面向服务领域的人工蜂群算法范型_徐晓飞

合集下载

面向服务领域的过程改进模型综述

面向服务领域的过程改进模型综述
王怡丰; 高晓桐
【期刊名称】《《计算机应用与软件》》
【年(卷),期】2011(028)010
【摘要】在全球经济中,服务业所占的比重为70%以上,并且仍然增长迅速。

服务型企业如何在激烈的行业竞争中胜出,如何更高效建立服务、管理服务、交付服务来满足客户需要是这些企业面临的核心问题。

为了解决以上服务型企业所面临问题,多家研究机构先后推出面向服务领域的过程改进模型,指导服务提供商进行过程改进。

选择三个面向服务的过程改进模型:ITILv3I、SO/IEC20000、CMMI-SVC,按照所定义的维度对其进行分析对比,最后对服务领域的过程改进模型的研究趋势作一个展望。

【总页数】3页(P135-136,177)
【作者】王怡丰; 高晓桐
【作者单位】复旦大学软件学院上海201203
【正文语种】中文
【中图分类】TP30
【相关文献】
1.S-ABC--面向服务领域的人工蜂群算法范型 [J], 徐晓飞;刘志中;王忠杰;闵寻优;刘睿霖;王海芳
2.面向服务环境下基于本体映射的多领域业务过程协同 [J], 倪悦;范玉顺
3.基于面向服务架构的遗留系统与领域需求匹配研究 [J], 李华
4.面向服务领域的过程改进模型综述 [J], 王怡丰; 高晓桐
5.863计划信息领域“面向服务的软件定义网络体系架构与关键技术研究”课题顺利通过技术验收 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。

科学研究中的蜜蜂智慧--以人工蜂群算法在大脑MRI图像分割中的应用为例

科学研究中的蜜蜂智慧--以人工蜂群算法在大脑MRI图像分
割中的应用为例
杨熠;胡福良
【期刊名称】《蜜蜂杂志》
【年(卷),期】2024(44)5
【摘要】蜜蜂,一种自然界中常见的生物,然而其生理构造、生活与工作方式却充满了别样的智慧。

蜜蜂的智慧被广泛运用在各领域的科学研究中。

其中,在生物医学领域,以蜜蜂采蜜行为为灵感的人工蜂群算法在大脑MRI图像分割中的应用,能够极大提升分割质量,为疾病的临床诊断与相关研究提供助力。

【总页数】3页(P22-24)
【作者】杨熠;胡福良
【作者单位】浙江大学生物医学工程与仪器科学学院生物医学工程2104班;浙江大学动物科学学院
【正文语种】中文
【中图分类】S89
【相关文献】
1.分布更新人工蜂群算法及其在灰度图像分割中的应用
2.改进人工蜂群算法在图像分割中的应用
3.改进人工蜂群算法在二维Otsu图像分割中的应用
4.增强性人工蜂群算法及在多阀值图像分割中的应用
因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进人工蜂群与Floyd 算法的多机器人运输路径规划

Science and Technology &Innovation ┃科技与创新2021年第15期·39·文章编号：2095－6835（2021）15－0039－02基于改进人工蜂群与Floyd 算法的多机器人运输路径规划卢天翼（武汉理工大学机电工程学院，湖北武汉430070）摘要：针对当前的防疫要求和居民对生活物资的需求，提出了一种结合改进人工蜂群和Floyd 算法的多机器人的运输路径规划的融合算法。

首先筛选出Floyd 算法中的较优个体，通过改进人工蜂群算法的“靠近”策略，分别向随机个体的点序前段与后段“靠近”，提高原个体的相似度并获得更优个体。

然后采用多机器人运输的点序优化法，将每个个体中目标点数最多的机器人的末目标点移位至目标点数相对最少的机器人的配送路径末位，形成更优的新个体。

最后结合实例，证明了融合算法在多机器人运输方面具有高效性与可行性。

关键词：多机器人运输；路径规划；Floyd 算法；人工蜂群算法中图分类号：TP242文献标志码：ADOI ：10.15913/ki.kjycx.2021.15.0172020年新冠病毒席卷全球，各地物流迟缓，物资处于紧缺状态，抗疫进度受到较大阻碍。

