respectively. To determine the execution cost of collaborative service, the total time required for the execution of the whole collaborative service and the quality of service function of the collaborative service array, the objective function is to minimize the execution time of the cost and collaborative service under the premise of guaranteeing the quality of service, and the objective function is solved by using intelligent genetic algorithm to initialize the population. In the selection of initial population, the method of determining the initial interior point to interior correction is used to iterate and select the population. In the selection process of iteration, some low-fitness individuals are retained and the mutation rate is adapted to obtain the target results.

【技术实现步骤摘要】
一种基于智能遗传算法的web服务协同调度方法及系统
本专利技术涉及一种基于智能遗传算法的web服务协同调度方法及系统。
技术介绍
随着Web服务技术的快速发展和普及，企业内部及企业之间的协同服务得到了快速发展及应用，在协同服务执行中需要根据当前可用资源的情况得到高效的调度方案，从而使得协同服务的执行效率及成本满足用户的需求。因此，在协同服务执行过程中就需要基于用户的QoS(QualityofService，服务质量)需求对协同服务进行调度来获取最优化执行方案。对协同服务进行调度来获取最优化执行方案，可以采用蚁群算法、粒子群优化算法、遗传算法等来解决这一类多目标优化问题。但是现有的方法在解决本文所述协同服务调度问题上存在一定的局限性，在解决多目标时序性优化问题上会出现陷于局部最优解、无法解决众多变量的问题等，不适合当前所描述的web服务的协同服务调度问题的解决。基于这些问题，我们提出了基于传统遗传算法进行改进的智能遗传算法来解决web服务的协调调度问题，在种群初始化、种群间交叉、变异率确定等方面进行了改进。
技术实现思路
本专利技术为了解决上述问题，提出了一种基于智能遗传算法的web服务协同调度方法及系统，本专利技术在传统遗传算法的基础上提高了算法的灵活性和多样性，在初始种群选取时采用确定初始内点对内修正的方式，且将迭代中的选择过程优化为基于种群交流的选择方法来实现选择方式。变异环节中变异因子根据个体的基因质量进行自适应的选取，增强种群的多样性。本专利技术的技术方案既可以保持个体的多样性，增大优秀个体的概率，加快收敛速度，又不会导致最终结果趋向局部最优解，在解决此类优化问题时具备一定的优势，在解决协同服务调度问题时，可以在保证服务质量的前提下，降低成本，提高协同服务的执行。为了实现上述目的，本专利技术采用如下技术方案：一种基于智能遗传算法的web服务协同调度方法，包括以下步骤：确定协同服务中的服务之间的偏序关系、可用资源数、执行时间和花费，表示协同服务调度的各个元素，确定每个协同服务数组的约束限制条件；对可用资源和协同服务数组分别进行染色体编码；确定协同服务执行成本、整个协同服务执行所需的总时间和协同服务数组的服务质量函数，以协同服务调度目标即是在保证服务质量的前提下，成本并协同服务的执行时间最少为目标，确定目标函数；利用智能遗传算法对目标函数进行求解，对种群进行初始化，在初始种群选取时采用确定初始内点对内修正的方式，进行种群的迭代和选择，在迭代中的选择过程中保留部分低适应度个体并自适应变异率，得到目标结果。