一种动态多目标服务组合优化推荐方法及系统

技术领域

本公开涉及服务推荐相关技术领域，具体地说，是涉及一种动态多目标服务组合优化推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。

服务组合是动态网络环境下创建增值服务的新模式，其将功能单一的服务组成大粒度服务以满足用户复杂的需求。服务组合优化问题通常具有多个相互冲突的优化目标，且现实中存在大量功能相同或相似但服务质量(Quality of Service，QoS)不同的服务。在满足用户功能性与非功能性需求的前提下，高效地从海量服务组合方案中选择最优的组合服务，是服务计算领域中一个重要的研究问题。

近年来，现实应用中涌现出服务组合环境动态变化的问题，如物流服务组合、旅游服务组合、养老服务组合等。以保险服务组合问题为例，保险服务组合通过组合多个单独的保险服务构建复合服务以满足投保用户复杂的保险需求。一方面，用户的目标具有动态性，在任何一个阶段用户的投保目标都可能发生改变，用户目标的多变性可能使构造的保险服务组合方案达不到用户的要求。另一方面，保险服务资源具有动态性，包括新保险服务的加入、旧保险服务的变更或停用等，对于正在保险服务组合中的某一保险服务可能因其发生异常而无法完成相应的组合任务。随着时间的推移或环境的变化，这类服务组合优化问题的候选服务资源可能会出现变更、新增、停用等变化，同时用户目标也可能会发生变化，导致服务组合优化问题的目标函数、解空间、约束条件等动态变化，属于动态多目标优化问题。

目前已有的服务组合研究工作，可以概述为单目标的服务组合优化方法和多目标的服务组合优化方法。单目标的服务组合优化方法主要将多个优化目标通过线性加权等方法聚合为单目标优化问题。多目标的服务组合优化方法主要指的是智能优化方法。发明人在研究中发现，现有方法忽视了服务组合的动态性，不能有效求解动态多目标服务组合优化问题。当服务资源新增、变更、停用，或者用户的原始目标发生变化时，无法针对不同变化重新进行服务组合，导致最终的服务组合方案不可用、非最优或者不符合用户的目标需求。

发明内容

本公开为了解决上述问题，提出了一种动态多目标服务组合优化推荐方法及系统，能够实时感知环境的变化，得到与对应环境相匹配的最优以及最有效的服务组合推荐方案。

为了实现上述目的，本公开采用如下技术方案：

一个或多个实施例提供了一种动态多目标服务组合优化推荐方法，包括如下步骤：

针对动态多目标服务优化组合问题，构建动态多目标服务优化组合问题模型；

针对环境的动态性设计环境变化检测算子和环境变化响应策略；

将环境变化检测算子与环境变化响应策略嵌入至社会学习优化算法中，基于嵌入改进的社会学习优化算法对动态多目标服务优化组合问题模型求解，得到最优的服务组合推荐方案。

一个或多个实施例提供了一种动态多目标服务组合优化推荐系统，包括：

模型构建模块：被配置为针对动态多目标服务优化组合问题，构建动态多目标服务优化组合问题模型；

环境检测及相应设计模块：被配置为针对环境的动态性设计环境变化检测算子和环境变化响应策略；

求解模块：被配置为将环境变化检测算子与环境变化响应策略嵌入至社会学习优化算法中，基于嵌入改进的社会学习优化算法对动态多目标服务优化组合问题模型求解，得到最优的服务组合推荐方案。

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述的一种动态多目标服务组合优化推荐方法中的步骤。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述的一种动态多目标服务组合优化推荐方法中的步骤。

与现有技术相比，本公开的有益效果为：

本公开中，建立了动态多目标服务组合问题模型，对社会学习优化算法(SocialLearning Optimization,SLO)进行了改进，提出了新的学习算子，设计了环境变化检测算子，提出了预测机制与多样性引入机制相结合的环境变化响应策略，将环境变化检测算子与环境变化响应策略嵌入改进的社会学习优化算法中，能够在环境发生变化时，将变化的环境因素嵌入到求解过程中，能够得到与变化后的新环境对应的最优服务组合，提高了服务组合推荐的有效性，能够保证组合方案的可用性以及符合用户的目标需求，并且是最优的服务组合推荐方案。

