基于动态自适应混沌蚁群算法的Web服务组合方法
【专利摘要】本发明提出一种基于动态自适应混沌蚁群算法的Web服务组合方法，采用两种蚂蚁并行搜索，前期阶段采用最小的挥发系数与最小的期望启发因子，并加入混沌扰动；后期不再加入混沌扰动，并提高挥发系数和期望启发因子，加快了收敛速度；根据适应度值的方差来作为一个阶段向下一个阶段转变的标准，适应大规模的情况。本发明的方法能够提高蚁群算法搜索Web服务组合的全局搜索能力，有效抑制其陷入局部最优，且加快了收敛速度，缩短了运行时间，提高了性能，具有较强的鲁棒性。
【专利说明】
基于动态自适应混巧蚁群算法的Web服务组合方法
技术领域
[0001] 本发明属于计算机领域，尤其是一种基于动态自适应混浊蚁群算法的Web服务组 合方法。
【背景技术】
[0002] 随着互联网的快速发展，工商业领域到处都充满着Web服务。因此，产生了许多功 能相同的Web服务。此外，单个Web服务不能完全解决用户提出的各方面请求。Web服务组合 的目的主要是把互联网中各个功能单一的Web服务按照某种有效的方式组合起来，能够提 高效率。目前广泛采用的服务度量标准为QoS(Quality of Service),QoS评价指标主要包 括信誉度、可用性、成本费用、响应时间等。但运只仅仅反映了服务技术方面的特性，用户的 主观方面被忽略了，所W不能够反映用户对服务的满意程度。体验质量（Quality Of Experience,QoE)是凭借用户满意程度来作为评价标准的。它结合了网络性能、业务质量、 主观评测等影响因素，直接反映了用户对服务舒适度的满意程度。Web服务组合的实质为NP 难问题，目前主流的算法是智能优化算法。蚁群算法是智能优化算法中的一种，该算法引入 正反馈机制，具有较强的鲁棒性、优良的分布式计算机制等优点，但是在全局捜索和局部捜 索的平衡能力上有待进一步的研究。参数的设置也对蚁群算法的性能有着重要的影响。
【发明内容】
[0003] 本发明所解决的技术问题在于提供一种基于动态自适应混浊蚁群算法的Web服务 组合方法，采用两种妈蚁并行捜索，前期阶段采用最小的挥发系数与最小的期望启发因子， 并加入混浊扰动;后期不再加入混浊扰动，并提高挥发系数和期望启发因子，加快了收敛速 度;根据适应度值的方差来作为一个阶段向下一个阶段转变的标准，适应大规模的情况。
[0004] 实现本发明目的的技术解决方案为：
[0005] 基于动态自适应混浊蚁群算法的Web服务组合方法，包括W下步骤：
[0006] 步骤1:建立Web服务组合模型，得到适应度函数：
[0007]
[000引其中，QoE表示体验质量，i表示第i条路径，QoEi表示第i条路径上的体验质量，化表 示从起点到终点总的路径数；
[0009] 步骤2:初始化参数，包括:设置每条路径上的信息素 Tu(t) = const、初始线路（i, j)上的信息量ATij (〇)=〇,其中，const表示常数；
[0010] 步骤3:将N个常规妈蚁和Si个特殊妈蚁放在起始位置进行前期阶段迭代，根据状 态转移概率和轮盘选择原则更新信息素；
[0011] 步骤4:将N个常规妈蚁和S2个特殊妈蚁放在起始位置进行中期阶段迭代，根据状 态转移概率和轮盘选择原则更新信息素，其中S2<Sl;
[0012] 步骤5:将N个常规妈蚁放在起始位置进行后期阶段迭代，根据状态转移概率和轮 盘选择原则更新信息素，输出最佳的Web服务路径。
[0013] 进一步的，本发明的基于动态自适应混浊蚁群算法的Web服务组合方法，步骤3中 的前期阶段迭代具体包括：
[0014] 步骤3-1:将N个常规妈蚁和Si个特殊妈蚁放在起始位置，设置迭代次数Nei = 0;
[0015] 步骤3-2:常规妈蚁根据第一状态转移概率进行捜索，并根据轮盘选择原则将常规 妈蚁移动到概率最大的服务下；
[0016] 步骤3-3:特殊妈蚁根据第二状态转移概率进行捜索，并根据轮盘选择原则将特殊 妈蚁移动到概率最大的服务下；
[0017] 步骤3-4:更新每条路径上的信息素；
[001引步骤3-5:令Nci = Nci+l，判断迭代次数Nci是否达到固定次数Ml,若是，则转到步骤 3- 6,若否，则转到步骤3-2;
[0019] 步骤3-6:重复步骤3-2到步骤3-4共A次，并计算每次迭代的适应度值，得到A次适 应度值的方差Bi;
[0020] 步骤3-7:若Bi《化，则转到步骤3-6,否则结束前期阶段迭代，其中，化是方差Bi的 口限值。
[0021] 进一步的，本发明的基于动态自适应混浊蚁群算法的Web服务组合方法，步骤4中 的中期阶段迭代具体包括：
[0022] 步骤4-1:将N个常规妈蚁和S2个特殊妈蚁放在起始位置，设置迭代次数Nc2 = 0，其 中，S2<Sl;
[0023] 步骤4-2:常规妈蚁根据第一状态转移概率进行捜索，并根据轮盘选择原则将常规 妈蚁移动到概率最大的服务下；
[0024] 步骤4-3:特殊妈蚁根据第二状态转移概率进行捜索，并根据轮盘选择原则将特殊 妈蚁移动到概率最大的服务下；
[0025] 步骤4-4:更新每条路径上的信息素；
[0026] 步骤4-5:令Nc2 = Nc2+1，判断迭代次数Nc2是否达到固定次数M2,若是，则转到步骤 4- 6,若否，则转到步骤4-2;
