[发明专利]一种基于混合优化算法的医疗信息服务选择方法

权利要求书

1.一种基于混合优化算法的医疗信息服务选择方法，其特征在于包括以下步骤：

1.1提取医疗信息服务的多维属性，包括服务质量属性和事务属性；所述的服务质量(QoS)属性是由一些非功能属性组成，包括服务价格、服务响应时间、服务可用性和服务可靠性；

所述的服务的事务属性主要包含以下几类：可补偿的事务属性c，可重试的事务属性r，枢纽事务属性p以及可补偿可重试的事务属性cr；

1.2用户需求i对应一个抽象服务流程集合(Abstract service process set)asps_i，抽象服务流程集合asps_i由四元组S_i,G_i,I_i,P_i来表示，其中S_i表示抽象服务的集合，G_i是粒度集合，I_i是抽象服务流程的结构，P_i表示可行的抽象服务流程；抽象服务流程的每个任务由不同的候选服务来完成，这些候选服务具有不同的属性参数值，形成了不同的服务组合方案；

每个需求i对应一个抽象服务流程集合asps_i＝{asp_i1，asp_i2，…，asp_ik}；抽象服务流程集合中asps_i的每一项表示一个抽象服务流程，给每个抽象服务选择一个具体服务，得到相应的具体服务流程集合：

csps_i＝{csp_i1，csp_i2，...，csp_ik}

每一个具体服务流程csp_ip的属性参数构成向量：

{Q₁(csp_ip)，Q₂(csp_ip)，Q₃(csp_ip)，Q₄(csp_ip)}

其中向量的各维属性分别代表服务流程csp_ip的响应时间、价格、可靠性和可用性；计算每一个具体服务流程csp_ip的QoS值，则具体服务流程集合csps_i的QoS值取这些具体服务流程的最大值，计算公式如下：

s.t.T(csp_ip)∈{p，c，r，cr}

其中w_j(w_j＞0)表示用户偏好，表示asps_i的所有候选组合服务流程在第j维属性上的最大值，表示所有候选组合服务流程在第j维属性上的最小值，Q_ip，j表示csp_ip的第j维属性值，面向并发需求与多粒度的服务优化选择的目标函数如公式(2)，其中m是并发需求数量；

1.3通过层次化递归分解的方法来获得不同粒度的组合方案

1.3.1.设置抽象服务集合，粒度集合，粒度最高层次t及抽象服务流程的结构；

1.3.2.由处于最高层次t的抽象服务构成待分解组合服务方案，并将该方案加入到抽象服务流程列表ProcessList中；

1.3.3.在待分解的组合方案中查找是否有可分解的服务，若有，则执行步骤1.3.4，否则转到步骤1.3.6；

1.3.4.将t层的服务分解到t-1层，从而得到若干组合服务方案，将方案加入到ProcessList中；

1.3.5.由t-1层的服务构成待分解的组合方案，t＝t-1,返回步骤1.3.3；

1.3.6.返回满足用户需求的服务组合方案列表ProcessList；

1.4采用混合优化算法求解模型

该算法将粒子群、带优先级的交叉变异算子和模拟退火方法相融合；

1.4.1编码策略

采用一个整数数组进行编码，数组的长度为个体所包含的服务数，数组中每个元素的值为对应抽象服务绑定的具体服务实例的标识；

1.4.2在算法的迭代过程中,粒子依据个体极值点与全局极值点来更新自己的位置；个体极值点p_pbest表示粒子自身当前所找到的最优解的位置；全局极值点p_gbest表示种群当前找到的最优解的位置；

1.4.3在算法中引入带优先级的交叉和变异算子对种群进行更新；设p_j(t)是第t代的第j个粒子，p_pbest(t)是第t代对应于第j个粒子的个体最优解，p_gbest(t)是第t代的全局最优解；

