汪　霆，劉高峰

(海軍工程大學(xué) 電子工程學(xué)院，武漢　430033)

?

基于粒子群算法的仿真任務(wù)共同體服務(wù)選擇算法優(yōu)化研究

汪霆，劉高峰

(海軍工程大學(xué) 電子工程學(xué)院，武漢430033)

摘要：在研究粒子群算法(PSO)及其改進(jìn)的DGOSS算法、STCSSA算法基礎(chǔ)上，從仿真任務(wù)共同體的定義、服務(wù)選擇界定及服務(wù)品質(zhì)(QoS)描述出發(fā)，改進(jìn)設(shè)計了PSO的慣性權(quán)重動態(tài)調(diào)整策略，建立了一種優(yōu)化的仿真任務(wù)共同體服務(wù)選擇算法(ITCSSA)；通過仿真對比驗證表明：ITCSSA算法較DGOSS算法、STCSSA算法有更好的收斂速度、精度和適用性，對于多用途仿真系統(tǒng)的資源分配優(yōu)化具有一定的參考價值。

關(guān)鍵詞：面向服務(wù)；仿真系統(tǒng)；仿真任務(wù)共同體；服務(wù)選擇；優(yōu)化粒子群算法

本文引用格式：汪霆，劉高峰.基于粒子群算法的仿真任務(wù)共同體服務(wù)選擇算法優(yōu)化研究[J].兵器裝備工程學(xué)報，2016(7):51-56.

Citation format:WANG Ting，LIU Gao-feng.Study of Improved Simulation Task Community Service Selection Algorithm Based on Particle Swarm Optimization[J].Journal of Ordnance Equipment Engineering,2016(7):51-56.

通常，仿真系統(tǒng)中的“資源”可以分為：以數(shù)據(jù)、模型和算法等為特征的基礎(chǔ)類資源；以仿真建模工具、運行支撐軟件、管理類設(shè)施等為特征的仿真支撐類資源；以功能應(yīng)用、模擬器材等為特征的仿真應(yīng)用類資源[1]。在分布式仿真環(huán)境下,為應(yīng)對作戰(zhàn)訓(xùn)練、方案推演、裝備論證和裝備試驗等多種類型的聯(lián)合仿真應(yīng)用，克服地域和平臺限制，實現(xiàn)仿真資源的動態(tài)配置與優(yōu)化組合，滿足異地/異構(gòu)仿真單元的功能集成和信息交互，是仿真系統(tǒng)重組重構(gòu)研究的一個難點[2]。以往采用分布式仿真技術(shù)[3]構(gòu)建的仿真系統(tǒng)一般都是剛性的，往往需要在確定的環(huán)境下，按照預(yù)定的目標(biāo)以及確定的仿真流程運行，仿真資源的使用模式相對固化，已不能全面滿足日趨復(fù)雜的多用途仿真系統(tǒng)柔性重組的應(yīng)用需要。隨著國內(nèi)外關(guān)于體系結(jié)構(gòu)技術(shù)的持續(xù)研究表明[4-8]，面向服務(wù)(SOA)體系結(jié)構(gòu)以其具有的服務(wù)重用性、服務(wù)互操作性及服務(wù)之間的松耦合性等優(yōu)勢，已成為多用途仿真系統(tǒng)中的關(guān)鍵技術(shù)之一。在仿真任務(wù)需求牽引下，構(gòu)建仿真任務(wù)共同體，是面向服務(wù)的仿真系統(tǒng)實現(xiàn)仿真資源按需組合與高效利用，最終滿足仿真系統(tǒng)多用途化目標(biāo)的有效手段，其目的在于利用仿真任務(wù)共同體搭建某一仿真任務(wù)階段的臨時性的邏輯功能仿真系統(tǒng)，如既可是作戰(zhàn)模擬訓(xùn)練系統(tǒng)，也可是作戰(zhàn)方案推演系統(tǒng)或武器裝備論證仿真系統(tǒng)等，并能夠靈活的組合和解聚。但是，在構(gòu)建仿真任務(wù)共同體過程中，隨著系統(tǒng)規(guī)模的擴大，節(jié)點及服務(wù)的大量增加，各類服務(wù)的總體數(shù)量將急劇增大。由于服務(wù)本身具有不同的服務(wù)品質(zhì)(QoS)，且服務(wù)質(zhì)量是多維度的，要從數(shù)量龐大且不同質(zhì)量的服務(wù)群中快速選擇出所需服務(wù)是首要解決的關(guān)鍵。粒子群算法作為一種智能尋優(yōu)算法[9]，不需要了解服務(wù)的具體功能和其他背景信息，具有并行運算、群體搜索的特點，是解決仿真任務(wù)共同體服務(wù)問題的一種有效方法。

