论文部分内容阅读
现今的电子商务模式大多是以某一电商平台为中心,买家、卖家与其它机构与平台相连或直接进驻平台,实现信息注册、商品搜索、商品交易等功能,这种电子商务模式采用集中式网络结构,依赖中心服务器的超强计算处理能力和超大的信息储存空间。随着众智科学的研究和发展,提出了众智电子商务模式,即网络中买家、卖家和其它机构都是相应独立的智能个体,采用分布式网络结构,智能个体之间直接相连,从而实现全息交易主客体信息共享、精准供需信息识别、智能供需匹配与搜索、商品交易等功能。在众智电子商务网络中,各个智能个体将商品信息储存在本地节点,并通过朋友圈来寻址和路由,实现信息的传递与共享。该网络中存在一个关键问题是,针对网络中某一节点的搜索需求,如何高效、快速和低消耗的进行商品信息资源搜索。本文针对上述商品信息资源搜索问题开展研究,设计了两种搜索算法,具体工作如下(1)设计了两种商品信息资源搜索算法。分析了众智交易网络的特点,在分布式网络搜索算法理论和技术研究现状综述的基础上,分别设计了广深结合启发式商品搜索算法、基于蚁群算法的商品搜索算法。1)广深结合启发式商品搜索算法,融合广度搜索算法和深度搜索算法,定义了网络中节点之间的关联度,并利用节点与朋友圈邻居节点之间的关联度来优化搜索规则和转发路径;2)基于蚁群算法的商品搜索算法,运用蚁群算法启发性、鲁棒性和正反馈性等特点,针对众智交易网络商品信息搜索问题,定义了商品信息关键词信息素和启发方程计算,利用蚁群算法的转发概率和信息素更新机制来设计网络中节点间商品信息资源搜索的规则,从而降低搜索的盲目性。在信息素定义、启发因子的设置和信息素更新策略方面具有一定的新意。(2)开展了众智电子商务网络搜索仿真实验。为了验证上述两种商品信息资源搜索算法的性能,基于Peersim仿真软件对网络环境进行仿真,通过Java语言对本文设计的算法进行编程实现,并且与洪泛算法和随机漫步算法两种基础性搜索算法做比较。实验结果显示,本文设计的算法在搜索成功率、搜索时间、商品匹配度、搜索网络消耗和可拓展性上都具有显著的优势。其中,广深结合的启发式搜索算法消耗较少的网络宽带资源和使用最少的搜索时间,可以达到较高的搜索成功率和商品匹配度;而基于蚁群算法的搜索算法,在搜索成功率、平均商品匹配度返回商品信息资源数量上都有着绝对的优势,从而可以实现网络高效、快速的搜索效果。