[论文解读] Evolutionary Multitasking for Semantic Web Service Composition

Chen Wang, Hui Ma+2 more|arXiv (Cornell University)|Feb 18, 2019

Service-Oriented Architecture and Web Services参考文献 22被引用 6

一句话总结

本文提出一种基于排列的多因子进化多任务算法（PMFEA），用于语义Web服务组合，将多个用户分段的服务请求建模为一个进化多任务问题。通过引入邻域结构，实现在相关任务间的知识迁移，该方法在解的质量和收敛速度方面优于最先进的单任务方法，执行时间减少至基线的几分之一，同时优于现有多种任务方法。

ABSTRACT

Web services are basic functions of a software system to support the concept of service-oriented architecture. They are often composed together to provide added values, known as web service composition. Researchers often employ Evolutionary Computation techniques to efficiently construct composite services with near-optimized functional quality (i.e., Quality of Semantic Matchmaking) or non-functional quality (i.e., Quality of Service) or both due to the complexity of this problem. With a significant increase in service composition requests, many composition requests have similar input and output requirements but may vary due to different preferences from different user segments. This problem is often treated as a multi-objective service composition so as to cope with different preferences from different user segments simultaneously. Without taking a multi-objective approach that gives rise to a solution selection challenge, we perceive multiple similar service composition requests as jointly forming an evolutionary multi-tasking problem in this work. We propose an effective permutation-based evolutionary multi-tasking approach that can simultaneously generate a set of solutions, with one for each service request. We also introduce a neighborhood structure over multiple tasks to allow newly evolved solutions to be evaluated on related tasks. Our proposed method can perform better at the cost of only a fraction of time, compared to one state-of-art single-tasking EC-based method. We also found that the use of the proper neighborhood structure can enhance the effectiveness of our approach.

研究动机与目标

• 为解决使用单任务进化计算（EC）方法独立求解相似服务组合请求时效率低下的问题。
• 将多个用户分段的服务组合任务——在服务质量（QoS）和语义匹配质量（QoSM）偏好上存在差异——建模为联合的进化多任务问题。
• 通过结构化的邻域机制实现相关任务间的隐式知识迁移，提升解的质量和收敛速度。
• 通过在邻近任务上评估后代，避免冗余评估，从而降低计算成本，提升整体效率。

提出的方法

• 将来自不同用户群体的多个服务组合请求建模为一个多任务优化问题，其中每个任务对应一个独立的偏好配置。
• 采用基于排列的表示方法编码服务组合工作流，支持有效的遗传操作，如交叉和变异。
• 在任务之间引入邻域结构，使新生成的后代可在相关任务上进行评估，促进知识迁移而无需额外计算。
• 在多因子进化算法（MFEA）框架中应用有序配对策略，其中父母根据任务兼容性选择，遗传算子在任务之间执行。
• 采用垂直文化传播机制，指导后代在单一任务上进行评估，而邻域结构则支持更广泛的评估，以增强探索能力。
• 实施一种混合评估策略（PMFEA-NT），在邻近任务上评估后代，提升收敛速度和解的多样性。

实验结果

研究问题

• RQ1 将多个相似的服务组合请求建模为多任务问题，是否能相比单任务EC方法提升解的质量和计算效率？
• RQ2 任务间邻域结构的设计如何影响多任务服务组合中的知识迁移和解的性能？
• RQ3 在邻近任务上评估后代（而非所有任务或仅一个任务）是否能带来更好的收敛性和更短的执行时间？
• RQ4 与最先进的单任务EC方法相比，所提出的PMFEA方法在解质量和执行时间方面表现如何？
• RQ5 合理的任务分组和邻域结构设计对避免多任务服务组合中的局部最优解有何影响？

主要发现

• 采用邻域结构的PMFEA-NT在整体性能上表现最佳，20项任务中有19项达到最优或平均结果，显著优于FL [10]及其他MFEA变体。
• 所提方法将执行时间减少至最先进的单任务EC方法（FL [10]）的约四分之一，且在所有数据集上PMFEA-NT的运行时间最快。
• PMFEA-NT的收敛速度优于PMFEA，在早期代数中与FL [10]相当，最终在全部四项任务上解的质量均超越FL [10]。
• 合理设计的邻域结构通过提升相关任务间知识迁移的效率，增强了解的有效性，降低了陷入局部最优的风险。
• MFEA-AT（在所有任务上评估）在部分任务上表现较差（20项中有4项被评为最差），表明贪婪评估策略可能导致过早收敛。
• 收敛速率分析证实，在邻近任务上评估后代可加速收敛并提升解的稳定性，尤其在存在两个以上并发任务的问题中效果更显著。