本文在研究粒子群算法(PSO)及其改進(jìn)算法基礎(chǔ)上，嘗試建立一種優(yōu)化的仿真任務(wù)共同體服務(wù)選擇算法(ITCSSA)，以解決多用途仿真系統(tǒng)中的資源分配優(yōu)化問題。

1仿真任務(wù)共同體及其服務(wù)描述

在仿真任務(wù)共同體服務(wù)選擇算法中，仿真任務(wù)共同體是主體，服務(wù)選擇是手段，服務(wù)品質(zhì)是標(biāo)準(zhǔn)，三者共同構(gòu)成了算法的應(yīng)用環(huán)境。

1.1仿真任務(wù)共同體定義

目前，任務(wù)共同體尚無一致的理解和定義。文獻(xiàn)[10]對網(wǎng)絡(luò)中心化仿真的研究，給出的仿真任務(wù)共同體的概念指：“為了完成某一共同的仿真任務(wù)，由分布在網(wǎng)絡(luò)上面的相關(guān)仿真資源和設(shè)施組成的虛擬組織，類似于高層體系結(jié)構(gòu)的聯(lián)邦或傳統(tǒng)仿真系統(tǒng)的概念，但它是虛擬系統(tǒng)，當(dāng)任務(wù)執(zhí)行完成后解散。仿真任務(wù)共同體由若干成員構(gòu)成，成員主要是仿真應(yīng)用類資源，也包括仿真支撐類中的數(shù)據(jù)采集、仿真控制等仿真管理設(shè)施資源?！边@一定義是基于未來網(wǎng)絡(luò)柵格條件下的網(wǎng)絡(luò)中心化仿真概念，強調(diào)了組成任務(wù)共同體節(jié)點的類別是應(yīng)用類資源及仿真管理設(shè)施，沒有明確仿真實裝節(jié)點以及數(shù)據(jù)模型等的作用，同時，這一定義也不是面向服務(wù)的，具有一定的局限性。

仿真任務(wù)共同體實際上可理解為是一種目的性較強的臨時性的仿真系統(tǒng)。本文在文獻(xiàn)[11]基礎(chǔ)上，將多用途仿真系統(tǒng)中的仿真任務(wù)共同體定義為：在共同的仿真任務(wù)牽引下，將分布式的仿真節(jié)點、對應(yīng)服務(wù)群、管理類設(shè)施、數(shù)據(jù)模型等仿真軟硬件資源，構(gòu)成一個具有特定功能和用途的仿真邏輯系統(tǒng)，并能夠根據(jù)不同的仿真應(yīng)用需要靈活的聚合和解聚，最終實現(xiàn)仿真系統(tǒng)資源優(yōu)化分配和仿真任務(wù)管理的目標(biāo)，如圖1所示。

圖1　任務(wù)共同體定義描述

1.2服務(wù)選擇的界定

在仿真任務(wù)共同體中，仿真節(jié)點所對應(yīng)的仿真服務(wù)群不是孤立存在的，而是有著一定的交叉、包含等關(guān)系，且在同一服務(wù)群中能實現(xiàn)特定功能和用途的服務(wù)存在一個或多個，這些服務(wù)具有不同的服務(wù)品質(zhì)(QoS)以及特定的約束條件，如圖2所示。

圖2　任務(wù)共同體服務(wù)群關(guān)系描述

如何在復(fù)雜的仿真環(huán)境和不斷變化的仿真條件下，從龐大服務(wù)群中快速選擇出所需要求的服務(wù)，實現(xiàn)仿真節(jié)點各取所需，同時任務(wù)共同體效益最大化(包括個體最優(yōu)和整體最優(yōu))是需要解決的關(guān)鍵性問題，即任務(wù)共同體服務(wù)選擇。

