·886· 工程科学学报，第40卷，第7期 f八q)= 示所有物流服务类共有的第k个QoS指标，QL.为 Q(j,k)-q:(s) 序号为n的物流服务类中，序号为k的QoS属性的 (jk)-Q(jk) if (j,k)≠Qin(j,k); 第e个质量标尺，图3中的一行表示对应物流服务 1 if ,k)=Q(,k) 类的一个质量标尺组合 (4) (2)食物源评价函数. 在把每一个候选物流服务的QS属性值进行 由于食物源是由所有物流服务类的质量标尺组 标准化后，可以根据下式来获得每个候选物流服务 合构成的所以，食物源的评价值应为食物源中每个 的QoS评价值 质量标尺组合评价值的和，根据这种情况，本文给出 了食物源评价函数，如下式所示： U(S)= ∑fg)4 (5) k= F(x)=∑F(QLC) (6) 在公式(5)中，0：表示物流服务的第k个QoS 属性的权重. 其中，为食物源中质量标尺组合的序号（也是物流 全局QS约束优化分解问题亦为最优质量标 服务类的序号)，n为食物源中所有质量标尺组合的 尺组合选择问题，为了实现该问题的高效求解，本文 总数，i为序号为j的物流服务类的一个质量标尺组 对当前性能较好的新型群体智能算法（人工蜂群算 合，F(QLC)表示食物源中第j行的评价值. 法)进行了改进，引入了学习机制，形成了学习人 (3)初始食物源的生成策略 工蜂群算法LABC,之后采用该算法求解最优质量 这里基于随机方法生成规模为SN的初始食物 标尺组合选择问题， 源.操作方法为：对于每一个物流服务类，依次从其 3.2学习人工蜂群算法 质量标尺集合中随机地抽取一个质量标尺，将所抽 为了能够提高人工蜂群算法的全局寻优能力与 取的质量标尺放在一起构成一个质量标尺组合：所 收敛速度，本文将协作学习机制引入人工蜂群算法， 有物流服务类的质量标尺组合形成的一个二维矩阵 使雇佣蜂与观察蜂采用学习操作完成邻域的搜索， 即为一个初始食物源.如此操作，直至生成SN个食 进而生成新的食物源.下面给出用于求解全局QS 物源 约束分解问题的学习人工蜂群算法的设计 (4)改进的雇佣蜂与观察蜂的新食物源生成 (1)食物源模型. 方法. 全局QS约束优化分解的目标是获取每个物 在基本的人工蜂群算法中，雇佣蜂与观察蜂通 过对某一维变量的计算生成新的食物源，而这种处 流任务节点需要满足的QoS约束，由于物流服务组 理方式不能直接用于求解全局Q$约束优化分解 合流程由多个任务节点构成（每个任务节点对应一 个物流服务类)，所以，全局QS约束优化分解问题 问题，为了使人工蜂群算法能够用于求解全局QoS 约束分解问题，本文针对雇佣蜂与观察蜂的邻域搜 的解是由所有物流服务类的质量标尺组合构成，该 索操作进行了改进，对食物源实施基于协作学习的 解不能用一维的食物源编程方式来表示，为了这解 学习操作，协作学习[]是一种根据学习者的特征进 决这一问题，这里构建了一种二维的食物源模型，如 行有效性分组并通过分组形式进行学习的一种策 图3所示 略，具有很好的寻优指导思想，本文引入协作学习机 图3中，LS。表示序号为n的物流服务类，Q表 制可以有效地提高算法的性能 Q 0 Q Q LS QL Q凸 具体操作为：针对当前雇佣蜂所拥有的食物源， Q山 QL. 再随机地从食物源中抽取一定数量的食物源组成一 QL QL QL 个个体组，然后将个体组内的每个解分成若干个子 IS, 部分，这些个体相同的子部分通过相互学习，推选出 QL QL QL 具有最优评价值的子部分，最后由那些具有最优评 价值的子部分构成一个新个体.适用于求解全局 Q.L Q.L Q.人 Q QS约束分解问题的学习操作，如图4所示，其中， 1,2,…,14表示通过随机选取的方式确定的个体， 图3食物源模型 这里把个体中的行当作是个体的组成部分，不同的 Fig.3 Coding method of the food source 行表示个体不同的组成部分，图4中带有颜色部分工程科学学报,第 40 卷,第 7 期 f(qk) = Qmax(j,k) - qk(s) Qmax(j,k) - Qmin (j,k) , if Qmax(j,k)屹Qmin (j,k); 1, if Qmax(j,k) = Qmin (j,k) ì î í ïï ïï . (4) 在把每一个候选物流服务的 QoS 属性值进行 标准化后,可以根据下式来获得每个候选物流服务 的 QoS 评价值. U(Sj) = 移 k k = 1 f(qk)wk (5) 在公式(5)中,wk 表示物流服务的第 k 个 QoS 属性的权重. 