| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第18-27页 |
| 1.1 引言 | 第18页 |
| 1.2 国内外研究现状分析 | 第18-24页 |
| 1.2.1 工作流调度优化模型及算法 | 第19-20页 |
| 1.2.2 服务性能预测与分析方法 | 第20-21页 |
| 1.2.3 基于反馈机制的服务信任评估 | 第21-23页 |
| 1.2.4 基于协同过滤技术的服务推荐 | 第23页 |
| 1.2.5 服务计算存在的问题 | 第23-24页 |
| 1.3 论文的主要研究工作 | 第24-27页 |
| 1.3.1 论文研究工作 | 第24-25页 |
| 1.3.2 本文的内容安排 | 第25-27页 |
| 第二章 跨组织工作流可靠服务计算原理与分析 | 第27-34页 |
| 2.1 面向服务架构的跨组织工作流计算原理 | 第27-28页 |
| 2.1.1 面向服务计算的跨组织工作流 | 第27-28页 |
| 2.1.2 基于可靠服务计算的集成框架 | 第28页 |
| 2.2 跨组织工作流可靠服务计算模型 | 第28-29页 |
| 2.3 跨组织工作流可靠服务计算关键技术简介 | 第29-33页 |
| 2.3.1 跨组织工作流调度优化模型及算法 | 第30页 |
| 2.3.2 支持跨组织工作流的服务可靠性评估及优化 | 第30-31页 |
| 2.3.3 支持跨组织工作流的服务性能预测与分析 | 第31页 |
| 2.3.4 基于社会网络的跨组织工作流协同计算 | 第31-32页 |
| 2.3.5 支持跨组织工作流的可信企业服务推荐 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 跨组织工作流调度优化模型与算法 | 第34-51页 |
| 3.1 引言 | 第34-35页 |
| 3.2 问题描述 | 第35-37页 |
| 3.3 工作流调度优化算法 | 第37-44页 |
| 3.3.1 数据预处理 | 第37-40页 |
| 3.3.1.1 Skyline概念 | 第37-39页 |
| 3.3.1.2 并行Skyline数据过滤 | 第39-40页 |
| 3.3.2 基于Skyline分层调度的初始方案确定 | 第40-42页 |
| 3.3.3 基于Skyline的权值迭代优化 | 第42-44页 |
| 3.4 仿真实验 | 第44-50页 |
| 3.4.1 基于Skyline的工作流调度分析 | 第45-46页 |
| 3.4.2 基于Skyline的工作流调度算法性能分析 | 第46-47页 |
| 3.4.3 基于Skyline的工作流调度算法正确性分析 | 第47页 |
| 3.4.4 不同任务规模的工作流调度优化效果评估 | 第47-48页 |
| 3.4.5 余量时间变化对工作流调度优化效果影响评估 | 第48-49页 |
| 3.4.6 权值迭代对工作流调度优化效果影响分析 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 支持跨组织工作流的服务可靠性评估模型及优化算法 | 第51-62页 |
| 4.1 引言 | 第51-52页 |
| 4.2 问题描述 | 第52-53页 |
| 4.3 工作流可靠性计算模型 | 第53-55页 |
| 4.3.1 原子结构的可靠性计算 | 第54页 |
| 4.3.2 工作流的可靠性计算 | 第54-55页 |
| 4.4 基于双目标协同进化的可靠性约束优化算法 | 第55-58页 |
| 4.4.1 粒子编码 | 第55-56页 |
| 4.4.2 带扰动的粒子更新算子 | 第56页 |
| 4.4.3 多样性适应度函数设计 | 第56-57页 |
| 4.4.4 构造非支配集合 | 第57页 |
| 4.4.5 算法描述 | 第57-58页 |
| 4.5 仿真实验 | 第58-61页 |
| 4.5.1 仿真实验设计 | 第58页 |
| 4.5.2 算法性能分析 | 第58-59页 |
| 4.5.3 算法参数设置与解集质量分析 | 第59-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 支持跨组织工作流的服务性能预测与分析 | 第62-80页 |
