| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 研究背景 | 第14-20页 |
| 1.1.1 面向服务计算的发展 | 第14-18页 |
| 1.1.2 Web服务组合与组合服务 | 第18-20页 |
| 1.2 组合服务研究的关键问题 | 第20-21页 |
| 1.3 本文的主要研究内容和创新点 | 第21-23页 |
| 1.4 论文的组织结构 | 第23-24页 |
| 第2章 相关背景知识 | 第24-46页 |
| 2.1 Web服务 | 第24-29页 |
| 2.1.1 Web服务概述 | 第24-26页 |
| 2.1.2 语义Web服务 | 第26-29页 |
| 2.2 Web服务的质量模型 | 第29-33页 |
| 2.2.1 主要的Web服务质量模型 | 第29-30页 |
| 2.2.2 组合服务质量的计算方法 | 第30-33页 |
| 2.3 Web服务组合与组合服务 | 第33-38页 |
| 2.3.1 Web服务组合的基本概念 | 第33-34页 |
| 2.3.2 Web服务组合研究现状 | 第34-38页 |
| 2.4 Web服务发现 | 第38-40页 |
| 2.4.1 集中式服务发现方法 | 第38-39页 |
| 2.4.2 分布式服务发现方法 | 第39-40页 |
| 2.5 Web服务选择 | 第40-45页 |
| 2.5.1 Web服务选择的基本概念 | 第40-42页 |
| 2.5.2 Web服务选择研究现状 | 第42-45页 |
| 2.6 本章小结 | 第45-46页 |
| 第3章 一种基于改进蚁群算法的可信服务发现方法 | 第46-84页 |
| 3.1 引言 | 第46-48页 |
| 3.2 相关工作 | 第48-49页 |
| 3.3 问题描述 | 第49-52页 |
| 3.4 标准蚁群算法 | 第52-54页 |
| 3.5 TSDMACS算法设计 | 第54-64页 |
| 3.5.1 节点的服务发布策略(pServicePub) | 第54页 |
| 3.5.2 节点的服务交易日志存储策略(pSTLStore) | 第54-55页 |
| 3.5.3 蚂蚁信息采集策略(pInfoCollect) | 第55页 |
| 3.5.4 蚂蚁信息交换策略(pInfoExchange) | 第55-56页 |
| 3.5.5 蚂蚁的信息合并策略(pInfoCombine) | 第56-57页 |
| 3.5.6 蚂蚁的服务节点信誉评估策略(pRepEvaluate) | 第57页 |
| 3.5.7 蚂蚁路由选择策略(pRouteSelect) | 第57-59页 |
| 3.5.8 动态蚁群策略(pDynAnts) | 第59页 |
| 3.5.9 节点的邻居更新策略(pNeibUpdate) | 第59-60页 |
| 3.5.10 蚁群的子蚂蚁策略(pSubAnt) | 第60-61页 |
| 3.5.11 蚂蚁信息素更新策略(pPheUpdate) | 第61-62页 |
| 3.5.12 蚂蚁的恶意节点惩罚策略(pPunishment) | 第62-63页 |
| 3.5.13 TSDMACS算法描述 | 第63-64页 |
| 3.6 TSDMACS算法的理论分析 | 第64-67页 |
| 3.6.1 TSDMACS算法若干性质 | 第64-65页 |
| 3.6.2 TSDMACS算法复杂度分析 | 第65-67页 |
| 3.7 实验及结果分析 | 第67-82页 |
| 3.7.1 实验设计与评价方法 | 第67-70页 |
| 3.7.2 实验环境 | 第70页 |
| 3.7.3 实验1：静态网络环境实验 | 第70-77页 |
| 3.7.4 实验2：不同规模静态网络环境实验 | 第77-79页 |
| 3.7.5 实验3：动态网络环境实验 | 第79-82页 |
| 3.8 本章小结 | 第82-84页 |
| 第4章 一种基于改进粒子群算法的服务选择方法 | 第84-116页 |
| 4.1 引言 | 第84-85页 |
| 4.2 相关工作 | 第85-86页 |
| 4.3 Web服务组合优化问题描述 | 第86-87页 |
| 4.4 标准粒子群算法 | 第87-88页 |
| 4.5 改进的离散粒子群算法MDPSO | 第88-100页 |
| 4.5.1 MDPSO算法基本概念 | 第88-89页 |
| 4.5.2 粒子圆周轨道设计 | 第89-91页 |
| 4.5.3 速度操作算子设计 | 第91-92页 |
| 4.5.4 惯性权重设计 | 第92-93页 |
| 4.5.5 适应度函数设计 | 第93-94页 |
| 4.5.6 防早熟收敛设计 | 第94-97页 |
| 4.5.7 非线性动态学习因子设计 | 第97页 |
| 4.5.8 MDPSO算法描述 | 第97-100页 |
| 4.5.9 算法复杂度分析 | 第100页 |
| 4.6 实验设计与结果分析 | 第100-114页 |
| 4.6.1 实验评价方法 | 第100-101页 |
| 4.6.2 实验环境与实验数据 | 第101-102页 |
| 4.6.3 MDPSO算法非线性动态学习因子的影响实验 | 第102-103页 |
| 4.6.4 MDPSO算法早熟收敛预测与处理实验 | 第103-109页 |
| 4.6.5 MDPSO算法综合性能实验 | 第109-114页 |
| 4.7 本章小结 | 第114-116页 |
| 第5章 一种基于用户协同过滤的可信服务推荐方法 | 第116-128页 |
| 5.1 引言 | 第116-117页 |
| 5.2 问题描述 | 第117-119页 |
| 5.3 算法描述 | 第119-121页 |
| 5.3.1 基于协同过滤的用户评价相似度 | 第119页 |
| 5.3.2 可信Web服务推荐算法描述 | 第119-121页 |
| 5.4 仿真实验结果 | 第121-125页 |
| 5.5 本章小结 | 第125-128页 |
| 第6章 实验分析 | 第128-144页 |
| 6.1 实验平台设计 | 第128-132页 |
| 6.1.1 总体框架设计 | 第128-129页 |
| 6.1.2 实验平台功能介绍 | 第129-132页 |
| 6.1.3 平台开发环境 | 第132页 |
| 6.2 应用案例 | 第132-137页 |
| 6.2.1 应用案例介绍 | 第132-134页 |
| 6.2.2 组合服务业务过程模型的定义 | 第134-135页 |
| 6.2.3 案例执行 | 第135-137页 |
| 6.3 综合评价分析 | 第137-142页 |
| 6.4 本章小结 | 第142-144页 |
| 第7章 结束语 | 第144-148页 |
| 7.1 本文的主要研究成果 | 第144-145页 |
| 7.2 未来工作展望 | 第145-148页 |
| 参考文献 | 第148-160页 |
| 致谢 | 第160-162页 |
| 攻读博士期间的主要成果 | 第162-164页 |
| 作者简介 | 第164页 |