全局 QoS 约束优化分解问题亦为最优质量标 尺组合选择问题,为了实现该问题的高效求解,本文 对当前性能较好的新型群体智能算法(人工蜂群算 法[14] )进行了改进,引入了学习机制,形成了学习人 工蜂群算法 LABC,之后采用该算法求解最优质量 标尺组合选择问题. 3郾 2 学习人工蜂群算法 为了能够提高人工蜂群算法的全局寻优能力与 收敛速度,本文将协作学习机制引入人工蜂群算法, 使雇佣蜂与观察蜂采用学习操作完成邻域的搜索, 进而生成新的食物源. 下面给出用于求解全局 QoS 约束分解问题的学习人工蜂群算法的设计. (1)食物源模型. 全局 QoS 约束优化分解的目标是获取每个物 流任务节点需要满足的 QoS 约束,由于物流服务组 合流程由多个任务节点构成(每个任务节点对应一 个物流服务类),所以,全局 QoS 约束优化分解问题 的解是由所有物流服务类的质量标尺组合构成,该 解不能用一维的食物源编程方式来表示,为了这解 决这一问题,这里构建了一种二维的食物源模型,如 图 3 所示. 图 3 食物源模型 Fig. 3 Coding method of the food source 图 3 中,LSn 表示序号为 n 的物流服务类,Qk 表 示所有物流服务类共有的第 k 个 QoS 指标,QnkLe 为 序号为 n 的物流服务类中,序号为 k 的 QoS 属性的 第 e 个质量标尺,图 3 中的一行表示对应物流服务 类的一个质量标尺组合. (2)食物源评价函数. 由于食物源是由所有物流服务类的质量标尺组 合构成的,所以,食物源的评价值应为食物源中每个 质量标尺组合评价值的和,根据这种情况,本文给出 了食物源评价函数,如下式所示: F(x) = 移 n j = 1 F(QLCji) (6) 其中,j 为食物源中质量标尺组合的序号(也是物流 服务类的序号),n 为食物源中所有质量标尺组合的 总数,i 为序号为 j 的物流服务类的一个质量标尺组 合,F(QLCji)表示食物源中第 j 行的评价值. (3)初始食物源的生成策略. 这里基于随机方法生成规模为 SN 的初始食物 源. 操作方法为:对于每一个物流服务类,依次从其 质量标尺集合中随机地抽取一个质量标尺,将所抽 取的质量标尺放在一起构成一个质量标尺组合;所 有物流服务类的质量标尺组合形成的一个二维矩阵 即为一个初始食物源. 如此操作,直至生成 SN 个食 物源. (4)改进的雇佣蜂与观察蜂的新食物源生成 方法. 在基本的人工蜂群算法中,雇佣蜂与观察蜂通 过对某一维变量的计算生成新的食物源,而这种处 理方式不能直接用于求解全局 QoS 约束优化分解 问题,为了使人工蜂群算法能够用于求解全局 QoS 约束分解问题,本文针对雇佣蜂与观察蜂的邻域搜 索操作进行了改进,对食物源实施基于协作学习的 学习操作,协作学习[15]是一种根据学习者的特征进 行有效性分组并通过分组形式进行学习的一种策 略,具有很好的寻优指导思想,本文引入协作学习机 制可以有效地提高算法的性能. 具体操作为:针对当前雇佣蜂所拥有的食物源, 再随机地从食物源中抽取一定数量的食物源组成一 个个体组,然后将个体组内的每个解分成若干个子 部分,这些个体相同的子部分通过相互学习,推选出 具有最优评价值的子部分,最后由那些具有最优评 价值的子部分构成一个新个体. 适用于求解全局 QoS 约束分解问题的学习操作,如图 4 所示,其中, I1 ,I2 ,…,Ik 表示通过随机选取的方式确定的个体, 这里把个体中的行当作是个体的组成部分,不同的 行表示个体不同的组成部分,图 4 中带有颜色部分 ·886·