基于改进余弦相似度的人工蜂群反应式动态服务组合研究

沙特国王大学学报基于改进余弦相似度的人工蜂群反应式动态服务组合N. Arunachalam，阿鲁纳恰拉姆A.阿穆坦印度Puducherry本地治里工程学院计算机科学与工程系阿提奇莱因福奥文章历史记录：2018年6月19日收到2018年9月21日修订2018年10月5日接受在线提供2018年保留字：人工蜂群优化改进余弦相似度反应式服务组合组合搜索QoS和事务功能A B S T R A C TWeb服务的可靠和动态组合被认为是保证向用户提供连续服务的必要条件，因为它们负责集成各种独立的应用程序。Web服务领域在过去二十年的重大发展，使设计新的服务组合和服务选择方案的最佳性能和成功率的动态Web服务组合的选择。大多数的Web服务动态组合的研究工作被证实是制定使用的服务质量（QoS）或工作流的transmittance特性的特性提出了一种改进的基于余弦相似度的人工蜂群优化Web服务组合方案（ICS-ABCO-WSC），该方案综合了服务质量和事务特性，从反应式服务组合过程中生成的工作流模型图中确定最优候选服务方案。ICS-ABCO-WSC算法在工蜂阶段引入反对学习，在工蜂阶段引入组合搜索策略方程，在工蜂阶段引入提高速率因子，从而提高了算法的开发率和探索率。实验结果表明，ICS-ABCO方案的成功率和最优性指数分别为26%和32%，优于基于图模型的Web服务组合技术。由于ICS-ABCO-WSC具有提高人工蜂群优化技术收敛解的精度和加速速度的潜力，因此在ICS-ABCO-WSC中实现了这一改进©2018作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍总的来说，在过去二十年中，世界上大多数公司都将其服务外包给相关的供应商公司，目的是专注于其主要服务（Deng和Du，2013年）。由母公司和供应商公司生成的服务需要组合发起的服务的可互操作特性的选项，以维持服务对其用户的无缝可用性（Gao等人，2011年）。这种向用户提供无止境服务的方式要求动态的Web服务组合，它将候选活动*通讯作者。电 子 邮 件 地 址 ： narunachalam85@gmail.com （ N.Arunachalam ） ， pec.edu（A.Amuthan）。沙特国王大学负责同行审查制作和主办：Elsevier通过实施工作流的约束使得任务可以在执行过程期间被反应性地链接在一起（Cardinale等人， 2011年）。这种反应式服务组合需要可用性和松耦合作为集成互操作功能的主要实体，以促进网络上用户的潜在服务（Saleh，2015）。此外，Web服务选择和Web服务组合被认为是执行时间中必不可少的，因为用户使用的大多数服务都是在线的（Chen，2013）。此外，Web服务的选择和组合受到事务和QoS约束的影响。具体地，QoS约束根据它们在动态服务组合过程中引起的影响被分类为域相关和域无关（Bhiri et al.，2008; Bhiri等人，2010; Cardinale等人，2010年）。在服务组合过程中，如何从候选服务集合中选择满足工作流约束的最优候选服务集合，是近十年来的研究热点。在这一领域的研究工作中，大多数都利用QoS或事务因素来组合服务。这些研究工作也揭示了选择https://doi.org/10.1016/j.jksuci.2018.10.0031319-1578/©2018作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comN. Arunachalam，A.Amuthan/ Journal of King Saud University271.ΣP.Σ将Web服务组合工作流中的活动表示为有向非循环图（Omer和Schill，2009）。但是，需要在Web服务组合的每个候选活动期间施加QoS和事务约束，以便在响应时间，准确性，成功率和最优性度量方面提高其性能（Reynolds：Service，2014）。