1.3服務(wù)品質(zhì)描述

當(dāng)進(jìn)行仿真任務(wù)共同體服務(wù)選擇時，必須首先明確服務(wù)選擇的標(biāo)準(zhǔn)和依據(jù)，這一標(biāo)準(zhǔn)和依據(jù)就是服務(wù)品質(zhì)(QoS)[12-13]。為更好的對服務(wù)品質(zhì)進(jìn)行描述，選擇6種具有代表性、共通性的非功能屬性作為QoS指標(biāo)，即服務(wù)代價P(price)、服務(wù)執(zhí)行時間E(execution time)、服務(wù)可靠性R(reliability)、服務(wù)延遲D(Delay)、服務(wù)容量C(capacity)和服務(wù)信譽Rep(reputation)。其中，服務(wù)代價指服務(wù)運行需要占用的各類資源，如計算資源、網(wǎng)絡(luò)資源等等；服務(wù)執(zhí)行時間指服務(wù)作為一種程序，獲取輸出結(jié)果所需時間；服務(wù)可靠性代表該服務(wù)在仿真系統(tǒng)中的正常運行的可靠程度衡量；服務(wù)延遲指服務(wù)在服務(wù)請求方發(fā)出申請直至服務(wù)響應(yīng)的時間延遲；服務(wù)容量是調(diào)用及被調(diào)用的能力指標(biāo)，服務(wù)信譽指衡量服務(wù)能夠被正常調(diào)用的度量。

2基于粒子群算法優(yōu)化的ITCSSA算法

2.1粒子群算法(PSO)

粒子群算法(PSO)作為一種智能尋優(yōu)算法，具有并行運算、群體搜索的特點。該算法不需要背景知識及相關(guān)的啟發(fā)式信息，只需要確定優(yōu)化目標(biāo)函數(shù)和對應(yīng)約束條件，從隨機解出發(fā)，在迭代過程中尋找最優(yōu)解，粒子通過跟蹤“個體極值”和“群體極值”更新自身位置信息，并以此尋找全局最優(yōu)。這種算法具有實現(xiàn)方便、收斂速度快和收斂精度高等優(yōu)點，現(xiàn)已廣泛應(yīng)用于各類尋優(yōu)問題的求解[14]。

在PSO算法中，粒子具有位置和速度兩個重要參數(shù)，在N維搜索空間中，位置X和速度V也是N維向量，分別對應(yīng)空間中的一個解向量和解的位置變化情況，每個粒子的位置Xi用Xi=[Xi1,Xi2,…,XiN]T表示，速度Vi用Vi=[Vi1,Vi2,…,ViN]T表示，每個粒子訪問過的最優(yōu)位置稱為個體最優(yōu)位置，用Xp表示，整個種群的最優(yōu)位置稱為全局最優(yōu)位置，用Xg表示。在每一次迭代中，粒子通過以下兩個公式更新自身位置：

(1)

(2)

其中，i表示第i個粒子，t表示t時刻或者第t次迭代，對應(yīng)的，Xi(t)表示第i個粒子t時刻的位置，Vi(t)表示第i個粒子t時刻的速度。w是慣性權(quán)重，代表粒子受到當(dāng)前速度影響程度的度量，c1、c2稱為加速度常數(shù)，分別代表粒子向自身最優(yōu)位置和全局最優(yōu)位置運動的趨勢，r1、r2是(0，1)之間均勻分布的隨機數(shù)。

PSO算法本身在有約束條件的數(shù)值優(yōu)化和極值求解等應(yīng)用中具有快速收斂的優(yōu)點，但是該算法運用在高維復(fù)雜多峰函數(shù)尋優(yōu)時，容易陷入局部極值，導(dǎo)致早熟收斂。產(chǎn)生問題的原因有兩方面：一是慣性權(quán)重w采用固定值時對搜索能力的影響，當(dāng)w取值較大時能夠增強全局搜索能力，但搜索精度較低，w取值較小時則容易陷入局部最優(yōu)解。二是在處理多峰值函數(shù)尋優(yōu)問題時，易受到局部極值的影響，粒子群快速收斂到局部極值。