鉴于新冠病毒的传染性，现采用防疫机器人进行物资配送。

通过选择正确的路径规划，能够有效提高运输效率，从而实现物资的转移。

1算法概述Floyd 算法是一种利用动态规划的思想寻找给定的加权图中多源点之间最短路径的算法，其目标是寻找从节点i 到节点j 的最短路径。

而有文献介绍了Floyd 算法在O2O 配送路线优化方面的应用。

人工蜂群（ABC ）算法是一种源于蜂群采蜜行为的群智能的全局优化算法。

蜜蜂根据各自的分工进行不同的活动，并实现蜂群信息的共享和交流，从而找到最好的蜜源，即问题的最优解。

文献[1]采用规则引导的搜索策略及锦标赛选择策略方法分别探讨了人工蜂群算法应用于航空发动机路径规划中的三大问题。

数据挖掘中的人工蜂群算法原理解析

数据挖掘中的人工蜂群算法原理解析数据挖掘是一项重要的技术，它通过从大量数据中发现隐藏的模式和关联，帮助人们做出更加准确的决策。

而在数据挖掘的过程中，人工蜂群算法被广泛应用，它是一种基于自然界蜜蜂群体行为的优化算法，能够有效地解决复杂的优化问题。

人工蜂群算法的原理源于蜜蜂群体的行为。

蜜蜂群体在寻找蜜源的过程中，会通过信息的交流和协作来寻找最佳的解决方案。

人工蜂群算法模拟了这种行为，通过构建虚拟的蜜蜂群体来解决优化问题。

在人工蜂群算法中，蜜蜂被分为三类：工蜂、侦查蜂和观察蜂。

工蜂负责在搜索空间中随机选择解，并通过局部搜索来优化解。

侦查蜂负责在搜索空间中随机选择解，并通过全局搜索来寻找更优的解。

观察蜂负责观察工蜂和侦查蜂的行为，并根据其表现来调整搜索策略。

人工蜂群算法的核心是信息交流和协作。

蜜蜂通过信息素来交流和共享有关解的信息。

信息素是一种虚拟的化学物质，蜜蜂会根据信息素浓度来选择解。

当一个蜜蜂发现一个更优的解时，它会释放更多的信息素，吸引其他蜜蜂前来观察和学习。

这种信息素的传播和积累，最终会导致整个蜜蜂群体向更优的解靠拢。

人工蜂群算法的优势在于其并行性和全局搜索能力。

蜜蜂群体中的每个个体都可以独立地搜索解空间，并通过信息交流来共同寻找最佳解。

这种并行性使得算法能够快速地收敛到最优解。

同时，蜜蜂群体中的侦查蜂能够进行全局搜索，避免陷入局部最优解。

这种全局搜索能力使得算法具有较好的鲁棒性和适应性。

然而，人工蜂群算法也有一些局限性。

首先，算法对参数的选择较为敏感，不同的参数设置可能会导致不同的结果。

其次，算法的收敛速度和最终解的质量与问题的复杂度有关。

对于复杂的优化问题，算法可能需要较长的时间来找到最优解。

此外，算法的性能也受到问题维度的影响，对于高维问题，算法可能会受到维度灾难的困扰。

总的来说，人工蜂群算法是一种强大的优化算法，能够有效地解决复杂的优化问题。

它通过模拟蜜蜂群体的行为，实现了信息交流和协作，从而寻找最佳解决方案。

一种改进的人工蜂群算法研究

一种改进的人工蜂群算法研究
人工蜂群算法是一种计算机科学领域常用的优化算法，该算法模拟了蜜蜂在寻找食物过程中的信息共享和协同作业行为。

然而，传统的人工蜂群算法存在着多种问题，如收敛速度较慢、易陷入局部最优解等。

为此，本文提出了一种改进的人工蜂群算法。

改进的人工蜂群算法通过引入动态适应度权重和精英蜜蜂策略来提高算法的全局搜索能力和收敛速度，具体步骤如下：
1. 初始化种群：在算法开始阶段，需要随机生成一定数量的蜜蜂个体，并对其进行初始化位置和速度。

