《表3 不同L和Ns取值下算法的平均运行时间/s》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多目标多属性决策的大规模Web服务组合QoS优化》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本研究算法运行一次生成NC个新个体，因此，整体复杂度为O（LNC+MNC2）。其中，M和NC是固定值，即M=2，NC=100，可见，算法复杂度主要与L相关。除此以外，由于候选服务数NS也在不断扩增，因此，为了充分验证EMOGA的可扩展性，这里设计了一组实验，使L和NS的取值均从10到50变化，间隔为5。随着NS增加，可选组合服务成指数级增长，为了提高算法性能，本实验调整个体变异概率IPm随NS值每增加5而增加0.005。实验运行100代30次，计算平均运行时间，结果见表3。由表3可知，当L取值固定时，随着NS增加，每列的运行时间均比较接近。当NS取值固定时，随着L增加，每行的运行时间以小幅度增加。由于复合增长率（compoundgrowthrate，CGR）能够反应一组数据中连续两个值之间的增加幅度，因此，本实验计算了每行和每列运行时间的CGR值，然后计算了平均CGR值，分别为8.78%和0.98%。结果说明在相同L下，随着NS增多，算法运行时间差异不大，因此，说明EMOGA独立于候选服务数的变化。每行CGR的平均值为8.78%，说明运行时间受任务数的影响，不过增加幅度较小。从方差可以看出，列数据方差明显小于行数据方差。