基于BP神经网络的web服务选择算法肖科，芮兰兰**（北京邮电大学网络技术研究院网络管理中心，北京100876）510152025303540摘要：良好的web服务选择算法可以为用户选取最合适的服务,然而传统的误差反向传播神经网络算法具有收敛速度缓慢以及学习过程中容易出现振荡等问题,不能用于实际的服务选择场景中.本文提出了一个新颖的误差反向传播算法,并且能在每次迭代中自适应调整学习因子.仿真结果表明,新颖的算法在训练速度方面得到了优化,并减缓了学习过程中的振荡,在web服务的选取上,优化效果明显.关键词：误差反向传播算法;web服务选择;平缓因子;UPS中图分类号：TP183BPNeuralNetwork-BasedWebServiceSelectionAlgorithmXiaoKe,RuiLanlan(InstituteofTechnologyNetworkSchool,BeijingUniversityofPostsandTelecommunications,Beijing100876)Abstract:Agoodwebselectionalgorithmcanselectthemostsuitableserviceforusers.However,thetraditionalerrorbackpropagationneuralnetworkalgorithmconvergesslowlyandpronetooscillationsduringthelearningprocess,whichcannotbeusedintheactualscene.Thispaperpresentsanovelerrorbackpropagationalgorithm,andthelearningfactorisadaptiveineveryiteration.Thesimulationresultsshowthatthetrainingspeedgetoptimized,thealgorithmslowstheoscillationsofthelearningprocess.Theoptimizeeffectisobviousonthewebservicesselect.Keywords:errorbackpropagationalgorithm;webservicesselection;gentlefactor;UPS0引言随着web服务提供者数量的激增，具有相同或相似功能的web服务可能由许多不同的web服务提供者来提供，但是它们会有不同的服务质量。例如，不同的响应时间、不同的价格、不同的信誉等等[1]。因此，如何从所有相同或相似的服务中来选择一个最合适的服务提供给用户，已经成为了web服务环境下亟待解决的关键问题。许多研究者提出了不同种类的服务选择算法，比如遗传算法[2]，模拟退火算法[3]。遗传算法的主要特点是不受搜索空间的限制性假设的约束，具有内在的并行性，并且收敛速度快。但实践表明，遗传算法容易产生早熟收敛、后期搜索效率低、局部寻优能力差等不尽人意的地方。模拟退火算法局部寻优能力强，但它对整个搜索空间的了解不多，不便于使搜索过程进入最有希望的搜索区域，从而使得模拟退火算法的运算效率不高。更关键的一点是，这两种算法无法对已经运算过的标准解存在认知和记忆的能力，这对于web服务选择问题是不利的。因为期望一个算法能够保存标准解中的分类标准，再用该标准来进行最优web服务的选择。综合考虑选择算法对不断变化的web服务评判指标以及适应能力的要求，本文选用人工神经网络中的误差反向传播(BackPropagation,BP)算法作为web服务选择算法[4]。BP神经网络是基于后向传播算法的多层前馈网络，被应用在很多重要的互联网应用中，如语音识别、作者简介：肖科（1989-），男，硕士，人工神经网络算法通信联系人：芮兰兰，女，副教授，边缘网络管理.llrui@bupt.edu.cn-1-图像识别、自然语言处理等，是目前应用最为广泛和成功的神经网络之一。传统的BP神经网络在实际应用时常出现学习收敛速度慢、训练过程振荡的问题，为了改善传统BP神经网455055络算法的不足，本文提出一种在传统算法的基础上添加一个新因子的BP神经网络算法。该算法在原有学习因子和动量因子的基础上增加一个创新因子，称为平缓因子，该因子实现简单，并且能对训练产生稳定的效果。将该新颖BP算法和传统BP算法同时应用于仿真的电力供应场景中，对这两个算法评估结果的对比分析，容易看出新颖BP算法的收敛速度、训练时间以及选择出来的UPS电源频率稳定性都优于传统的BP算法。本文的基本结构如下：第二章提出了要解决的现实问题，对web服务选择进行了定义，为目标问题建立了web服务选择模型，包括模型中应用到的一些协议，定义了服务的描述方法，提出了本文算法要达到的目标以及服务质量的计算方法；第三章先介绍了传统的BP算法，提出了创新方法，对学习因子自适应进行了定义，最后详细说明了用新颖BP算法运算的步骤；第四章对仿真的机房电力...