2.2ITCSSA算法的優(yōu)化策略與算法流程

2.2.1算法分析

在文獻(xiàn)[12-13]中，對基本PSO算法進(jìn)行了改進(jìn)，得到了DGOSS算法和STCSSA算法，改進(jìn)重點是對慣性權(quán)重w進(jìn)行動態(tài)調(diào)整，算法前期權(quán)重大，突出全局搜索能力，算法后期慣性權(quán)重降低，提高局部搜索精度。其中，兩個算法的慣性權(quán)重調(diào)整函數(shù)如下：

DGOSS算法：

(3)

STCSSA算法：

(4)

粒子多樣性：

(5)

上述公式中，tmax和tmin分別為算法預(yù)先設(shè)定的最大迭代次數(shù)和最小迭代次數(shù)，t為當(dāng)前迭代次數(shù)，wi為初始權(quán)值，wf為最終權(quán)值，均為常數(shù)，且初始權(quán)值wi>wf，公式(5)為粒子多樣性公式[15]，d(t)是t時刻粒子群的多樣性值，m為粒子數(shù)，|L|為搜索區(qū)域的最大寬度，D是問題維數(shù)，xid為t時刻第i個粒子的d維分量;xd為t時刻全部粒子在第d維分量上的平均值。

DGOSS算法除粒子多樣性外的慣性權(quán)重時變部分調(diào)整策略如圖3所示，從曲線變化可以看出，采用這一策略的DGOSS算法的慣性權(quán)重變化比較接近一次線性均勻變化，它的缺點是沒有區(qū)分算法階段，慣性權(quán)重在算法中勻速減小，不能滿足前期高權(quán)重對提升搜索速度的要求。

圖3　DGOSS算法慣性權(quán)重時變部分調(diào)整策略

STCSSA算法除粒子多樣性外的慣性權(quán)重時變部分調(diào)整策略如圖4所示，從曲線變化可以看出，在算法的前大半段均以接近最大慣性權(quán)重進(jìn)行尋優(yōu)搜索，僅在算法末端迅速減小，采用這一策略的STCSSA算法在進(jìn)行簡單函數(shù)尋優(yōu)時因其慣性權(quán)重大，具有一定的速度優(yōu)勢，但是在復(fù)雜函數(shù)尋優(yōu)時精度較差，易陷入局部極值點。

圖4　STCSSA算法慣性權(quán)重時變部分調(diào)整策略

2.2.2優(yōu)化的算法建立

事實上，算法并非在尋優(yōu)搜索的末端才進(jìn)入收斂，因此作者從實際收斂情況出發(fā)，設(shè)計了一種更符合實際的動態(tài)慣性權(quán)重調(diào)整策略，提出一種優(yōu)化的任務(wù)共同體服務(wù)選擇算法(ITCSSA)，式(6)為ITCSSA算法慣性權(quán)重調(diào)整公式，圖5是式(6)中除粒子多樣性外的時變部分慣性權(quán)重變化曲線，相比式(3)、式(4)來說，既能夠滿足算法前期搜索速度，又能滿足整體收斂精度。

ITCSSA算法：

(6)

在慣性權(quán)重動態(tài)調(diào)整策略基礎(chǔ)上，得到優(yōu)化后的ITCSSA流程如圖6所示。

圖5　STCSSA算法慣性權(quán)重時變部分調(diào)整策略

圖6　ITCSSA算法流程

2.3粒子群算法的應(yīng)用要求

粒子群算法在任務(wù)共同體服務(wù)選擇中要得到良好應(yīng)用必須具備幾個先決條件：一是服務(wù)要進(jìn)行量化評定，即對服務(wù)維度進(jìn)行劃分，并根據(jù)服務(wù)實際情況進(jìn)行量化處理，在第一節(jié)已有說明；二是服務(wù)選擇的判斷標(biāo)準(zhǔn)必須清晰、具體、統(tǒng)一，要根據(jù)不同的仿真系統(tǒng)或者節(jié)點的實際情況，有所側(cè)重；三是將任務(wù)共同體服務(wù)選擇問題轉(zhuǎn)變?yōu)楹瘮?shù)求解問題。

例如，文獻(xiàn)[10]將任務(wù)共同體的服務(wù)組合分為四種基本結(jié)構(gòu)：順序結(jié)構(gòu)、分支結(jié)構(gòu)、循環(huán)結(jié)構(gòu)、并行結(jié)構(gòu)，在此基礎(chǔ)上，文獻(xiàn)[12]以雷達(dá)防空任務(wù)共同體為例，設(shè)計了一種以服務(wù)代價P、服務(wù)執(zhí)行時間E、服務(wù)延遲D為計算參數(shù),服務(wù)可靠性R、服務(wù)容量C和服務(wù)信譽Rep作為約束條件的適應(yīng)度函數(shù)：