本公开的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。

图1是本公开实施例1的动态多目标服务组合优化推荐方法的流程图；

图2是本公开实施例1的服务组合工作流；

图3是本公开实施例1的服务编码方式；

图4是采用本实施例1的DMOSCO算法不同迭代次数在不同候选服务的数量情况下的实验结果比较图；

图5是采用本实施例1的DMOSCO算法相同候选服务的数量在子任务不同情况下的不同迭代次数实验结果比较图；

图6是采用本实施例1的DMOSCO算法不同问题规模下搜索到的服务组合解集的QoS值；

图7是采用本实施例1的DMOSCO算法不同环境变化程度下的QoS值；

图8是采用现有方法和DMOSCO算法求解相同的动态多目标服务优化组合问题的结果对比图；

图9是采用本实施例的DMOSCO算法与原始SLO算法求解多目标服务优化组合问题结果对比图；

图10是采用不同的环境响应策略的DMOSCO算法求解结果对比图。

具体实施方式

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。

实施例1

在一个或多个实施方式公开的技术方案中，如图1至图10所示，一种动态多目标服务组合优化推荐方法(Dynamic Multi-object Service Composition Optimization，DMOSCO)，包括如下步骤：

步骤1、针对动态多目标服务组合优化问题，构建动态多目标服务组合优化问题模型；

步骤2、针对环境的动态性设计环境变化检测算子和环境变化响应策略；

具体的，基于环境变化检测算子检测环境变化；环境变化响应策略根据环境变化利用代表个体的移动步长预测种群的移动方向，并对预测的新种群进行多样性调整；

步骤3、将环境变化检测算子与环境变化响应策略嵌入至社会学习优化算法中，基于改进后的社会学习优化算法对动态多目标服务组合优化问题模型求解，得到最优的服务组合推荐方案。

本实施例中，对社会学习优化算法(Social Learning Optimization,SLO)进行了改进，提出了新的学习算子，将环境变化检测算子与环境变化响应策略嵌入改进的社会学习优化算法中，能够在环境发生变化时，将变化的环境因素嵌入到求解过程中，能够得到与变化后的新环境对应的最优服务组合，提高了服务组合推荐的有效性，能够保证组合方案的可用性以及符合用户的目标需求，并且是最优的服务组合推荐方案。

动态多目标优化问题(Dynamic Multi-objective Optimization Problems，DMOPs)是指目标函数、约束条件随时间推移而变化的多目标优化问题，一些领域的服务组合优化问题具有动态特性，比如用户的目标、用户的偏好、服务资源等都有可能随时间的推移而变化，导致优化问题的目标函数与约束条件随之变化。因此，本实施例中提出构建动态多目标优化模型解决这类服务组合优化问题。

步骤1中，服务组合是指根据用户提交的多功能服务需求，将任务分解为细粒度功能单一的抽象子任务，同时从满足要求的候选服务集合中选择每个子任务对应的候选服务，并将其快速组合起来形成完整的组合服务以满足不同的用户需求。

具体的，服务组合需求Wsc＝{T

在基于工作流方法的服务组合问题中，子任务的执行关系可以包括：顺序、并行、选择和循环四种类型。如表1所示，提供了由n个服务节点组成的4种流程结构的QoS计算方法，其中n为子任务个数，p

表1组合服务QoS计算方法

表1中，Cost

在服务组合优化过程中，服务资源可能会出现新增、变更或停用等变化，用户的需求也可能会发生变化。一方面，模型的成本、响应时间与可靠性的函数值会随着服务资源的新增、变更或停用而动态变化，导致模型的优化目标函数发生变化；另一方面，用户的需求也会发生变化，导致模型的约束条件与解空间发生变化。

本实施例，将服务优化组合问题建模成动态多目标服务优化组合模型，选取在服务组合中相互对立且较为重要的三个QoS属性作为优化目标，包括成本、响应时间与可靠性。

本实施例中动态多目标服务优化组合模型，目标函数为成本最低、响应时间最短以及可靠性最高，全局约束条件为：总费用不超过费用最大值Cost

其中，F(x,t)为三维目标函数，x＝{x

t为时间变量，本实施例中，基于构建的时间变量描述目标函数随时间发生变化的动态特性，定义为如下：

其中，τ是迭代次数，τ

可选的，环境变化频率，通过参考其他实验设定为一个固定值；

可选的，环境变化强度，根据服务资源和用户需求的不同变化，设置不同等级的变化强度。

本实施例采用Pareto支配概念计算个体适应度值来评估解的优劣，如果Individual1大于Individual2，则认为Individual1优于Individual2，则该解在种群中的支配解数dom(i)加1，本实施例的解的适应度值计算公式如下：