因此，需要一种有效的方法从工作流的候选服务集中确定最优的候选服务集通过在执行期间强制QoS和事务特性来设计。基于群智能提出了许多算法，用于从工作流图估计最优候选服务集（Wang等人，2010年）。在这些研究工作中，基于蚁群优化（ACO）和人工蜂群优化（ABCO）的技术被证实是有潜力的。但是这些方案的主要限制是它们在导出最佳候选服务集时的较快收敛速率，这可能导致更差的选择（Paik等人，2017年）。为此，提出了一种改进的基于余弦相似度的人工蜂群优化算法（ICS-ABCO-WSC），该算法利用反对学习和组合自适应策略的优点，防止算法在服务组合过程中选择工作流中的较差候选活动。ICS-ABCO-WSC的仿真实验也进行了研究的意义，在响应时间，准确性，最优性和成功率的措施。2. 相关工作在过去的二十年里，大量的研究工作是由潜在的研究人员从工作流图中快速确定最佳候选服务集。其中一些主要作品探讨如下。最初，Fan等人（2010）提出了一种扩展的基于QoS约束的局部和全局优化方案，用于从服务组成图中估计最优候选解在这个可扩展的计划，混合整数规划-明被用来确保全局优化，但他们不能确保潜在的可扩展性，由于其复杂性，增加指数秩序。扩展QoS机制的指数级复杂性使得它很难通过满足事务行为和QoS约束来支持可靠的服务组合。Canfora等人（2005）提出了一种混合图和组合的Web该混合方案利用天际线的优点，这被认为是必要的主要阶段，以确定最坏的候选解决方案在组成，从而提高成功率和最优性这种天际线技术的利用也最大限度地减少了服务组合下的平均计算时间这种混合方案所确保的准确性似乎是相对小于扩展的QoS组合模型。基于蚁群优化的Web服务组合Alexander和Kirubakaran（2014）提出了ACO-WSC方法，用于估计最佳候选服务MACO-WSC使用的前三个元组与QoS有关，其余两个因素是事务约束。该五元组方案主要用于适应和消除停滞过程，这是其实现的主要限制。此外，El Hadad et al. （2010）提出了一种将QoS敏感服务与事务约束相结合的集成Web服务方案。该集成机制首先搜索候选服务，以检查它们是否能够满足工作流中的全局QoS约束。如果满足约束条件，则使用基于优化的蚁群算法从可行的服务集合中选择最佳候选服务。这种机制被证明是执行局部优化到一个主要的水平，而不是全局优化。然后，提出了一种改进的基于蚁群的Web服务组合优化方案（Blanco et al.， 2012）被开发用于处理停滞中的问题。蚁群算法在全局和局部优化过程中出现停滞现象，导致服务组合过程中选择的候选服务活动较差。在此基础上，本文提出了ICS-ABCO算法，克服了现有算法的不足，使ABCO-WSC算法的收敛速度得到显著提高。3. 基于改进余弦相似度的人工蜂群优化算法（ICS-ABCO）的反应式服务组合在这一部分中，集成的事务和QoS参数的过程中，建模的有向无环图的工作流和一步一步的实现过程中，使用所提出的ICS-ABCO方案的反应式服务组合的详细说明。3.1. ICS-ABCO中基于事务和QoS的集成服务组合ICS-ABCO算法的这种基于事务性和QoS的综合服务组合被认为受到功能需求计数（FRC）、基于权重的用户推荐（WUR）、全局用户QoS的不同约束（DCGUQ）、事务性特征（TC）和面向QoS的上下文权重（QCW）等五个潜在元组的影响。这五个实体主要被认为是了解他们的工作流建模过程中动态Web服务组合的影响。FRC是指功能需求计数，它被认为是构建动态Web服务组合中的工作流的基本元素。服务组合的每个功能需求又取决于大量的活动，这些活动基于每个动态服务组合唯一的远程构造捆绑在一起。WUR涉及在每个运行时间中根据用户的推荐分配给每个QoS因素的权重与计算的每个特定QoS因子相关的WUR值从有向非循环图中提取的集合，基于k¼1WUREQUIPMENT1并考虑到服务组合过程中的工作流基于蚁群算法的信息素值，分析了事务约束和QoS约束的影响，从而得到最优结果该ACO-WSC被确定为在停滞和延迟收敛中失败然后，提出了一种改进的基于蚁群优化的Web服务组合（MACO-WSC）（Rostami et al.