(7)

這一函數(shù)作為適應(yīng)度測試函數(shù)之一，在隨后仿真驗證中，將增加其維數(shù)和復(fù)雜度。

在確定任務(wù)共同體服務(wù)選擇適應(yīng)度函數(shù)后，運用PSO算法求解得到的結(jié)果是滿足這一函數(shù)的最優(yōu)值，它的意義在于給出了任務(wù)共同體服務(wù)最優(yōu)組合。但是，這一最優(yōu)組合并不一定是任務(wù)共同體服務(wù)集合中的最優(yōu)實例。事實上，它們只是Pareto 最優(yōu)解(即綜合考慮所有的可行解，不存在其他更為優(yōu)越的解)的集合。決策者需要根據(jù)某種決策原則在這些 Pareto 最優(yōu)解之間進(jìn)行權(quán)衡比較，根據(jù)某種“距離”原則，選取最接近的一個解作為滿意解。本文采用基于 Euclidian 距離的方法獲取實際最優(yōu)解[16]。

由于需要人工價值評定，并從可行解中計算并選取最優(yōu)解，因此這一特性決定了采用PSO算法進(jìn)行任務(wù)共同體服務(wù)選擇，是一種半人工的方式。

3算法仿真分析

3.1仿真實驗條件設(shè)計

在Windows Xp SP3操作系統(tǒng)環(huán)境下，運用Matlab 7.8.0工具，開展ITCSSA算法與STCSSA算法及DGOSS算法的對比性仿真分析。選取帶有約束條件的具有代表性的三個適應(yīng)度測試函數(shù)f1，f2，f3作為仿真實驗條件，如表1所示，通過求解函數(shù)最小值，并與DGOSS算法和STCSSA算法進(jìn)行對比分析，以檢驗所設(shè)計的ITCSSA算法性能。

表1　測試適應(yīng)度函數(shù)

在仿真程序設(shè)計過程中，注意到PSO算法位置、速度公式遞推過程中，t+1時刻粒子速度僅與t時刻粒子位置、速度有關(guān)，t+1時刻粒子位置僅與t時刻粒子位置和t+1時刻粒子速度有關(guān)，可將粒子群位置和速度擴展為m行、D列的矩陣(m為粒子數(shù)，D為粒子維度)，利用Matlab矩陣運算優(yōu)勢進(jìn)行循環(huán)迭代，直至找到最優(yōu)值，記錄并輸出結(jié)果。

實驗參數(shù)設(shè)定為：初始慣性權(quán)值Wi=0.6，最終慣性權(quán)值Wf=0.3；粒子數(shù)m=100，迭代次數(shù)k=50，加速度常數(shù)c1=c2=2，粒子維度為6，對應(yīng)服務(wù)品質(zhì)的6個指標(biāo)。

3.2仿真實驗分析

經(jīng)編程仿真，得到3個算法分別在適應(yīng)度測試函數(shù)f1、f2、f3上的收斂效果對比全局圖和細(xì)節(jié)圖，如圖7-圖12所示。

圖7　f1收斂效果對比全局圖

圖8　f1收斂效果對比細(xì)節(jié)圖

圖9　f2收斂效果對比全局圖

圖10　f2收斂效果對比細(xì)節(jié)圖

圖11　f3收斂效果對比全局圖

圖12　f3收斂效果對比細(xì)節(jié)圖

通過分析以上仿真結(jié)果可以看出，ITCSSA算法有更好的收斂速度、精度和適用性，特別是在復(fù)雜函數(shù)尋優(yōu)上優(yōu)勢較為明顯，具體分析如下：

1) 當(dāng)適應(yīng)度測試函數(shù)為簡單函數(shù)時(f1)，如圖7、圖8所示，3個算法基本都在第6次迭代時逐步收斂，其中STCSSA算法在第3～5次迭代時更接近理論最小值點(-1)，但進(jìn)入第8次迭代后，ITCSSA算法明顯更接近最小值點，DGOSS算法其次，STCSSA算法最后。這與前期在慣性權(quán)重動態(tài)調(diào)整策略中的分析是一致的，STCSSA在簡單函數(shù)中的收斂速度較快，但是收斂精度較差，且收斂速度優(yōu)勢并不明顯。