其中，dom(i)为支配解数量，|PS|为Pareto最优解集中解的数量。

本实施例提出了动态多目标服务组合优化问题，建立了动态多目标服务组合优化问题模型。在动态的环境下，服务组合优化问题的优化目标、取值空间及约束条件，可能会随时间和环境变化而动态变化，本实施例构建的服务优化组合问题更符合实际情况，能够及时检测到环境变化，能够跟随环境的变化而动态变化，提高了问题模型的准确性，从而能够提供更加合理的服务组合优化方案。

步骤2中，环境变化检测包括：用户目标变化与服务资源变化；

针对用户目标变化，通过检测上一时刻t-1时刻与当前时刻t的用户目标是否相同来判断用户目标是否发生变化；

针对服务资源变化，通过检测当前时刻t的候选服务是否可用、上一时刻t-1与当前时刻t候选服务属性值是否相同、是否有新增的候选服务资源，来判断服务资源是否发生变化。

具体的，环境变化检测的具体检测方式如下：

若检测到用户目标发生变化，则变更约束条件；若检测到服务资源发生变化，则执行响应策略。

当检测到服务资源发生变化时，环境变化响应策略的过程为：

步骤21、选择当前时刻t时刻PS的中心点以及在每个目标函数上的极值点组成代表个体集；

其中，PS为Pareto最优解集。

对于极小值问题，边界点是目标空间中某一维度上具有最小值的个体。边界点的数量等于目标空间的维度，t时刻PS中心点的计算公式如下：

其中，

步骤22、计算种群中所有个体到每一个代表个体的距离，将个体与距离最小的代表个体进行关联；

X

步骤23、根据当前时刻t时刻代表个体的进化步长，预测下一时刻t+1时刻的种群；

具体的，当环境发生变化时，通过记录每个代表个体的前后位置变化，预测关联个体的进化方向，设

其中，i＝1,2,...,e，e表示代表个体的个数，通过代表个体

步骤24、随机选取预测种群中设定比例的个体执行多样性引入策略，将得到的预测种群作为新环境下的初始种群。

为了增加种群的多样性，避免由于代表个体的引导使种群陷入局部最优，本实施例中的多样性引入策略为：将预测种群中设定比例的个体进行初始化操作，具体操作如下：

其中，X

本实施例针对环境动态变化的问题，提出了一种环境变化响应策略。该策略将预测机制与多样性引入机制相结合，利用代表个体的移动步长预测种群的移动方向，并对预测的新种群进行多样性调整，兼顾种群收敛性与多样性两方面，使得算法能够及时检测到环境的变化并做出有效的响应。

社会学习优化算法(Social Learning Optimization Algorithm,SLO)是一种模拟人类社会智能演化过程的新型群体智能算法。SLO由协同进化的微空间、学习空间和信仰空间构成，具有较好的优化机制。

现有的SLO不能直接用于求解动态多目标服务组合优化问题，为此本实施例设计了适合于动态多目标优化问题的操作算子；

步骤3，将环境变化检测算子和环境变化响应策略嵌入到改进的社会学习优化算法中，形成了一种面向动态多目标服务组合优化问题的求解方法，该方法整体流程如图4所示，包括如下步骤：

步骤31、进行服务组合编码，将一个可行的服务组合方案编码为SLO中的一个个体，构建初始种群；

具体的，在决策空间内随机产生N个初始点，形成初始种群P

步骤32、执行环境变化检测过程，当识别到环境变化执行环境变化响应策略，形成新环境下的预测种群，生成预测种群即为：

P

步骤33、针对得到的预测种群依次执行微空间内的选择操作、交叉操作和变异操作，并选择更优的个体组成微空间内操作得到的种群；

交叉操作为：P

变异操作为：P

步骤34、针对微空间内操作得到的种群，依次执行学习空间内的观察学习和模仿学习，并选择更优的个体构成学习空间内优化得到的种群；

观察学习：P

模仿学习：P

步骤35、针对学习空间内优化得到的种群，执行信仰空间内的更新操作和影响操作，得到信仰空间优化后的种群；

步骤36、循环执行步骤32至步骤35，直到达到设定的迭代次数，输出最优种群，种群中的个体即为服务组合的最优解集。

下面分别介绍改进的SLO中每个进化空间内的优化操作。

(1)服务组合编码：SLO中的一个个体表示一个可行的服务组合方案；

SLO中由n维向量表示的种群个体是优化问题的可行解，个体质量由相关解的非支配排序关系表示。将其用于求解服务组合优化问题时，一个可行的服务组合方案可以由SLO中的一个个体表示，个体每一个维度都必须是满足边界条件的整数。