，2014）通过使用伪随机分离的概念来提高Web服务组合的成功率和最优率。MACO-WSC基于五个元组计算适应度值和质量向量。在0和1之间变化。DCGUQ涉及在定义的全局用户QoS参数上施加的一组不同约束DC约束;DC约束2;：;DC约束该DCGUQ基于用于制定约束的较高阈值和较低阈值的QoS参数的类型是正的或负的。 具体地，每个QoS参数的DC_i_n_0的值确认没有区别约束被施加在任何特定的全局用户QoS参数上。TC是面向用户需求的事务特征，用于服务组合。QCW是基于QoS的上下文272N. Arunachalam，A.Amuthan/ Journal of King Saud University..-n1ð ÞP权重类似于DCGUQ，也被认为在0和1之间变化。3.2. ICS-ABCO中工作流的有向无环图建模其中i和d表示具有d个多维向量的候选解的每个集合，所述多维向量分别受维度Ld和Ud的下限和上限的影响。然后，基于等式（1）确定每个候选解的适应度概率FITSW_ID_N(2)（3）作为在ICS-ABCO技术中，Web服务组合所涉及的工作流被建模为一个有向无环图，配合SW认证11/41000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000FVCS i≥0 ð2Þ‘指定图的节点和边现有道路和ðð ÞÞ从主要活动到最底层的子活动构成了工作流的候选解决方案。通常，在该实施的ICS-ABCO机制的情况下，候选解决方案的数量被认为从1到g变化。实现Web服务组合所必需的候选解决方案的集合由C SWi表示，其中0≤i≤g。假设该候选解决方案满足工作流中每个特定的第i个活动的功能需求。此外，从工作流图中表示的候选解决方案集合CSW n n中选择的特定候选解决方案因此，在ICS-ABCO中用于建模工作流的非循环图可以表示为有向非循环图G1/2NCS：Erni;in1NS，其中NCS而Eri;i1是指节点和边的集合。此外，NCScorre-FITSW安装ID1.0.1 FVCFVS安装ID ifCFVCSi03<其中，CFV_CS_1是与每个候选解决方案相关的成本，该成本使用在Web服务组合期间可能施加的基于局部和全局的事务和QoS约束来量化。3.5.候选解集此外，ICS-ABCO方案的雇员蜜蜂代理基于等式（1）生成候选解集合D_d_d_i;D_2;：：D_d_i。（4）并与CSW的数据库进行了比较。响应每个工作流中的候选活动，从源活动开始到接收活动，在图中建模为顶点Did 1/4CSWID [1/1/2 -1;1]CQCSWID-CkdÞ ð4ÞEri;i1是指表示活动的功能要求，以满足两个连续的候选活动CSWi和CSWii1。一旦图被建模，ICS-ABCO技术的核心目标集中于确定工作流中源活动到汇活动之间存在的最优路径。这种从建模图中估计最优路径的方法有助于在优化过程中通过应用局部和全局结构来更快和更准确地进行Web服务组合。ICS-ABCO技术的优化方法是其中1是范围在1和1之间的均匀分布的随机数。该因子/主要用于限制搜索工作流图的空间。一旦执行CSW_id和D_id之间的贪婪比较，雇员蜜蜂代理估计候选解决方案PCS_id的概率，用于测试其优越性的概率基于等式计算。（五）以这样的方式促进遵守所定义的全局和局部优化约束，以实现有效和高效的网络服务。副成分。FITSWiCSC500-1000PcscFITSW nð5Þ3.3. ICS-ABCO方案的实施过程ICS-ABCO的设计是为了确定从建模的有向无环图表示的工作流的基础上用于反应式Web服务组合的全局结构的最优路径。通常，ICS-ABCO中使用的步骤序列类似于ABCO方法，但它们之间的主要区别在于，i）概率模型被并入ABC中，使用余弦相似性来确定搜索的近最优邻域点，ii）第二阶段为平衡ABCO技术在勘探和开发阶段的搜索能力，基于适应度值和控制，采用组合法推导了两个搜索方程以及iii）利用潜在增强率来将当前候选解与随机选择的最近邻域候选解进行比较，使得满足工作流的局部和全局约束。3.4. 基于雇员蜜蜂Agent的候选服务集首先，在Web服务组合活动的过程中，可以从基于工作流的多维图中得到的候选解决方案的可行集使用Eq.（一）CSWID其中，可能包括在服务组合的特定工作流中。从工作流建模图中识别出具有较高PCS值的工作流候选解决方案序列作为最佳候选服务解决方案，然后将其传递给工作流蜜蜂代理。3.6. 围观蜜蜂阶段为反复贪婪的比较在该阶段中，搜索器蜜蜂代理基于（5）再次计算候选解PCS_i_i的概率，并将其与通过等式（5）获得的生成的解进行比较。（4）采用与雇员蜂阶段相同的贪婪选择方法。该阶段有助于从候选服务集合中确定比较的候选服务集合的最优性。最佳的候选服务集最终在这个阶段中选出。3.7. 用于最优候选估计的当候选服务解决方案集被探索和利用时，侦察蜂阶段起着基于Eq.（六）Cd¼LdUd-Ldωr和 0; 16其中，（一）.N. Arunachalam，A.Amuthan/ Journal of King Saud University273-C¼L-公司简介DSWi1dSW认证IDSW1ðÞIDð ÞððÞ Þð Þðþ Þ在这种迭代开发过程中，方程中使用的一些因素(1) 似乎偏离了边界值，因此Eq。（1）修改为Eqs。（7）和（8）使用Sahota和Verma（2016）中提到的修复规则。当CSWID=Ld=Ud=Ld= ωr和ω0; 1时，CSWID=Ld=7时，<和当CSW idUd=8时，<3.10.使用组合策略新的概率估计为每个候选服务解决方案得出使用方程。（12）用于计算可能的候选服务解决方案的适应度然后，指导搜索过程中的最佳最优候选服务解决方案下的服务组合的过程中推导出使用Eq。（十三）ð Þ ÞC/C/C-C/C13基于搜索限制迭代地检查数据服务集，使得在Web服务组合期间总是选择具有可靠性的最优候选服务集3.8. 用于ICS-ABCO改进的基于反对的学习过程ICS-ABCO的上述阶段必须改进，以提高从可行候选服务集合中确定最优候选服务集合的准确性和收敛速度在服务组合期间可能设置副。因此反对派-/id类似于等式（1）中使用的均匀分布的随机数。（4）并且它也被认为在1和1之间的范围内因此，在识别最优候选服务解决方案的过程中，新确定的候选服务解决方案与现有的最优候选服务解决方案相比可能是最差的。这种候选服务解决方案对QoS和事务特性的局部和全局约束的较差满足降低了开发的收敛速度。因此，在Eq.（13）在Eq.（14）作为Cd 1/4CSW最佳数据库/存储器CSW ID -CSW最好的d14小时基于学习的过程基于（AbdElaziz等人，2017），其指定当候选服务解决方案被考虑用于基于Eq. （1），其相对的候选服务解决方案也需要同时制定。因此，考虑用于解决方案的快速收敛的相反候选服务解决方案使用等式导出（九）其中，CSW最佳服务方案是指在CSW最佳服务方案和CSW最佳候选服务方案之间进行比较时最佳选择的最佳候选服务方案。导出的组合策略更好地遵循输出率或基于Eqs。（15）或（16）取决于CS W 候 选 服 务 解 决 方 案和CS W候选服务解决方案的成本值函数。^SW认证dUd-CSW识别码 Þð9ÞCd¼CSWi1d中文（简体）CQCSWID-CSW1当CSwiid ≤CSW≤1μd在这种情况下，（一）.3.9. 基于余弦相似性的ICS-ABCOCd¼CSW最佳配置/IDCSW最佳配置-CSW最佳配置当CSW最佳配置>CSW最佳配置时ð15Þð16Þ技术为了提高搜索的利用率，这被认为是经典ABCO方案的主要局限性，必须确定最佳候选服务解为了建立这一目标，一个相似性指标称为余弦相似性用于比较每个候选服务解决方案与其他可能的具体地，使用等式（10）来导出在C S W此外，Pandey和Pathak（2015）提出的因子扰动方案用于ICS-ABCO技术中的收敛率ICS-ABCO中的这种重复增强最后，基于反对的学习过程再次被蜜蜂阶段使用，用于基于（17）和（18）中定义的组合搜索方程来Cd¼CSWi1d/idCbestd-CSWi1dWhenrandvarCp17<当randvar≥Cp≥18时，CSW标识符为Ld时，cosine西南大学;CSWi1Þ ¼CSWðiÞωCSWðiþ1Þ. CSW i. ω。