多任务并发条件下QoS感知的空间信息服务优化组合方法

应急响应和国防应用中任务非均匀并发的典型特征，对空间信息服务优化组合提出了更高的要求，主要表现在大量并发任务对优势资源的竞争导致所有任务质量下降。本申请针对多任务并发的空间信息服务优化组合难题，研究多任务竞争有限最优资源的合作竞争机制，建立空间信息服务链QoS属性聚合计算模型和任务综合效用评价模型，提出任务竞争与合作行为下QoS感知的空间信息服务优化组合方法，揭示任务冲突和协作条件下空间信息服务组合的演化规律和优化组合解的结构特征。该申请突破了传统以单个任务为中心的空间信息服务组合局限，保证了多个并发任务都能拥有最优的综合效用，为实现空间信息服务资源的优化组合提供了全新的途径。

本项目研究多任务并发条件下的QoS感知的空间信息服务的优化组合方法，探求在并发任务冲突的条件下，如何通过合作和竞争机制来实现对服务资源的最优化配置，并开发有效的快速算法：.1、改进面向多任务并发的QoS 聚合模型和任务综合效用评价模型，同时在遥感信息服务QoS的各种因素中，响应时间是最重要和决定性的因素，遥感信息服务的数据密集型和计算密集型特点使得遥感信息服务链结构复杂，并发、条件选择等结构使得响应时间的计算QoS属性更为复杂。并根据空间信息服务计算密集，数据密集的特性，将QoS的效用，从计算的角度分为了建立面向多任务并发的QoS聚合模型和任务综合效用评价模型..2、通过量化任务冲突的最优反应函数，基于博弈论建立了刻画QoS约束下多任务对遥感信息处理服务竞争关系的数学模型，保证每个任务在顾及其他任务组合策略情况下都能获得效用最优的服务。并在此基础上提出了收敛到Nash 均衡的迭代算法，使所有任务在冲突的环境下，达到效用最优。同时研究了基于合作博弈论建立了刻画QoS约束下多任务对遥感信息处理服务竞争关系的数学模型，保证每个任务在保证系统效用最优的情况下，通过议价机制，收敛到Nash议价均衡，并提出了相应的迭代算法，保证算法最终能够收敛到Nash议价均衡点，使所有任务在冲突的环境下，达到整个系统的效用的全局最优。.3、为了最大化重用已有服务资源，并自动适应任务需求的变化，建立了形式化定义的流程约束和完整性约束，提出了基于最小影响域启发式的回归搜索算法实现服务链重构过程。实验证明了该方法的高效性，不仅可以降低服务组合过程的时间复杂度，提高组合效率，而且还可以减少服务提供者的负载，保证所有服务链的稳定性。.4、提出了一个基于知识变量削减策略（VRS），以更有效地解决无约束和一阶导数的优化问题。VRS思想是一个无约束和一阶导数的优化函数，最优解位于局部极值点时，每个变量偏导数等于零。通过集合偏导数方程求解，得到不同变量之间定量关系。VRS可减少变量数目，缩小解空间，提高优化速度和质量。该算法已经用于服务链的最优化过程处理中。.5、提出将问题为导向的知识融入到了PSO的变量设计中。由此产生基于内部变量的学习策略的新粒子群优化算法（IVL）。优化函数的对称变量必须满足定量对称关系，内部变量学习（IVL）策略有助于对PSO算法过程中检查其内部变量之间的关系。