2. 适应度计算：为了评估每个个体的适应度，需要将问题转化为目标函数，然后计算每个个体在该函数下的实际函数值。

在本算法中，我们采用动态适应度权重的方法来计算适应度值，即通过不断更新权重系数来平衡全局搜索和局部搜索之间的权衡。

3. 轮盘赌选择算子：为了筛选出更优的个体，需要进行选择操作，该算法采用轮盘赌选择算子进行个体选择，并将选择后的个体复制一份以备用。

4. 信息共享：为了更好地利用种群中的信息，改进的人工蜂群算法采用了信息共享机制，即通过在个体之间传递信息来帮助种群更快地收敛到全局最优解。

5. 精英蜜蜂策略：为了强化算法的全局搜索能力，本算法引入了精英蜜蜂策略，在每次迭代中选择适应度值最好的个体作为精英蜜蜂，并以一定的概率来更新其他个体的位置和速度。

6. 收敛检测：为了保证算法的收敛性，需在一定迭代次数内检测种群是否已经趋于稳定，如果已经稳定则停止迭代。

蜂群算法理论研究

1蜂群算法理论研究摘要蜂群算法（BCA）是建立在蜜蜂自组织型和群体智能基础上的一种非数值优化计算方法。

自1995年提出蜂群算法后，该算法引起了学者们的极大关注，并已在组合优化、网络路由、函数优化、机器人路径规划等领域获得了广泛应用。

本文首先介绍了蜂群算法的研究背景、基本原理、要素构成、算法流程和优缺点，然后，通过阅读大量文献对改进的蜂群算法进行分类，并重点介绍了3个代表性算法以及它们在解决实际问题的应用，随后比较了3个改进算法的性能优劣。

最后，本文对蜂群算法领域存在的问题进行了总结，并提出了未来蜂群算法的研究方向。

关键词：蜂群算法；群体智能；分类；研究方向ABSTRACTBee colony algorithm (BCA) is a nonnumeric optimization algorithm based on the self-organization characteristic of bees and swarm intelligence. After Seely put forward the colony algorithm in 1995, it caused great attention to scholars and has been widely used in the combinatorial optimization, network routing, function optimization and robot path planning etc in a short span of a few years. At the same time, good results were obtained. Firstly, this dissertation introduces the research background, basic principles, elements, algorithm process and the advantages and disadvantages of BCA, then classifies the improved BCA through my extensive reading of literature, and mainly introduces three improved BCA and their application to solve practical problems, then compares the three improved BCA through the consolidation of a lot of experimental data. Finally, this paper summarizes the existing problems of the field of BCA and put forward the future research direction and development trend of BCA.Key words: Bee Colony Algorithm; swarm intelligence; nonnumeric; combinatorial optimization目录第一章绪论 (1)1.1 研究背景 (1)1.2 基本原理 (2)1.3 要素构成 (3)1.4 算法流程 (4)1.5 优缺点 (6)1.5.1 优点 (6)1.5.2 缺点 (6)1.6 本文的结构安排 (6)第二章改进的蜂群算法 (8)2.1基于Boltzmann选择策略的蜂群算法 (8)2.1.1 Boltzmann选择策略 (8)2.1.2 初始解的生成 (8)2.1.3 选择机制的改进 (9)2.1.4 算法流程 (9)2.2自适应搜索空间的混沌蜂群算法 (10)2.2.1 动态调整搜索空间 (11)2.2.2 混沌搜索 (11)2.2.3 选择策略的确定 (12)2.2.4 算法流程 (12)2.3双种群差分蜂群算法 (13)2.3.1 差分进化算法 (13)2.3.2 蜂群算法和DE的相关性分析 (14)2.3.3双种群差分蜂群算法 (14)2.3.4选择策略的确定 (15)2.3.5 算法流程 (15)2.4 本章小结 (16)第三章改进的蜂群算法应用与性能比较 (17)3.1基于Boltzmann选择策略的蜂群算法的应用 (17)3.1.1核模糊C均值聚类算法优化问题 (17)3.1.2 应用介绍 (18)3.1.3 算法流程 (19)3.2混沌蜂群算法用于无线传感器网络 (20)3.2.1无线传感器网络感知节点部署问题 (20)3.2.2应用介绍 (21)3.2.3算法流程 (22)3.3 双种群差分蜂群算法用于QoS路由 (22)3.3.1 QoS路由问题 (22)3.3.2应用介绍 (23)3.3.3 算法流程 (24)3.4 性能比较 (25)3.4.1................................................................................ 错误！未定义书签。