CSW I1 .一、ð10Þ其中0≤randvar≤1和0≤Cp≤1与随机生成值和控制参数有关，有助于确保更好地ICS-ABCO技术的开发和勘探率因此，在本发明中，当以下任何一个时，该余弦相似性被分配给值1：所比较的CSW候 选 服 务 解 值和CSW候选服务解值是零向量。 一般来说，余弦相似度的值在1和1之间变化。的EQ。（10）可以进一步修改为Eq.（11）适用于准确确定最优候选服务方案，以实现更好的反应式服务组合。从工作流建模图确定执行具有改进收敛速率的最优动态服务组合的最优候选服务解决方案。图1呈现了如下所述的所提出的ICS-ABCO-WSC技术的综合视图。4. 实验结果和讨论SIMOPT MEASURE¼1测量线CSW接口;CSW接口1测量线ð11Þ-2所提出的ICS-ABCO-WSC技术的性能是一致的-因此，每个候选解决方案PCS的概率是等式1中定义（5）基于余弦相似性被更新，并且在等式（1）中表示（12）作为在Windows XP、Java 2（Version 6.0）和2GB RAM的PC平台上分别采用ABCO-WSC、ACO-WSC和理想蛮力方案进行了仿真实验在这个简单的-PUP塞里什体育会SIMOPT-MEASURE测量软件CSCSIMOPTð12ÞICS-ABCO-WSC技术的分段，工作流及其相关候选工作流活动的数量被认为是n1-MEASURE SWITCH测量开关500和100在部署期间。著名的现实世界因此，最初考虑的最佳措施的坎迪-274N. Arunachalam，A.Amuthan/ Journal of King Saud University图1.一、所提出的ICS-ABCO-WSC技术的综合视图服务（QWS）数据集进行仿真实验，以考察ICS-ABCO-WSC在Web服务组合过程中的响应时间、最优性度量和成功率等方面的性能。在ICS-ABCO-WSC技术的实现中，事务和QoS的优先级参数在执行过程中保持不变，用户的请求始终被认为是Web服务组合过程中工作流激活的主要原因。为了研究事务约束和QoS约束对服务组合的影响，在仿真过程中，事务约束和QoS约束的影响因子（k）是将它们分为正约束和负约束的关键。在此模拟中，事务和QoS影响因子的下限和上限（k）从0.1到1变化，并且用于识别最佳候选工作流的迭代次数被认为是200，工作流和候选工作流的数量分别设置为500和100。首先，从响应时间、精度、成功率和最优性等方面，对ICS-ABCO-WSC技术与ABCO-WSC、ACO-WSC和Brute force方案的性能进行了比较和分析ICS-ABCO- WSC技术实现响应时间，成功率和措施的最优性的影响下，从用户产生 图 2强调了ICS-ABCO-WSC在响应时间方面的性能。ICS-ABCO-WSC方法在服务组合过程中采用了反向学习方法和组合偏离策略，在事务强度和基于QoS的强度增加的情况下，其响应时间似乎能够维持ICS-ABCO-WSC方法的响应时间的这种改进也是由于所利用的增强常数参数，该参数在服务组合期间将潜在的工作流从最不重要的工作流中ICS-ABCO-WSC的有效率分别比ABCO-WSC、ACO-WSC高10%和12N. Arunachalam，A.Amuthan/ Journal of King Saud University275图二、ICS-ABCO-WSC方案响应时间的改进图3.第三章。ICS-ABCO-WSC格式精度的改进方案和它的性能似乎也更接近蛮力机制的响应时间，只有非常微小的3%。