2) 當(dāng)適應(yīng)度測試函數(shù)復(fù)雜度提升時(f2)，如圖9、圖10所示，ITCSSA算法優(yōu)勢逐步體現(xiàn)，在第2次迭代即體現(xiàn)較快的收斂速度，領(lǐng)先其他兩個算法，DGOSS算法其次，STCSSA算法最后，在第7次迭代時，已經(jīng)基本接近收斂，此時，DGOSS算法和STCSSA算法還未進(jìn)入收斂狀態(tài)。在第10次迭代時，ITCSSA算法已經(jīng)完全收斂，且達(dá)到理論最小值點(0)，DGOSS算法和STCSSA算法此時已收斂，但離最小值點有明顯距離，收斂精度不如ITCSSA算法。

3) 適應(yīng)度測試函數(shù)復(fù)雜度進(jìn)一步增加(f3)，此時維度達(dá)到了6維，且包含指數(shù)函數(shù)，從圖11，圖12可以看出，在第3次迭代之前，STCSSA具有明顯優(yōu)勢，收斂速度最快，但是隨即進(jìn)入局部收斂，最終在第6次迭代時完成收斂，此時，與最小值點存在較大誤差；在第5～8次迭代時，ITCSSA算法與DGOSS算法收斂速度相當(dāng)，但是第9次迭代過后，DGOSS算法也已經(jīng)完成收斂，此時與最小值點仍存在較大誤差，而ITCSSA算法仍處于尋優(yōu)階段，最終在第12次迭代進(jìn)入收斂，此時，在3個算法中，ITCSSA算法具有更好的收斂性，有著更高的收斂速度和精度。

綜上，在仿真實驗中，ITCSSA算法表現(xiàn)出了更好的收斂性，算法收斂精度和速度明顯優(yōu)于DGOSS算法和STCSSA 算法，這也與慣性權(quán)重動態(tài)調(diào)整策略中的分析相印證。實際上，STCSSA算法前期收斂速度更快，但是從整體收斂性，特別是收斂精度上來看，存在一定的缺點，主要原因在于該算法的前大半段均以接近最大慣性權(quán)重進(jìn)行尋優(yōu)搜索，僅在算法末端迅速減小，在實際仿真實驗中，特別是經(jīng)以上測試函數(shù)檢驗可以發(fā)現(xiàn)，算法尋優(yōu)往往在中前期即可進(jìn)入收斂，不一定達(dá)到預(yù)先設(shè)定的迭代次數(shù)k。實際上，在3個適應(yīng)度測試函數(shù)中，當(dāng)粒子數(shù)為100時，迭代5～15次即可進(jìn)入收斂，如果粒子數(shù)更大，這一數(shù)字還能進(jìn)一步縮小。而DOSSA算法采用的線性調(diào)整策略較為中庸，收斂速度和精度并沒有明顯優(yōu)勢。

本文選取具有代表性的粒子數(shù)100作為仿真參數(shù)。這一參數(shù)可以自由設(shè)定，在ITCSSA算法初始階段可以根據(jù)仿真服務(wù)群內(nèi)服務(wù)總數(shù)和適應(yīng)度函數(shù)復(fù)雜程度自適應(yīng)設(shè)定粒子數(shù)，以實現(xiàn)仿真速度與精度的匹配。

4結(jié)論

本文結(jié)合仿真任務(wù)共同體服務(wù)選擇實際，設(shè)計了一種改進(jìn)粒子群算法(ITCSSA)，在仿真驗證基礎(chǔ)上與兩種代表性的基于PSO算法優(yōu)化的服務(wù)選擇算法進(jìn)行了分析對比，實驗結(jié)果表明ITCSSA算法收斂速度快，收斂精度高，更加貼合任務(wù)共同體服務(wù)選擇實際。

參考文獻(xiàn)：

[1]張睿,王之騰,張宏軍,等.淺析建模與仿真領(lǐng)域的現(xiàn)狀與發(fā)展趨勢[J].系統(tǒng)仿真學(xué)報,2013,25(8):52-55.