BP多目标人工群峰算法在建筑中应用

BP多目标人工群峰算法在建筑中应用摘要：在这个电子信息时代，各个领域都有对应的融合，在建筑方面通过研究发现BP多目标人工群峰算法加快了原有工程的进程，大大减少了人们进行复杂的数字运算与筛选的时间，对于多目标人工群蜂算法来说这是一个最好的时代，它化简了许多过程，在多方面领域对它的青睐程度很高，所以对于我们而言，我们很有必要去研究，开发和应用这个方法，将它的能力开发到极致，尤其是在建筑方面关键词：人工群峰算法节能多目标热舒适性1.人工群峰算法的概念及背景1.人工群峰算法的概念：人工蜂群算法(Aritifical Bee Colony Algorithm，简称ABC)，通过模拟蜂群采蜜的过程，探索寻找优质食物源的一种新型的全局寻优群体智能算法，人工蜂群算法具有控制变量相少，收敛速度快，搜索能力强，容易实现和计算简洁等特点。

此外，人工蜂群算法还可以通过与其他算法相结合，来提高自身的优化性能。

人工蜂群:算法把优化问题的解看作蜜源，将优化问题的目标函数值度量成蜜源的花蜜量，将优化问题形象化和智能化，为解决现实中的复杂问题提供新思路。

人工蜂群算法具有广泛的应用，无论在理论分析研究中，还是在解决实际问题上，人工蜂群算法都具有重要的应用价值。

1.1.人工群峰算法在建筑中研究背景：随着我国经济和产业结构的调整,城镇化的发展和人类追求高含量的建筑空间,当前社会终端能源消费占20%的建筑能耗的比例将上升到30% ~ 40%民居建筑作为建筑的重要组成部分,其明亮的个性在居住建筑能耗不仅与建筑本身,更与居住者的行为意识、习惯等密切相关。

降低能源消耗，提高建筑经济性和舒适性的目的是积极响应国家发展政策，而改善居住环境的目的是满足人们对美好生活的追求。

在新时代背景下，在五大发展理念的指导下，节能居住建筑的多目标优化研究必将成为人们关注的焦点[1]。

传统的建筑节能优化研究集中在一个特定的研究方向上。

设计了几种实验方案，进行了一系列的仿真、测试和评价，选择了满足优化目标的结果。

一种改进的人工蜂群算法研究

一种改进的人工蜂群算法研究人工蜂群算法是一种模拟自然蜜蜂觅食行为的优化算法。

在这种算法中，一群“蜜蜂”通过随机飞行来探索整个搜索空间，并将找到的食物源信息传递给其他蜜蜂。

在迭代过程中，蜜蜂们不断地更新搜索策略，最终找到最优解。

然而，原始的人工蜂群算法存在一些问题，例如搜索精度低、易陷入局部最优等。

因此，本文提出了一个改进的人工蜂群算法，以解决这些问题。

（1）初始化：随机生成一群蜜蜂，并将它们分成三个子群：工蜂、侦查蜂和观察蜂。

每个子群的数量可以根据实际情况进行调整。

（2）工蜂阶段：工蜂通过随机飞行在搜索空间中探索，并将找到的食源信息传递给其他工蜂。

工蜂挑选出最好的食源并在其周围进行精细搜索。

（3）侦查蜂阶段：侦查蜂通过在搜索空间中随机飞行来探索未被发现的食源。

侦查蜂会在一定时间内返回到其所在子群，如果找到更好的食源，就会与其他蜜蜂交换信息，以便其他蜜蜂能够使用这些信息进行搜索。

（4）观察蜂阶段：观察蜂通过观察工蜂和侦查蜂的行为来优化搜索策略。

观察蜂会根据其他蜜蜂探索的食源信息选择更好的搜索路径，并将其传递给工蜂和侦查蜂。

（5）更新策略：根据蜜蜂们发现的最优食源，更新搜索策略。

如果时间充裕，可以通过增加蜜蜂数量和迭代次数来提高搜索精度。

此外，为了避免算法陷入局部最优解，本文还加入了惯性因子和随机因素。

惯性因子用于控制搜索过程中的跳出局部最优的能力。

随机因素用于在搜索过程中引入随机性，增加算法的探索能力。

最后，本文将改进的人工蜂群算法与其他优化算法在测试函数上进行对比。

结果表明，改进的算法具有较高的搜索精度和收敛速度，且能够避免陷入局部最优解。

因此，改进的人工蜂群算法具有很好的应用前景。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

；，，，）收稿日期：最终修改稿收到日期：本课题得到国家自然科学基金（资助．２０１４１２２３２０１５０５２７．６１０３３００５６１４７２１０６６１２７２１８７６１３００１２４－－－－：徐晓飞，男，博士，教授，博士生导师，主要研究领域为服务计算与软件服务工程、企业计算、数据挖掘与商务智能等．１９６２年生，Ｅ－ｍａｉｌ刘志中，男，博士，讲师，主要研究方向为服务计算、群体智能算法．王忠杰，男，博士，教授，博士ｘｉａｏｆｅｉｉｔ．ｅｄｕ．ｃｎ．１９８１年生，１９７８年生，＠ｈ生导师，主要研究领域为服务计算、服务工程、软件架构及其演化．闵寻优，女，博士研究生，主要研究方向为服务计算．刘睿霖，１９８８年生，男，博士研究生，主要研究方向为服务计算．王海芳，女，硕士研究生，主要研究方向为服务计算．１９８９年生，