图3突出显示了ICS-ABCO-WSC在准确性方面ICS-ABCO-WSC格式的精度被证明是显着的，即使当的trans-action和QoS的强度ICS-ABCO-WSC方法所表现出的准确性的这种改进主要是因为迭代开发过程被现象性地修改以消除收敛速度，276N. Arunachalam，A.Amuthan/ Journal of King Saud University陷入局部最优点ICS-ABCO-WSC方案的精度比ABCO-WSC、ACO-WSC方案分别提高了12%和15%，与蛮力机制的精度相差至少4%。图图4和图5显示了ICS-ABCO-WSC在成功率和最优性测量方面的性能。 ICS-ABCO-WSC 方案的 成功率优 于 ABCO-WSC 、 ACO-WSC方案，因为ICS-ABCO-WSC方案利用了基于反对的见图4。 ICS-ABCO-WSC计划的成功率。图五、ICS-ABCO-WSC方案的最优率度量N. Arunachalam，A.Amuthan/ Journal of King Saud University277学习在最佳最优候选服务解决方案的生成和比较中是显著的。ICS-ABCO-WSC的最优性度量也被证实优于比较基准事务和基于QoS的服务组合方案，因为选择可替代服务解决方案的最优性的变化似乎是自适应的性质取决于组合选择方案。ICS-ABCO-WSC方案的成功率比ABCO-WSC、ACO-WSC方案分别高8%和11%; ICS-ABCO-WSC方案的最优性指标也比ABCO-WSC、ACO-WSC方案分别高8%和11%。ICS-ABCO-WSC在成功率和测量方面的性能评价的最优性也被证明表现出4%和5%的性能接近比较理想的基于暴力的服务组合方案。此外，ICS-ABCO-WSC技术的潜力进行了研究，使用平均计算时间（ACT），通过改变数量Web服务组合中的工作流。图图6-8揭示了在分别设置为0.3、0.6和0.9的事务和QoS施加的约束的不同强度下评估的ICS-ABCO-WSC技术的基于ACT的性能。用ACT研究的ICS-ABCO-WSC技术的结果促进了ABCO-WSC，ACO-WSC方案的近26%和29%的优异性能。它也被证明表现出更接近的性能，图六、ACT-ICS-ABCO-WSC在不同工作流程下的强度-0.3。图7.第一次会议。不同工作流程下的ACT-ICS-ABCO-WSC，强度为-0.6。278N. Arunachalam，A.Amuthan/ Journal of King Saud University图8.第八条。不同工作流程下的ACT-ICS-ABCO-WSC，强度为-0.9。蛮力技术的边缘水平的6%。 此外，Fig. 9-11揭示了ICS-ABCO-WSC技术的重要性，该技术通过改变工作流中候选服务的数量，使用平均计算时间（ACT）进行研究。基于ACT的调查也在事务和QoS施加的约束设置为0.3、0.6和0.8的影响下进行。0.9 与 之 前 的 调查 相 似 用 ACT 研 究 ICS-ABCO-WSC 技 术 的 结 果比ABCO-WSC、ACO-WSC方案的性能提高了23%和28%。它也被证明表现出更接近的perfor-mance蛮力技术的边际水平为4%的ACT为基础的研究与工作流中的不同数量的候选服务。此外，表1-6显示了所提出的ICS-ABCO-WSC技术在平均响应时间、吞吐量方面的优势。可靠性、可用性、延迟和合规性。评估这些参数，因为它们被认为是潜在的QoS参数，需要验证这些参数以得出所提出的ICS-ABCO-WSC技术与用于比较的基准方案的重要性（Blanco等人， 2012年）的报告。表1-6中突出显示的拟定ICS-ABCO-WSC技术的结果图9.第九条。ACT-ICS-ABCO-WSC在不同的候选活动强度-0.3。N. Arunachalam，A.Amuthan/ Journal of King Saud University279图10个。ACT-ICS-ABCO-WSC在不同的候选活动强度-0.6。图十一岁ACT-ICS-ABCO-WSC在不同的候选活动强度-0.9。