具体的，个体编码采用整数编码方式，具体的编码方式如图3所示，其中

设算法的种群规模为N，则种群为P＝{X

(2)微空间内的操作：包括选择操作、交叉操作和变异操作；

可选的，采用轮盘赌选择方法作为选择操作；

可选的，交叉操作为：随机选择位置进行交叉操作，并执行贪婪操作选择最优个体；

具体的，设X

可选的，交叉操作为：随机选择个体的一个基因点，在设定的范围内随机生成一个新基因，替换随机选择的基因点，保留适应度值较高的个体。

具体的，设X

(3)学习空间内的操作：包括观察学习和模仿学习；

学习空间内的操作包括观察学习与模仿学习。观察学习指个体通过观察优秀个体的行为并学习它们的优点来提高智力。模仿学习指个体随机模仿周围的个体。

改进的SLO中的学习操作算子定义如下：

a.观察学习

个体在进行观察学习时，会由于惯性保留一部分自己的知识。本实施例中，在观察学习操作中引入惯性系数与基于Sigmoid函数的扰动学习因子来实现这一机制。

具体的，设X

其中，ω为学习惯性权重，ω∈(0,1)，ω·x

b.模仿学习：将一个非支配个体与两个随机个体组成模仿学习小组进行模仿学习；

具体的，设X

其中，r

(4)信仰空间内的操作包括知识更新操作和文化影响操作；

信仰空间模拟人类智能演化受文化影响的过程，包括知识更新操作和文化影响操作。知识更新操作和文化影响操作定义如下：

a.知识更新操作：

知识更新操作指当学习空间得到新的优秀个体时，对信仰空间内的个体实现知识的更新与积累。更新操作公式如下：

α＝N*β (14)

其中，a指当前群体中需要选择优秀个体的数量；N表示种群规模；β为选择概率。

b.文化影响操作：

文化影响操作指使用信仰空间内的知识影响微空间内非支配排序等级较低的个体，引导群体向较好的方向演化，提高算法的收敛速度。影响操作公式如下：

其中，X

进一步地，还包括修正操作步骤，对在学习空间中学习操作后的新个体进行修正，以使得个体的候选服务数量不超过候选服务总个数。

所有个体的每一维变量的取值都是子任务对应的候选服务序号，通过观察学习与模仿学习产生的新个体中，某一维变量的值可能会超过其取值范围，则根据以下公式修正该维变量，其中m为子任务对应的候选服务总个数。

本实施例针对动态多目标服务组合优化问题的特点，设计了适用于动态多目标服务组合优化问题的算子，提高服务组合优化问题的求解质量。结合所提出的环境变化检测算子与响应策略，形成了一种面向动态多目标服务组合优化问题的求解方法。

为说明本实施例方法的效果，进行了实验以及分析。

本实施例设计四组实验分别用于分析DMOSCO求解动态多目标服务组合优化问题的可行性与适应性、比较DMOSCO和其他两种算法在动态环境下的性能、分析SLO算法改进策略的有效性以及分析环境变化响应策略的有效性。

一、实验条件

动态性是服务组合环境的一个基本特征，其动态类型可分为服务资源变化与用户目标变化。当检测到环境变化时，需要执行环境变化响应机制对种群进行调整，环境变化程度越大，调整难度就越大。实验通过在迭代过程中随机选择一定的原子服务改变其属性值或者设置其不可用来模拟服务资源的变化，通过在迭代过程中随机修改约束条件或目标函数来模拟用户目标的变化。结合这两种情况，本文将环境变化程度设置为0％、1％、5％、10％四种等级，环境变化等级与环境变化情况的对应关系如表2所示。

