论文部分内容阅读
在面向服务的系统架构中,将已有的简单服务组合起来构建满足用户复杂需求的增值服务,即服务组合已成为一项极具实际价值的研究热点。随着Web服务技术的快速发展,大量功能属性相同而非功能属性(QoS)各异的Web服务大量涌现,服务筛选及组合优化成为服务组合问题面临的挑战。一方面如何在保证服务组合业务流基本功能的基础上,在大规模的服务场景下为每个任务选择合适的服务以达到最优的组合结果(QoS最大化);另一方面,基于网络的Web服务具有内在的动态变化性,组合的环境也是复杂不稳定的,组合系统需要保证其自适应性,面对外部环境的变化和服务自身的演化作出及时的反应和调整。针对以上挑战,Web服务组合系统需要在大规模动态性服务组合场景下仍保持准确性和高效性是目前亟待解决的问题。本文主要围绕基于大规模、自适应性服务组合展开研究,主要完成了以下工作:(1)根据服务组合流程的复杂性和候选服务的多样性所造成的服务组合规模庞大的问题,提出了一种基于深度强化学习的自适应性服务组合方法。该方法利用深度学习循环神经网络优化强化学习算法,预测目标函数、增强其表达和泛化的能力,有效的解决了传统强化学习在面对大规模或连续状态空间问题上的缺陷,在大规模动态性服务组合场景下具有极高的应用价值。(2)本文采用启发式的行为选择策略,将状态集分为隐藏状态和完全可见状态。有效的模拟隐藏状态空间下的策略空间和完全可见状态下的评估函数,采用针对性的行为选择策略,进一步的提高组合结果的准确性和效率。(3)本文通过一系列的实验验证了本文提出方法的有效性、可扩展性、自适应性和显著性,进一步的证明了该方法在大规模动态服务组合场景下的优势,相较于传统强化学习解决服务组合问题在组合结果和效率上都有了明显的优化。