２３０２
计算机学报
２０１５年
，ａｗｉｔｈｔｈｅｓｕｏｒｔｏｆｓｅｒｖｉｃｅｄｏｍａｉｎｆｅａｔｕｒｅｓｎｄｔｏｅｘｔｅｎｄｔｈｅｔｈｅｏｒｏｆｓｗａｒｍｉｎｔｅｌｌｉｅｎｃｅｐｐｙｇｉｎｓｅｒｖｉｃｅｃｏｍｕｔｉｎｆｉｅｌｄ．ｏｔｉｍｉｚａｔｉｏｎｐｇｐ；ａｒａｄｉｍ；Ｋｅｗｏｒｄｓｅｒｖｉｃｅｄｏｍａｉｎｆｅａｔｕｒｅｓａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎａｌｏｒｉｔｈｍ；ａｌｏｒｉｔｈｍｓｅｒｖｉｃｅｓｐｇｙｇｇｙ；ｓｅｒｖｉｃｅｃｏｍｏｓｉｔｉｏｎ；ｓｅｒｖｉｃｅｒｅｓｏｕｒｃｅｓｃｈｅｄｕｌｉｎｓｅｌｅｃｔｉｏｎｐｇ特性的感知，导致服务优化问题的理论研究与服务
，Ａｂｓｔｒａｃｔｎｔｈｅｓｅｒｖｉｃｅｃｏｍｕｔｉｎｆｉｅｌｄｔｈｅｔｉｃａｌｓｅｒｖｉｃｅｏｔｉｍｉｚａｔｉｏｎｒｏｂｌｅｍｓ（ｓｕｃｈａｓｓｅｒｖｉｃｅＩｐｇｙｐｐｐ，）ｂｓｅｌｅｃｔｉｏｎｓｅｒｖｉｃｅｃｏｍｏｓｉｔｉｏｎａｎｄｓｅｒｖｉｃｅｒｅｓｏｕｒｃｅｓｃｈｅｄｕｌｉｎｅｃｏｍｅｍｏｒｅａｎｄｍｏｒｅｃｏｍｌｉｃａｔｅｄｐｇｐ，，ｔｈｅｒａｉｄｄｅｖｅｌｏｍｅｎｔｏｆｃｌｏｕｄｃｏｍｕｔｉｎｉｎｔｅｒｎｅｔｏｆｔｈｉｎｓａｎｄｂｉｄａｔａ．Ｍｅａｎｗｈｉｌｅｉｎｗｉｔｈｐｐｐｇｇｇ，，）ｍａｎｓｅｒｖｉｃｅｓｅｃｔｏｒｓｔｈｅｓｅｒｖｉｃｅｄｏｍａｉｎｆｅａｔｕｒｅｓ（ｓｕｃｈａｓｓｅｒｖｉｃｅｒｉｏｒｉｃｏｒｒｅｌａｔｉｏｎａｎｄｓｉｍｉｌａｒｉｔｙｐｙｈａｖｅｂｅｅｎｆｏｒｍｅｄｗｉｔｈｔｈｅｌｏｎｔｅｒｍｅｖｏｌｕｔｉｏｎｏｆｓｅｒｖｉｃｅｂｕｓｉｎｅｓｓ．Ｔｈｅｓｅｄｏｍａｉｎｆｅａｔｕｒｅｓｒａｄｕａｌｌ－ｇｇｙｈａｖｅｓｔｒｏｎｉｎｆｌｕｅｎｃｅｓｏｎｓｏｌｕｔｉｏｎｓｏｆｓｅｒｖｉｃｅｏｔｉｍｉｚａｔｉｏｎｔｈｅｓｅｒｖｉｃｅｄｏｍａｉｎｆｅａｔｕｒｅｓｒｏｂｌｅｍｓ．Ｉｆｇｐｐ，ａｒｅｎｏｔｃｏｎｓｉｄｅｒｅｄａｄｅｕａｔｅｌｔｈｅｓｅｒｖｉｃｅｏｔｉｍｉｚａｔｉｏｎｒｏｂｌｅｍｓｃａｎｎｏｔｂｅｓｏｌｖｅｄｅｆｆｅｃｔｉｖｅｌａｎｄｑｙｐｙｐ，ｅｆｆｉｃｉｅｎｔｌ．Ｔｈｅｒｅｆｏｒｅｈｏｗｔｏｄｅｓｉｎｓｅｒｖｉｃｅｄｏｍａｉｎｏｒｉｅｎｔｅｄｏｔｉｍｉｚａｔｉｏｎａｌｏｒｉｔｈｍａｒａｄｉｍ，－ｙｇｐｇｐｇｅｆｆｉｃｉｅｎｔａｌｏｒｉｔｈｍｓａｎｄｏｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｉｅｓｂｅｃｏｍｅｔｈｅｃｒｉｔｉｃａｌｃｈａｌｌｅｎｅｓ．