表1使用平均响应时间的拟定ICS-ABCO-WSC技术。为合成考虑的工作流数量响应时间（毫秒）蛮力拟议ICS-ABCO-WSCABCO-WSCACO-WSC20102.00108.19134.12152.1240104.25110.25143.12156，0.1060107.18112.43148.73157.3180109.21115.72153.12158.34100112.12118.12155.32162.14280N. Arunachalam，A.Amuthan/ Journal of King Saud University表2使用吞吐量的ICS-ABCO-WSC技术考虑进行组合的工作流数量提交请求（根据分钟）蛮力拟议ICS-ABCO-WSCABCO-WSCACO-WSC207.137.086.526.31407.107.016.426.18607.086.926.386.12807.046.816.336.021007.026.756.285.89表3使用可靠性的拟定ICS-ABCO-WSC技术考虑进行组合的工作流数量可靠性（百分比）蛮力拟议ICS-ABCO-WSCABCO-WSCACO-WSC209796.6394.5494.024096.2496.1293.7893.456096.1295.4393.6393.348095.4395.1293.3293.1210095.2394.8793.1292.56表4使用可用性的拟定ICS-ABCO-WSC技术考虑进行组合的工作流数量可用性（百分比（每段时间）蛮力拟议ICS-ABCO-WSCABCO-WSCACO-WSC2092.4391.1289.3288.764092.1691.0388.4388.326091.3490.7888.2187.348090.8790.5687.4586.5410090.5689.3487.2386.03表5使用顺应性的拟定ICS-ABCO-WSC技术。考虑进行组合的工作流数量遵守情况（百分比）蛮力拟议ICS-ABCO-WSCABCO-WSCACO-WSC2095.3494.3492.4690.454094.5794.1292.1189.536094.1294.0890.3589.428094.0693.4690.2289.1210093.6593.1389.7688.93表6使用延迟的拟定ICS-ABCO-WSC技术。考虑进行组合的工作流数量延迟（毫秒）蛮力拟议ICS-ABCO-WSCABCO-WSCACO-WSC200.450.530.590.65400.490.580.670.69600.520.620.730.73800.530.670.780.771000.560.710.830.815. 结论ICS-ABCO-WSC算法是ABCO-WSC算法的一种改进算法，它通过余弦相似度的估计和组合策略搜索方程的使用，ICS-ABCO-WSC已被证明是增强的，因为在每一代搜索解决方案的收敛速度被认为是提高使用反对学习。模拟实验ICS-ABCO-WSC方法的结果证明，在响应时间、准确性、成功率和最优性度量方面都有很大的改进，比ABCO-WSC方案好近21%，比ACO-WSC方案好16%。ICS-ABCO-WSC方法的性能似乎非常接近用于分析的理想蛮力机制的性能。ICS-ABCO-WSC方案的性能研究使用ACT相对于不同的工作流程确认了24%和20%的增强率主要ABCO-WSC和ACO-WSC方案。不同条件下ICS-ABCO-WSC方案的ACT研究N. Arunachalam，A.Amuthan/ Journal of King Saud University281工作流中的候选活动数量也推断出与ABCO-WSC和ACO-WSC方案相比提高了18%和15%在不久的将来，一个集成的人工免疫系统（AIS）和人工蜂群（ABC）的技术计划制定和测试其效力，在提高反应式Web服务组合的可能性。引用AbdElaziz，M.，Oliva，D.，Xiong，S.，2017年。