[2]范林軍,董紅林,凌云翔,等.分布式仿真系統(tǒng)中的全局一致性問題研究[J].計算機工程與科學(xué),2016,38(1):131-135.

[3]周平,蘇銀科,沈超.基于DDS 的分布式數(shù)字仿真系統(tǒng)設(shè)計與實現(xiàn)[J].系統(tǒng)仿真學(xué)報,2014,26(8):1678-1683.

[4]ZHANG R,WANG Z T,MAO S J,et al.CoST:A Service-Oriented Simulation Architecture [J].Journal of Theoretical and Applied Information Technology,2013,48(3):1584-1589.

[5]陳釗,趙斯強,宋彬,等.面向服務(wù)的集成式海軍作戰(zhàn)指揮訓(xùn)練系統(tǒng)構(gòu)建[J].指揮控制與仿真,2015,37(5):82-87.

[6]史揚,董漢權(quán),陸銘華.面向服務(wù)的可組合可重用仿真技術(shù)研究[J].系統(tǒng)仿真學(xué)報,2014,26(7):1522-1526.

[7]龔立,劉高峰.SOA下軍用仿真系統(tǒng)集成研究[J].武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版),2010,34(6):1121-1128.

[8]LI X T,STUART E.Understanding the Dynamics of Service-Oriented Architecture Implementation[J].Journal of Management Information Systems,2015,32(2):104-133.

[9]單志偉,錢潛,劉福勝.基于粒子群優(yōu)化的灰色系統(tǒng)對一體化保障設(shè)備使用工作量的預(yù)測[J].四川兵工學(xué)報,2015,36(10):55-58.

[10]毛少杰,李玉萍.網(wǎng)絡(luò)中心化仿真概念與方法研究[J].系統(tǒng)仿真學(xué)報,2010,22(7):1660-1663.

[11]汪霆,劉高峰.一種TCSM模式的服務(wù)化模擬訓(xùn)練系統(tǒng)研究[J].計算機與數(shù)字工程,2015,43(12):2199-2203.

[12]孫黎陽,林劍檸.基于改進(jìn)粒子群優(yōu)化算法的網(wǎng)絡(luò)化仿真任務(wù)共同體服務(wù)選擇[J].兵工學(xué)報,2012,33(11):1393-1403.

[13]孫黎陽,李陽.網(wǎng)絡(luò)中心化仿真任務(wù)共同體服務(wù)選擇算法研究[J].計算機研究與發(fā) 展,2014,51(3):650-660.

[14]戴文智,楊新樂.基于慣性權(quán)重對數(shù)遞減的粒子群優(yōu)化算法[J].計算機工程與應(yīng)用,2015,51(17):14-19.

[15]WANGYL,XUHM.Multiobjectiveparticleswarmoptimizationwithoutthepersonalbest[J].JournalofShanghaiJiaotongUniversity(Science),2014,19(2):155-159.

[16]RAMONCD.CollectiveEuclidiandistancesandquantumsimilarity[J].JournalofMathematicalChemistry,2013,51(1):338-353.

(責(zé)任編輯周江川)

收稿日期：2016-01-23；修回日期：2016-02-26

作者簡介：汪霆(1986—)，男，碩士研究生，主要從事作戰(zhàn)指揮系統(tǒng)研究。

doi:10.11809/scbgxb2016.07.012

中圖分類號：E917

文獻(xiàn)標(biāo)識碼：A

文章編號：2096-2304(2016)07-0051-07

Study of Improved Simulation Task Community Service Selection Algorithm Based on Particle Swarm Optimization

WANG Ting，LIU Gao-feng

(College of Electronic Engineering, Naval University of Engineering, Wuhan 430033, China)

Abstract:The paper analyzed the particle swarm optimization (PSO) and two typical optimized algorithms: DGOSS, ITCSSA, and explicitly defined and described the concepts of simulation task community, service selection and quality of service(QoS), and proposed an improved task community service selection algorithm(ITCSSA) based on optimiz-ed dynamic inertia weight strategy. Finally, the simulation has proved its advantages in convergence rate and precision. The paper has reference value for the research of service se-lection during multipurpose simulation system.

Key words:SOA; simulation system; simulation task community; service selection; improved particle swarm optimization

【裝備理論與裝備技術(shù)】