作为进一步的限定，表示协同服务调度过程中，若协同服务中Web服务数为n且服务之间存在偏序关系、可用资源数为m，并且各可用资源可以执行的Web服务及可执行的最大Web服务数目存在差异，各可用资源执行相同Web服务所需时间、花费和及其可用性也各不相同，则协同服务调度问题的可行解为包含n个元素的一维数组，称之为协同服务数组X。作为进一步的限定，协同服务数组约束条件包括：每个可用资源执行的Web服务数需要小于等于对应可用资源所能执行的最大服务数；每个服务都只由一个可用资源执行；可用资源i执行各服务的服务质量需要高于最低服务质量。作为进一步的限定，染色体编码中，首先需要对每个可用资源进行染色体编码，定义N为可用资源的数目，则染色体上每个可用资源所占基因位数C为作为进一步的限定，染色体编码中，对可用资源进行编码后，根据协同服务数组中各个元素的赋值情况对染色体进行编码，定义M为协同服务中web服务的数目，则染色体的长度L为L＝M·C＝Mlog2N，N为可用资源的数目，C为染色体上每个可用资源所占基因位数。作为进一步的限定，协同服务执行的成本为执行每一web服务的花费之和，每个web服务在所有可用资源上执行的成本表示为矩阵Quote，其中Quoteij表示web服务j在可用资源i上执行的成本，定义协同服务数组X中web服务j在可用资源i上执行得到最终的执行协同服务的总成本Cost：其中Xj＝i。作为进一步的限定，根据协同服务数组X后及协同服务中Web服务之间的偏序关系，以及可用资源执行不同web服务所需时长Tij得最后一个web服务的完成时间Tf，则整个协同服务执行所需的总时间为最后一个web服务的完成时间与第一个web服务的开始执行时间的差值。作为进一步的限定，协同服务数组的服务质量为该数组内各个可用资源执行各个web服务的服务质量之和。作为进一步的限定，种群初始化过程中，设置初始种群的数量，先根据随机初始点所占百分比，产生随机初始点，对于每一个随机初始点随机产生一定数量的个体，将个体中满足约束条件的个体保留到初始种群。作为进一步的限定，对初始点的修正过程为：种群中其余的个体初始化时需要向已产生的个体靠近直到满足约束条件并保留到初始种群中，以此类推直到产生的个体数为设置的种群数量，其中不满足所有约束条件的个体向满足所有约束条件的个体靠近的方法是取两者的中点作为该个体的新值，若仍不满足所有约束条件则再次取两者中点作为自己的新值直到满足所有的约束条件。作为进一步的限定，对修正后的种群取中点操作，对两个个体中每个服务提供商所提供的服务数目进行统计，然后对每个服务提供商的服务数目进行取中点操作，对未分配出去的任务采用随机生成服务提供商编号的形式产生服务的提供商。作为进一步的限定，对种群的选择过程包括以下步骤：对种群个体进行随机四等分，分成A1,A2,B1,B2四个子种群；选择A1,B1子种群进行基于轮盘赌的种群间交叉；选择A2,B2子种群进行基于锦标赛的种群间交叉。作为更进一步的限定，基于轮盘赌的种群间交叉的具体过程包括：a.轮盘赌选择个体：根据个体的适应度值确定个体被选择的概率，适应度越大的个体被选择的概率就越大，按照种群中个体的适应度为个体分配在随机数区间的位置，根据随机数确定要获取的个体，重复该操作，直到种群中全部个体都被取出。b.种群间交叉：每取出两个个体a,b后进行一次交叉操作，随机产生交叉的基因位置L，取a的前L个元素作为子代的前L个元素,b的L及其之后的元素作为子代的剩余元素，基因编码的顺序保持不变。作为更进一步的限定，基于锦标赛的种群间交叉的具体过程包括：a.基于锦标赛方法选择个体：每次从种群中取出一定数量个体且不放回抽样，然后选择其中最好的一个进入子代种群，重复该操作，直到种群中的个体被全部取出；b.种群间交叉：每取出两个个体a,b后进行一次交叉操作，随机产生交叉的基因位置L，取a的前L个元素作为子代的前L个元素,b的L及其之后的元素作为子代的剩余元素，基因编码的顺序保持不变。保留部分低适应度个体并自适应变异率方法，包括以下步骤：留部分低适应度个体：根据实验结果来动态调整定义低适应度的阈值及其保留比例；根据上一代的适应度进行判定子代的突变率要，具体的突变率确定方法如表所示，其中S表示正常状态下的突变率，确定个体的适应度高或低的阈值需要根据实验数据来动态确定。F_Entity适应度高于设定值F_Entity适应度低于设定值M_Entity适应度高于设定值S/2SM_Entity适应度低于设定值S4S一种基于智能遗传算法的web服务协同调度系统，运行于处理器或存储器上，被配置为执行以下指令：确定协同服务中的服务之间的本文档来自技高网...

