10.3969/j.issn.1000-386x.2020.11.002
利用记忆单元改进DQN的Web服务组合优化方法
针对面向高可扩展性、复杂性和异构性服务环境的Web服务组合难以进行优化的问题,提出一种利用长短期记忆单元改进深度Q神经网络(Long Short-Term Memory Deep Q-Network,LSTM-DQN)的Web服务组合优化方法.利用Markov对Web服务组合优化问题进行建模,分析各变量参数之间的关系,同时加入强化学习的组合优化模型,简化了组合优化过程;引入记忆单元对深度Q网络算法进行优化,提出LSTM-DQN方法,提升了DQN算法的全局寻优能力;将LSTM-DQN应用于大规模服务环境下的Web服务组合优化问题,对所建立的马尔可夫决策(Markov Decision Process,MDP)模型进行优化,以提升Web服务组合的处理效率.实验结果表明,该方法相对于传统方法在大规模服务环境下对Web服务组合优化所消耗时间更短,服务组合成功率更高,具有更强的处理能力和处理效率.
记忆单元、LSTM-DQN、MDP简化建模、Web服务组合
37
TP391(计算技术、计算机技术)
江苏省自然科学基金项目BK20161104
2020-11-18（万方平台首次上网日期，不代表论文的发表时间）
共7页
11-17