一种改进的基于反对的正余弦全局优化算法。专家系统应用90（2），484-500。亚历山大，T.，Kirubakaran，E.，2014.基于蚁群算法的Web服务编排。Int. J. Comp.Appl. 102（11），39-46。Bhiri，S.，Gaaloul，W.，Godart，C.，2008.挖掘和改进复合web服务恢复机制。Int. J.Web服务Res. 5（2），23-48。Bhiri，S.，Gaaloul，W.，Godart，C.，2010.保证组合服务事务可靠性的再工程方法。高级Web服务Res. 2（1），290- 316.Blanco，E.，Cardinale，Y.，Vidal，M.，El Haddad，J.，Manouvrier，M.，Rukoz，M.，2012年。一种事务QoS驱动的Web服务组合方法。资源。Disc. 1（1），23-42.Canfora，G.，Di Penta，M.，埃斯波西托河Villani，M.L.，2005年 一种基于遗传算法的QoS服务组合方法。2 0 0 5 年遗传和进化计算会议 论文 集- GE C C O '0 5 ，pp 。 34比42Cardinale，Y.，El Haddad，J.，Manouvrier，M.，Rukoz，M.，2010.用于事务组合的Web服务选择。Procedia计算Sci. 1（1），2689-2698。Cardinale，Y.，Haddad，J.E.，Manouvrier，M.，Rukoz，M.，2011. CPN-TWS：一种基于着色Petri网的事务QoS驱动的Web服务组合方法。 Int. J. 网络网格服务7（1），91.Chen，L.，中国地质大学，2013.面向web服务组合的服务选择transmitting自动化模型。电子课程讲义Eng. 1（2），195-202.邓，S.杜，Y.，2013.基于服务簇和QoS的Web服务组合方法。 J.Comp. Appl.33（8），2167-2170。El Hadad，J.，Manouvrier，M.，Rukoz，M.，2010. TQoS：用于自动Web服务组合的事务和QoS感知选择算法。IEEE传输服务Comput. 3（1），73-85。范，X.，江，C.王杰，Pang，S.，2010.随机QoS感知的可靠Web服务组合。J. Software 20（3），546-556.高湖，加-地南达科他州城市，Ramachandran，J.，2011. Web服务组合和恢复的事务问题调查。国际网络网格服务杂志。7（4），331-342。奥默，上午，Schill，A.，2009.基于依赖关系的有向图自动服务组合。2009年第五届下一代Web服务实践国际会议，第100页。 15- 23Paik，H.，Lemos，A.L.，Barukh，M.C.，Benatallah，B.，Natarajan，A.，2017年。 Web服务组合：数据流。Web服务实现。合成物Techniques，193- 202.Pandey，R.S.，帕塔克河，巴西-地2015年。 一种基于空间QOS因子的Web服务组合动态恢复决策自适应方法。国际网络服务计算杂志。6（2/3），11-26。2014年被拘留。保证Web服务组合事务可靠性和QoS的服务选择。数学概率工程，1新罕布什尔州罗斯塔米，Kheirkhah，E.，贾拉拉利，M.，2014.一种基于聚类和蚁群算法的语义Web服务组合优化方法。Int. J. WebSemantic Technol. 5（1），1-8.Sahota，S.，维尔玛，P.，2016.改进的基于ABC的关联规则挖掘。Int. J. Comput. 135（10），6-10.萨利赫岛，2015.事务型web服务组合的规范与验证。Web-Scale Workflow Analytics2（1），39-55.王，R.，马，L.，陈玉，2010.蚁群算法在Web服务选择中的应用。 2010年计算智能和软件工程国际会议，pp。 34比43