(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110330102.X (22)申请日 2021.03.29 (65)同一申请的已公布的文献号 申请公布号 CN 113033100 A (43)申请公布日 2021.06.25 (73)专利权人 重庆大学 地址 400044 重庆市沙坪坝区沙正 街174号 (72)发明人 曾骏　姚娟　于扬　文俊浩　 (74)专利代理 机构 重庆晟轩知识产权代理事务 所(普通合伙) 50238 专利代理师 王海凤 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/00(2006.01) G06Q 10/10(2012.01) G06Q 50/04(2012.01) (56)对比文件 CN 111222665 A,2020.0 6.02 CN 110309983 A,2019.10.08 US 201810826 3 A1,2018.04.19 CN 104239 961 A,2014.12.24 CN 107145982 A,2017.09.08CN 108681789 A,2018.10.19 CN 107016461 A,2017.08.04 CN 111796512 A,2020.10.20 US 201326 6924 A1,2013.10.10 US 2012290348 A1,2012.1 1.15 姚娟 等.云制造服 务组合研究综述. 《计算 机科学》 .2021,第1-20页. R. V. Rao 等.Teac hing-Learn ing-Based Optimizati on: An optimizati on method for continuous non-linear large scale problems. 《Informati on Sciences》 .2012,第 183卷(第1期),第1-15页. 金鸿 等.基 于教-学算法的制造云服 务组合 优化. 《计算机集成制造系统》 .2018,第24卷(第1 期),第43 -52页. DandanWang 等.A genetic -based approach to web service compositi on in geo-distributed cl oud enviro nment. 《Computers & Electrical Engi neering》 .2015,第43卷第12 9-141页. (续) 审查员 雷皓婷 (54)发明名称 一种基于混合教学优化算法的云制造服务 组合方法 (57)摘要 本发明涉及一种基于混合教学优化算法的 云制造服务组合方法。 包括如下步骤： 从公开数 据集中选 择服务s并初始化得到初始种群P； 计算 初始种群P中每个个体的QoS值并选出最优值F (Pbest)和最优个体最优个体Pteacher； 按比例分为 种群A和种群B， 并分别从群A和种群B中计算遴选 出新个体组成子代个体； 计算新个体的适应度 值， 选出最大适应度QoS ’值与最优值F(Pbest)进 行比较， 来更新服务组合方案； 重复上述步骤， 当 达到预设最大迭代次数时停止， 输出最优值F(Pbest)， 此时该最优值F(Pbest)对应的个体为最 优服务组合。 实验表明， 该方法对于提高大规模 环境下的服 务组合的解质量是非常有效的。 [转续页] 权利要求书2页 说明书9页 附图3页 CN 113033100 B 2022.11.29 CN 113033100 B (56)对比文件 高立群 等.带有交叉操作的教－学优化 算 法. 《东北 大学学报》 .2014,第3 5卷(第3期),第 323-327页. 周佳军.面向智慧云制造资源服 务组合的若 干进化算法研究. 《中国博士学位 论文全文数据库 信息科技 辑》 .2019,(第0 5期),第I140 -15页. Jiajun Zhou 等.Hybrid teac hing– learning-based optimizati on of correlation-aware service compositi on in cloud manufacturi ng. 《The I nternati onal Journal of Advanced Manufacturi ng Technology》 .2017,第3 515-3533页.2/2 页 2[接上页] CN 113033100 B1.一种基于混合教学优化 算法的云制造服 务组合方法， 其特 征在于： 包括如下步骤： S100： 从公开服务集S中随机选择x个服务并初始化生成种群P ’， 利用Skyline查询从公 开服务集S选择x ’个服务并初始化生 成种群P”， 集合种群P ’和种群P”得到初始种群P， 其中， 具体表示如下： P＝{P1,P2,…,Pn,…,PN}        (1‑1) Sm＝{sm,1,sm,2,…,sm,n＇,…,sm,N＇}     (1‑2) Pn＝{s1,2,s2,1,…,sm,n＇,…,sM,N＇}      (1‑3) 其中， N表示初始种群中的个体 数量， Sm表示第m个服务集， N＇ 表示第m个服务集中的服务 数量， Pn为第n个个体， sm,n＇表示第m个服 务集的第n＇ 个候选服 务； S200： 计算初始种群P中每 个个体的QoS值， 具体表达式如下： Max(QoS)＝Max∑ωk×Qk    (2‑1) 其中， ωk表示第k个指标的权 重， Qk是第k个Q oS属性归一 化后的值， 其中， ωk∈[0,1]； 其中， 表示 Qk归一化的具体 计算公式如下： 其中， minqk表示所有可能 的组合路径中第k个聚合QoS值的最小值， m axqk表示所有可能 的组合路径中第k个聚合 QoS值的最大值； S300： 将S200中得到的QoS值进行降序排列并选出最优值F(Pbest)， 并将最优值F(Pbest) 在初始种群P中对应的个 体为最优个体Pteacher； S400： 将初始种群P按照一定比例分成种群A和种群B两部分： 利用最优个体Pteacher从种 群A中获得新个体 组成种群A ’， 从种群B中获得新个体 和 组成种群B ’， 此时种 群A’中的个体为原种群A 中个体的子代， 种群B ’中的个体为原种群B中个体的子代， 种群A ’ 和种群B’包含的所有个 体， 称为子代个 体； S410： 按照TLBO算法和CSO横向交叉算法通过实际试验 对种群P进行划分； S420： 通过TLBO算法计算种群A ’， 具体表达式如下： TF＝round(1+rand(0， 1) )    (4‑2) 其中， 表示种群A ’中的第i个个体， 表示种群A 中的第i个个体， Pmean表示种群P 中的算数平均值， r为[0,1]区间内的随机数； TF表示决定平均值变化的教学因素； 通过CSO横向交叉算法计算种群B ’， 具体表达式如下： 权　利　要　求　书 1/2 页 2 CN 113033100 B 3