【技术保护点】
1.一种基于智能遗传算法的web服务协同调度方法，其特征是：包括以下步骤：确定协同服务中的服务之间的偏序关系、可用资源数、执行时间和花费，表示协同服务调度的各个元素，确定每个协同服务数组的约束限制条件；对可用资源和协同服务数组分别进行染色体编码；确定协同服务执行成本、整个协同服务执行所需的总时间和协同服务数组的服务质量函数，以协同服务调度目标即是在保证服务质量的前提下，成本并协同服务的执行时间最少为目标，确定目标函数；利用智能遗传算法对目标函数进行求解，对种群进行初始化，在初始种群选取时采用确定初始内点对内修正的方式，进行种群的迭代和选择，在迭代中的选择过程中保留部分低适应度个体并自适应变异率，得到目标结果。

【技术特征摘要】
1.一种基于智能遗传算法的web服务协同调度方法，其特征是：包括以下步骤：确定协同服务中的服务之间的偏序关系、可用资源数、执行时间和花费，表示协同服务调度的各个元素，确定每个协同服务数组的约束限制条件；对可用资源和协同服务数组分别进行染色体编码；确定协同服务执行成本、整个协同服务执行所需的总时间和协同服务数组的服务质量函数，以协同服务调度目标即是在保证服务质量的前提下，成本并协同服务的执行时间最少为目标，确定目标函数；利用智能遗传算法对目标函数进行求解，对种群进行初始化，在初始种群选取时采用确定初始内点对内修正的方式，进行种群的迭代和选择，在迭代中的选择过程中保留部分低适应度个体并自适应变异率，得到目标结果。2.如权利要求1所述的一种基于智能遗传算法的web服务协同调度方法，其特征是：协同服务数组约束条件包括：每个可用资源执行的Web服务数需要小于等于对应可用资源所能执行的最大服务数；每个服务都只由一个可用资源执行；可用资源i执行各服务的服务质量需要高于最低服务质量。3.如权利要求1所述的一种基于智能遗传算法的web服务协同调度方法，其特征是：染色体编码中，首先需要对每个可用资源进行染色体编码，定义N为可用资源的数目，则染色体上每个可用资源所占基因位数C为染色体编码中，对可用资源进行编码后，根据协同服务数组中各个元素的赋值情况对染色体进行编码，定义M为协同服务中web服务的数目，则染色体的长度L为L＝M·C＝Mlog2N，N为可用资源的数目，C为染色体上每个可用资源所占基因位数。4.如权利要求1所述的一种基于智能遗传算法的web服务协同调度方法，其特征是：协同服务执行的成本为执行每一web服务的花费之和，每个web服务在所有可用资源上执行的成本表示为矩阵Quote，其中Quoteij表示web服务j在可用资源i上执行的成本，定义协同服务数组X中web服务j在可用资源i上执行得到最终的执行协同服务的总成本Cost：其中Xj＝i。5.如权利要求1所述的一种基于智能遗传算法的web服务协同调度方法，其特征是：根据协同服务数组X后及协同服务中Web服务之间的偏序关系，以及可用资源执行不同web服务所需时长Tij得最后一个web服务的完成时间Tf，则整个协同服务执行所需的总时间为最后一个web服务的完成时间与第一个web服务的开始执行时间的差值。6.如权利要求1所述的一种基于智能遗传算法的web服务协同调度方法，其特征是：种群初始化过程中，设置初始种群的数量，先根据随机初始点所占百分比，产生随机初始点，对于每一个随机初始点随机产生一定数量的个体，将个体中满足约束条件的个体保留到初始种群；或，对初始点的修正过程为：种群中其余的个体初始化时需要向已产生的个体靠近直到满足约束条件并保留到初始种群中，以此类推直到产生的个体数为设置的种群数量，其中不满足所有约束条件的个体向满足所有约束条件的个体靠近的方法是取两者的中点作为该个体的新值，若仍不满足所有约束条件则再次取两者中点作为自己的新值直到满足...

【专利技术属性】
技术研发人员：郭伟，徐卫霞，葛伟，闫中敏，崔立真，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37