文档介绍：’、谢≮獭
基于兄5腤服务组合关键技术研究摘要的功能相同,但是它们具有不同的非功能性属性——服务质量哉衿涫稻褪且恢衷诵性谕缟系挠τ贸绦颍梢栽赪环境中被描述、被发布、被查找以及被调用。虽然窀τ贸绦虻募商峁┝朔便,但单个竦墓δ芡杓频煤芗虻ィ率刮颐怯惺焙蛭薹ㄕ业饺魏一个可以满足用户需求的单一瘛U馐保詈玫慕饩霭旆ㄊ墙ǘ喔龉δ简单的癜凑找欢ǖ谋曜己鸵G蠼凶楹希纬尚碌脑鲋捣褚允迪钟户预先设定的目标。随着网络上可用的袷康脑黾樱楹戏裰械拿一个子任务能够由大量功能相同的服务来完成,那么摆在我们面前的首要任务是怎样从候选服务集中挑选最合适的服务来完成我们的子任务。虽然这些候选服务些荼愠晌N颐茄∪》袷钡闹匾2慰家谰荨5怯没颜呖赡苤皇用过候选服务集中的部分服务,对于其他候选服务的没Щ共皇呛芰私猓为了选取合适的候选服务,我们需要帮助用户预测未曾使用过的候选服务的R虼搜罢液侠淼腝预测机制和基于兄5腤曲服务组合算法是我们当前重点研究的内容。本文的工作主要围绕裰柿吭げ馕侍夂突赒感知的务组合问题而展开,其主要研究内容及贡献如下:治隽艘延械腝预测方法,提出了一种基于协同过滤的服务质量预测方法。该方法克服了传统服务质量预测方案笏闶跗骄没有将用户的偏好和使用经验考虑在内的缺点。该方法在协同过滤算法的框架之上引入了一种新的相似度挖掘算法,这种新的相似度挖掘算法根据用户的消费经验来评估用户之间的相似度,并在计算出来的相似度的基础上预测服务的服务质量。这种新的相似度挖掘算法分别从邻近度、影响因子和流行度三个方面来综合考虑用户之间的相似度,从根本上改善了传统相似度挖掘算法ざ喙叵凳⒂嘞液团
关键词:甧瘢环裰柿浚环裰柿吭げ猓环裱≡瘢环褡楹几里得距离等赒数据稀疏时容易产生预测误导的现象。訯数据的类型进行分类,引入了基于的模糊集和隶属度函数的正规化方法。对于数值型荩颐遣捎酶咚拐婊椒ńùτ诓煌虻数据映射到一个统的区琹】上;对于模糊型荩颐歉萦没У氖用经验找到它们的隶属度函数,然后运用隶属度函数将这部分模糊型映射到区间【】上。治隽艘延械幕赒感知的竦淖楹纤惴ǎ岢隽恕只遗传算法的褡楹戏桨浮8梅椒ǜ纳屏耸褂么骋糯惴ń蠾服务组合时收敛速度慢的现象,满足了实时性服务组合的需求。该方法使用蚁群算法产生初始抗体种群以提高初始抗体种群的质量,并将每一个可用的候选服务和可行的组合方案编码成二进制比特串的形式,这样做不仅减小了算法的搜索空间,而且从根本上加快寻找最优组合方案的速度。
..,—琣甌,.琲琲琾,,甌琱甪..
駃船琲—簑,縯,..;Ⅱ..瓼瑃,;粀瓼,
目录摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯录⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯第一章绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.选题背景⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯国内外研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.本文的主要工作⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..本文的组织结构⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..第二章窀攀觥璲。:⋯⋯⋯⋯⋯⋯⋯⋯。⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.⒐.⒉己头⑾止娣丁竦姆裰柿俊粜缘亩ㄒ搴图扑恪莸幕袢》椒ā小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.镆迩腤服务组合方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.基于兄5姆褡楹戏椒ā第四章竦腝预测方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯当前存在的问题⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯基于协同过滤机制的げ夥椒ā⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯..
.⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯第五章基于兄5腤服务组合方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯.当前存在的问题⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯遗传算法的算法框架⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯蚁群算法的基本原理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯基于改进的遗传算法的褡楹戏椒ā第六章总结与展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯本文工作的总结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯攻