【QoS预测】基于群智能搜索的QoS预测

论文题目：

Chen J, Mao C, Song W W. QoS prediction for web services in cloud environments based on swarm intelligence search[J]. Knowledge-Based Systems, 2023, 259: 110081.

模型细节：

 模型主要分为6部分：

（1） 粒子编码：为每个用户生成一个粒子群，群中的粒子有位置和速度两个属性。活跃用户缺失的qos记录个数=粒子的位置向量的维数。

（2） 初始群结构：群的粒子数=pnum，由于粒子的位置和速度向量维度很大，故群初始化的工作量很大，所以采用两种方案初始化群中粒子的位置向量，一种是基于uipcc方法，通过设置不同的组合权重，生成多个qos预测结果（特殊粒子），另一种是基于高斯分布的随机方法（群中剩余粒子）。粒子的速度向量随机生成。

（3） 适应度函数：设计了一个适应度函数 f 来估计每个粒子位置的合适性，即活跃用户的预测qos序列与其相似用户的qos序列之间的平均距离。适应度越小，位置越好。

（4） 异常值调整：采用了一种检测机制SPC来克服迭代搜索过程中，粒子超出预定区域的问题。

（5） 最优解选择：初始化后，计算每个粒子的适应度，标记当前位置为粒子的个体最佳位置，群中适应度最小的粒子，标记为群最佳位置。每个粒子分别根据等式（6）和（7）更新其速度和位置。由公式可知速度和位置的更新与个体最佳位置和群最佳位置有关。执行更新操作后，使用异常值调整方法，调整不合适的位置。随后重新计算每个粒子的适应度，若新位置适应度更小，则更新个体最佳位置，同样，若群中存在更合适个体，则更新群最佳位置。重复上述过程，直到达到最大迭代数。最后，输出群最佳位置，即当前用户的所有未知的qos记录的预测值。

（6） 混合预测：以上是基于用户的群智能搜索，基于服务的群智能搜索过程同上，使用权重参数结合两种方法的预测结果，得到最终预测结果。