表2环境变化情况与环境变化等级对应关系

实验采用随机数据集，设置每个候选服务具有成本、响应时间、可靠性三个QoS属性，其QoS属性值在一定范围内随机生成，其中服务的成本在10到100之间取值，服务的响应时间在10到50之间取值，服务的可靠性在0.5-1之间取值。由于数据集按照随机方式生成，为了消除最终实验结果的随机性，将每一组实验分别运行20次，选取20次测试结果的平均值作为最终实验结果。

实验使用Java编程语言实现了基于改进SLO的动态多目标服务组合优化方法，其中交叉概率设置为0.85，突变概率设置为0.05，知识更新选择比例设置为10％，文化影响更新间隔设置为5。实验环境配置为PC，11th Gen Intel(R)Core(TM)i5-1135G7@2.40GHz2.42GHz，Windows 10(64bit)。

二、实验结果与分析

1、DMOSCO求解动态多目标服务组合优化问题的性能：

(1)验证不同迭代次数下DMOSCO的性能

为了验证不同候选服务数量及不同子任务数量在不同迭代次数下DMOSCO算法求解动态多目标服务组合优化问题的可行性，设置子任务数量固定为10，将子任务对应的候选服务数量分别设置为10、20、50、100、200，记录算法在不同迭代次数下的运行时间。实验结果如图4所示，横坐标表示算法的迭代次数，纵坐标表示算法的运行时间，m表示每个子任务对应的候选服务的数量。

从图4可以看出，当子任务数量为10时，DMOSCO算法的运行时间随迭代次数增加而增加，同时存在上下波动的情况。此外，DMOSCO算法的运行时间与不同的候选服务数量没有明显的相关关系，随着候选服务数量的增加，DMOSCO算法的运行时间没有呈指数级增长。

设置子任务对应的候选服务数量固定为50，将子任务数量分别设置为5、10、15、20、25，记录算法在不同迭代次数下的运行时间。实验结果如图5所示，横坐标表示算法的迭代次数，纵坐标表示算法的运行时间，n表示子任务的数量。

从图5可以看出，当子任务对应的候选服务数量为50时，DMOSCO算法的运行时间随迭代次数增加而增加。当迭代次数为100-500时，DMOSCO算法的运行时间与不同的子任务数量没有呈现出明显的相关关系。当迭代次数为500-800时，DMOSCO算法的运行时间与不同的子任务数量整体呈线性相关关系。此外，随着子任务数量的增加，算法的运行时间并没有呈指数级增长。综上，可以得出DMOSCO算法求解动态多目标服务优化组合问题是可行的。

(2)验证不同问题规模下DMOSCO的性能

为了验证不同问题规模下DMOSCO算法求解动态多目标服务组合优化问题的适应性，通过设置不同的子任务的数量和不同的子任务对应的候选服务数量，从而设置不同的问题规模。实验设置五种问题规模，其子任务数量和候选服务数量分别为5*10、10*20、20*50、30*100、50*200。迭代次数设置为1000，记录算法在不同问题规模下搜索到的服务组合解集的QoS值。实验结果如图6所示，横坐标表示问题规模，纵坐标表示组合服务解集的QoS值，cost、time、reliability分别表示组合服务解集的成本、响应时间、可靠性。

从图6可以看出，DMOSCO搜索到的服务组合解集的成本与时间随问题规模增大而减小，这因为当问题规模增大时，构成组合服务的数量也在增大，能够为算法提供更多更好的选择。当问题规模由5*10增加到20*50时，解集的可靠性不断增加，当问题规模由20*50增加到50*200时，解集的可靠性不断降低，表示解集的可靠性随问题规模增加且具有一定波动性。服务组合解集的成本与响应时间没有随问题规模的增大而指数性减少，甚至有所增大，同时可靠性没有随问题规模的增大而指数性降低。因此，DMOSCO算法对于解决动态多目标服务优化组合问题具有一定的适应性。

(3)验证不同环境变化程度下DMOSCO的性能

为了验证本实施例所提方法响应不同环境变化程度的性能，迭代次数设置为1000，子任务数量设置为10，子任务的候选服务数量设置为50，记录算法在环境变化程度分别为0％、1％、5％和10％的情况下搜索到的服务组合解集的QoS值。实验结果如图7所示，横坐标表示环境变化程度，纵坐标表示组合服务解集的QoS值，cost、time、reliability分别表示组合服务解集的成本、响应时间、可靠性。