Ｔｈｉｓａｅｒａｎａｌｚｅｓｔｈｅｇｐｇｇｐｐｙ，ｂｉｎｆｌｕｅｎｃｅｓｏｎｓｅｒｖｉｃｅｏｔｉｍｉｚａｔｉｏｎｂｓｅｒｖｉｃｅｄｏｍａｉｎｆｅａｔｕｒｅｓ．Ｔｈｅｎａｓｅｄｏｎｔｈｅｒｏｂｌｅｍｓｐｙｐｓｔｒａｔｅｉｅｓｏｆａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎａｌｏｒｉｔｈｍ，ａｓｅｒｖｉｃｅｄｏｍａｉｎｏｒｉｅｎｔｅｄａｒｔｉｆｉｃｉａｌｂｅｅｃｏｌｏｎｉｍｒｏｖｅｄ－ｇｙｇｙｐａｌｏｒｉｔｈｍａｒａｄｉｍ（Ｓ－ＡＢＣ）ｉｓｒｅｓｅｎｔｅｄ．ＴｈｅｏｔｉｍｉｚａｔｉｏｎｒｉｎｃｉｌｅｏｆＳ－ＡＢＣａｒａｄｉｍｉｓｇｐｇｐｐｐｐｇｐｄｅｓｃｒｉｂｅｄｉｎｄｅｔａｉｌ．Ｔｈｅｂｅｔｔｅｒｏｔｉｍｉｚａｔｉｏｎｒｅｓｕｌｔｓａｒｅｖｅｒｉｆｉｅｄｂｍｅａｎｓｏｆｃｏｎｆｉｒｍａｔｏｒｅｘｅｒｉｍｅｎｔ．ｐｙｙｐＴｈｉｓｒｅｓｅａｒｃｈｗｏｒｋｓｈｏｗｓａｎｅｗａｎｄｂｅｔｔｅｒｍｅｔｈｏｄｆｏｒｓｏｌｖｉｎｓｅｒｖｉｃｅｏｔｉｍｉｚａｔｉｏｎｒｏｂｌｅｍｓｇｐｐ
徐晓飞刘志中王忠杰闵寻优刘睿霖王海芳
（）哈尔滨工业大学计算机科学与技术学院哈尔滨１５０００６
摘要服务计算优化问题（如服务选择、服务组合、服务资源调度等）随着云计算、物联网、大数据的快速发展而另一方面，各服务行业在其长期演化中逐渐形成了特有的领域特性（如服务先验性、关联性、相似性变得日益复杂．等）这些特性对服务优化问题求解有重要影响，如果对其考虑不充分，将导致服务优化问题求解的效率与效果不．理想．因此，如何构建面向服务领域的服务优化算法范型及高效求解算法与优化策略成为亟待解决的关键问题．文中分析了服务领域特性对服务优化问题求解的影响规律，据此改进了人工蜂群算法的优化策略，提出了面向服，阐述了务领域的人工蜂群算法范型（ａｒａｄｉｍ，ＳｅｒｖｉｃｅｄｏｍａｉｎｏｒｉｅｎｔｅｄＡｒｔｉｆｉｃｉａｌＢｅｅＣｏｌｏｎａｌｏｒｉｔｈｍＳ－ＡＢＣ）－ｐｇｙｇ并通过验证实验证实了该算法范型的优化效果．该研究工作为利用服务领域特性指导服Ｓ－ＡＢＣ范型的优化机理，务优化问题求解算法的设计提供了新的研究思路和方法，深化了群体智能算法在服务领域的应用，扩展了群体智能算法的优化理论．关键词服务领域特性；人工蜂群算法；算法范型；服务选择；服务组合；服务资源调度／中图法分类号ＴＰ３９３ＤＯＩ号１０．１１８９７ＳＰ．Ｊ．１０１６．２０１５．０２３０１
（）ＳｃｈｏｏｌｏＣｏｍｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏａｒｂｉｎＩｎｓｔｉｔｕｔｅｏＴｅｃｈｎｏｌｏａｒｂｉｎ１５０００６ｆｐｇｙ，Ｈｆｇｙ，Ｈ