(1)pj(t)与pgbest(t)进行带优先级的交叉操作产生新的粒子t1和t2；pj(t)与ppbest(t)进行带优先级的交叉操作产生新的粒子t3和t4；

若ppbest(t)中选择的服务事务优先级小于等于p_j(t)中相应服务的事务优先级，则以的概率选择p_j(t)中的服务来替代p_pbest(t)中的服务；其中μ是初始概率，t是当前迭代次数，T是最大迭代次数；

(2)p_j(t)进行带优先级的变异操作产生新的粒子t₅；此操作能够避免粒子过早陷入局部最优值，在带优先级的变异中，若要变异的服务事务属性是p，变异的时候就按照概率从属性大于等于p的候选服务中进行随机选择，保证变异后的组合服务满足事务属性；

(3)计算新的粒子t₁、t₂、t₃、t₄、t₅的适应度值，选出最大值，假设f(t₃)的值最大，则将f(t₃)与全局最优值和个体最优值进行比较，若f(t₃)的值优于个体最优值，则p_pbest(t+1)＝t₃；若f(t₃)的值优于全局最优值，则p_gbest(t+1)＝t₃，同时粒子t₃作为下一轮迭代的p_j(t+1)；

1.4.4在算法中引入了模拟退火算法，跳出局部最优，若新状态的适应度值比当前最优值差，则算法还会以一定概率来接受此恶化解，使得模拟退火算法具备从局部最优中跳出来的能力；

1.4.5混合优化算法

该混合优化算法将粒子群快速寻找最优解的能力和模拟退火防止陷入局部最优的能力融合起来，得到全局最优解；同时，采用带优先级的交叉变异算子，能够避免不合事务属性的解；

1.4.5.1.初始化生成满足约束的粒子，设置最大迭代次数，初始化模拟退火的初始温度T₀和终止温度T_f，设置衰减系数α以及马尔可夫链长度L_k；

1.4.5.2.计算各个粒子的适应度函数f(x)的值，并以此适应度值所对应的位置作为个体最优解P_pbest，在当前所有的个体最优解中选出全局最优解P_gbest；

1.4.5.3.设置模拟退火算法的搜索位置x₀为P_gbest，对解进行变异操作，产生新解并用Metropolis准则来判定是否接受，该过程重复进行L_k次后得到一个新解x’，然后执行退火操作降低温度，T_k+1＝α*T_k；

1.4.5.4.每个粒子依据当前的个体最优解P_pbest和全局最优解P_gbest来更新速度和位置，并根据新产生的粒子，更新每个粒子的个体最优解P_pbest和全局最优解P_gbest，迭代次数增1；

1.4.5.5.如果达到最大迭代次数则输出结果，否则继续执行步骤1.4.5.6；

1.4.5.6.将x’与P_gbest的值进行比较，若f(x’)的值好于f(P_gbest)，则随机删掉粒子群中的一个粒子，并将x’加入到粒子群中，返回步骤1.4.5.4；若f(x’)的值比f(P_gbest)差，则令x₀＝P_gbest，返回步骤1.4.5.3。

2.根据权利要求1所述的基于混合优化算法的医疗信息服务选择方法，其特征在于：所述的步骤1.1中，给服务的事务属性设定概率优先级；该优先级是动态变化的，根据候选服务的变化情况来动态变化；(1)若服务i的事务属性是c，其可替换的候选服务事务属性是c或cr；若属性为c的服务个数高于属性为cr的服务个数，则选择事务属性为c的候选服务概率大；(2)若服务i的事务属性是r，其可替换的候选服务事务属性是r或cr；若属性为r的服务个数高于属性为cr的服务个数，则选择事务属性为r的候选服务概率大；(3)若服务i的事务属性是cr,其可替换的候选服务事务属性是cr；(4)若服务i的事务属性是p,其可替换的候选服务事务属性是p或c或r或cr；根据不同事务属性的服务个数，来确定候选服务的优先级；

由于数据的不规范，需要将服务的属性值进行归一化，在0到1之间取值。