图7显示了DMOSCO应对环境随机变化的鲁棒性和适应性。随着环境变化强度不断增大，服务组合解集的cost与time属性值没有指数级增长。同时，在环境变化程度为1％的时候，组合服务解集的cost和time属性值变得更好。此外，服务组合解集的reliability属性值没有指数级降低。因此，当环境发生变化时，DMOSCO可以快速响应环境的变化，鲁棒地生成新的服务组合方案，而无需手动调整参数。

2、DMOSCO算法性能对比：

为了验证DMOSCO算法的性能，采用DNSGA-II-A[32]、MOED/D-FPS[33]和DMOSCO算法求解相同的动态多目标服务优化组合问题。将四种算法的子任务数量设置为10，子任务对应的候选服务数量设置为50，初始种群大小设置为100，环境变化程度设置为1％，记录三种算法在不同迭代时间下搜索到的服务组合方案解集的适应度值。实验结果如图8所示，横坐标表示算法的迭代次数，纵坐标表示解集的适应度值。

从图8可以看出，在相同的环境下，当环境变化时，DMOSCO算法的收敛速度比其他算法更快，同时DMOSCO算法搜索到的一部分解优于其他两种算法。基于上述实验结果可以得出结论，DMOSCO算法能够高效求解动态多目标服务优化组合问题，对比其他算法具有很强的竞争性。

3、验证改进SLO策略的有效性

为了验证改进的SLO策略的有效性，修改原始SLO的初始化方式、目标函数以及约束条件，使其能够解决多目标服务优化组合问题，将SLO与DMOSCO进行比较。将两种算法的子任务数量设置为10，子任务对应的候选服务数量设置为50，初始种群大小设置为100，环境变化程度设置为1％，记录两种算法在不同迭代时间下搜索到的服务组合方案解集的适应度值。实验结果如图9所示，横坐标表示算法的迭代次数，纵坐标表示解集的适应度值。

从图9可以看出，在相同的动态服务组合环境下，DMOSCO算法得到的解远远优于SLO，且DMOSCO算法的收敛速度比SLO算法更快，从而可以证明对SLO提出的改进策略是有效的。

4、验证环境变化响应策略的有效性

为了验证提出的环境变化响应策略的有效性，在DMOSCO中使用随机初始化策略取代所提的环境变化响应策略，在新环境中形成预测种群，即当环境发生变化时，采用随机初始化20％个体的环境响应策略，该变体称为DMOSCO-PS，将DMOCSO与DMOSCO-PS进行比较。将两种算法的子任务数量设置为10，子任务对应的候选服务数量设置为50，初始种群大小设置为100，迭代次数设置为1000，记录两种算法在不同环境变化程度下搜索到的服务组合解集的适应度值。实验结果如图10所示，横坐标表示算法的环境变化程度，纵坐标表示两种算法解集的适应度值。

从图10可以看出，DMOSCO搜索到的解的适应度值优于DMOSCO-PS。随着环境变化程度的增加，DMOSCO-PS与DMOSCO算法搜索到解集的适应度值的差距不断增大。基于上述实验结果可以验证所提环境变化响应策略的有效性。

实验结果表明，DMOSCO求解动态多目标服务组合优化问题具有较好的性能。可以将DMOSCO应用至更加复杂的服务组合优化问题，以及将决策者偏好纳入动态搜索过程实现偏好感知的动态多目标服务组合优化。

实施例2

基于实施例1，本实施例中提供一种动态多目标服务组合优化推荐系统，包括：

模型构建模块：被配置为针对动态多目标服务优化组合问题，构建动态多目标服务优化组合问题模型；

环境检测及相应设计模块：被配置为针对环境的动态性设计环境变化检测算子和环境变化响应策略；

求解模块：被配置为将环境变化检测算子与环境变化响应策略嵌入至社会学习优化算法中，基于嵌入改进的社会学习优化算法对动态多目标服务优化组合问题模型求解，得到最优的服务组合推荐方案。

此处需要说明的是，本实施例中的各个模块与实施例1中的各个步骤一一对应，其具体实施过程相同，此处不再累述。

实施例3

本实施例提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1的一种动态多目标服务组合优化推荐方法中的步骤。

实施例4

本实施例提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1的一种动态多目标服务组合优化推荐方法中的步骤。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。