| 5.1 引言 | 第62-63页 |
| 5.2 基于SLA的服务性能效用计算 | 第63-64页 |
| 5.3 服务性能综合评估方法 | 第64-67页 |
| 5.3.1 服务当前性能计算 | 第64-65页 |
| 5.3.2 服务历史性能计算 | 第65页 |
| 5.3.3 服务性能预测 | 第65-67页 |
| 5.4 基于在线学习的服务性能预测方法 | 第67-72页 |
| 5.4.1 基于随机梯度下降的服务性能预测方法 | 第67-69页 |
| 5.4.2 基于小批量学习的服务性能预测方法 | 第69-71页 |
| 5.4.3 在线学习算法的收敛性分析 | 第71-72页 |
| 5.5 仿真实验 | 第72-79页 |
| 5.5.1 服务性能预测与分析方法 | 第72-75页 |
| 5.5.1.1 动态服务质量指标效用计算实验分析 | 第72-74页 |
| 5.5.1.2 综合计算与预测实验 | 第74-75页 |
| 5.5.2 基于在线学习的服务性能预测模型参数分析 | 第75-77页 |
| 5.5.2.1 学习率对梯度下降算法影响 | 第75-76页 |
| 5.5.2.2 批量规模选取分析 | 第76-77页 |
| 5.5.3 基于在线学习预测算法的性能分析 | 第77-79页 |
| 5.5.3.1 基于在线学习的预测精度分析 | 第77-78页 |
| 5.5.3.2 基于在线学习预测算法的时间性能分析 | 第78-79页 |
| 5.6 本章小结 | 第79-80页 |
| 第六章 支持跨组织工作流的社会协同计算模型及优化算法 | 第80-101页 |
| 6.1 引言 | 第80-81页 |
| 6.2 基于任务的社会网络划分 | 第81-82页 |
| 6.3 成员社会关系评测算法 | 第82-89页 |
| 6.3.1 基于参考点的最短路径近似计算 | 第83-84页 |
| 6.3.2 基于任务子网划分的参考点选取 | 第84-85页 |
| 6.3.3 基于任务子网划分的数据存储 | 第85页 |
| 6.3.4 不同子网成员的社会关系评测 | 第85-87页 |
| 6.3.4.1 基于任务子网连接点的最短路径算法 | 第85-86页 |
| 6.3.4.2 基于任务子网连接点的分层最短路径算法 | 第86-87页 |
| 6.3.4.3 基于任务子网距离的最短路径近似算法 | 第87页 |
| 6.3.5 子网内部成员的社会关系评测 | 第87-89页 |
| 6.4 社会工作流的协同计算方法 | 第89-94页 |
| 6.5 仿真实验 | 第94-100页 |
| 6.5.1 数据准备与分析 | 第94-95页 |
| 6.5.2 社会关系评测算法分析 | 第95-98页 |
| 6.5.3 社会工作流的协同模型算法分析 | 第98-100页 |
| 6.6 本章小结 | 第100-101页 |
| 第七章 支持跨组织工作流的可信服务推荐模型及算法 | 第101-120页 |
| 7.1 引言 | 第101-102页 |
| 7.2 基于改进更新规则的在线聚类算法 | 第102-106页 |
| 7.2.1 基于小批量学习的在线聚类分析 | 第102-103页 |
| 7.2.2 在线聚类算法的更新规则改进 | 第103-106页 |
| 7.3 基于复合检测机制的用户可信度评估 | 第106-110页 |
| 7.3.1 协同作弊行为检测 | 第106-107页 |
| 7.3.2 个体欺骗行为检测 | 第107-110页 |
| 7.4 可信服务推荐算法 | 第110-111页 |
| 7.5 仿真实验 | 第111-119页 |
| 7.5.1 基于在线学习的用户聚类分析 | 第111-114页 |
| 7.5.2 基于复合检测的用户可信度评估 | 第114-116页 |
| 7.5.3 基于改进在线聚类的服务推荐算法分析 | 第116-118页 |
| 7.5.4 作弊危害性对推荐算法的影响 | 第118-119页 |
| 7.6 本章小结 | 第119-120页 |
| 第八章 结束语 | 第120-123页 |
| 8.1 论文总结 | 第120-122页 |
| 8.2 研究展望 | 第122-123页 |
| 参考文献 | 第123-136页 |
| 致谢 | 第136-137页 |
| 在学期间的研究成果及发表的学术论文 | 第137-138页 |