[0027] 步骤4-6:重复步骤4-2到步骤4-4共A次，并计算每次迭代的适应度值，得到A次适 应度值的方差B2;
[002引步骤4-7:若B2《化，则转到步骤4-6,否则结束中期阶段迭代，其中，Q2是方差B2的 口限值。
[0029] 进一步的，本发明的基于动态自适应混浊蚁群算法的Web服务组合方法，步骤5中 的后期阶段迭代具体包括：
[0030] 步骤5-1:将N个常规妈蚁放在起始位置，无特殊妈蚁，设置迭代次数斯3 = 0;
[0031 ]步骤5-2:常规妈蚁根据第一状态转移概率进行捜索，并根据轮盘选择原则将常规 妈蚁移动到概率最大的服务下；
[0032] 步骤5-3:更新每条路径上的信息素；
[0033] 步骤5-4:令Nc3 = Nc3+1，判断迭代次数Nc3是否达到固定次数M3,若是，则转到步骤 5- 5,若否，则转到步骤5-2;
[0034] 步骤5-5:重复步骤5-2到步骤5-3共A次，并计算每次迭代的适应度值，得到A次适 应度值的方差B3;
[0035] 步骤5-6:若B3《化，则转到步骤5-5，否则结束后期阶段迭代，其中，Q3是方差B3的 口限值。
[0036] 进一步的，本发明的基于动态自适应混浊蚁群算法的Web服务组合方法，第一状态 转移概率为：
[0037]
[003引其中，却。表示在t时刻第k只妈蚁由服务i移动到j服务的概率;allowedk表示在t 时刻第k只妈蚁接下来可W选择的服务;a表示信息启发式因子;0表示期望启发式因子;IUj (t )表示由i移动至Ij j的期望程度，前期阶段0 = 01?，中期阶段0 = Pmid，后期0 = Phigh，且01ow< emid<ehigh，其中，扣OW是前期阶段的期望启发式因子，IUl是中期阶段的期望启发式因子，扣Igh 是后期阶段的期望启发式因子。
[0039] 进一步的，本发明的基于动态自适应混浊蚁群算法的Web服务组合方法，第二状态 转移概率为：
[0040]
[0041] 其中，m为下一步转移允许的j的总数，的为第一状态转移概率；表示在t时 亥IJ第k只妈蚁由服务i移动到j服务的概率;allowedk表示在t时刻第k只妈蚁接下来可W选 择的服务。
[0042] 进一步的，本发明的基于动态自适应混浊蚁群算法的Web服务组合方法，信息素更 新公式为：
[00创 Tij(t+n) = (l-p) ? Tij(t)+ATij(t)+q ? f(Xn)
[0044]
[0045] 其中，P为信息素挥发度，PG [0,1); ATu(t)表示执行完一次寻优后线路（i，j)上 的信息素增量，初始化时ATlパt)=0;A^,>)表示第k只妈蚁在执行完一次寻优后留在线路 (i，j)上的信息量，f(Xn)为混浊变量，q为系数，Tij(t)为信息素，Tij(t+n)表示完成对n个服 务遍历后Q J)路径上的信息素，M表示总的妈蚁数，k表示第k个妈蚁。前期阶段P = PiDW,中 期阶段P = Pmid，后期阶段P = Phigh，且Pmid<Pmid<Phigh，其中，Pi?是前期阶段的信息素挥发度， Pmid是中期阶段的信息素挥发度，Phigh是后期阶段的信息素挥发度。
[0046] 进一步的，本发明的基于动态自适应混浊蚁群算法的Web服务组合方法，信息素更 新公式为：
[0047] Tij(t+n) = (l-p) ? Tij(t)+Axij(t)
[004引其中，Tu(t+n)表示完成对n个服务遍历后Q J)路径上的信息素，P为信息素挥发 度，P G [0,1)，Tij(t)为信息素 ，ATijCt )表示执行完一次寻优后线路（i J)上的信息素增 量。
[0049] 本发明采用W上技术方案与现有技术相比，具有W下技术效果：
[0050] 1、本发明通过两种妈蚁和前期阶段加入混浊扰动，提高了蚁群算法捜索Web服务 组合的全局捜索能力，有效抑制其陷入局部最优；
[0051] 2、本发明通过后期阶段，加快了蚁群算法的收敛速度，缩短了运行时间，提高了性 能；
[0052] 3、本发明将蚁群算法的全局捜索能力和局部捜索能力达到较好的平衡；
[0053] 4、本发明能够适应不同规模下的Web服务组合问题，具有较强的鲁棒性。
【附图说明】
[0054] 图1是自适应混浊蚁群算法整体框架流程图；
[0055] 图2是通过模糊专家系统的QoE评估模型；
[0056] 图3是串联的Web服务组合模型；
[0057] 图4是基本蚁群算法流程图。
【具体实施方式】
[0058] 下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始 至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参 考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0059] 基本蚁群算法流程图如图4所示，本发明提出了一种基于动态自适应混浊蚁群算 法的Web服务组合方法，其实时过程模型如图1所示，主要分为S个阶段:前期、中期和后期， 具体包括W下步骤：
[0060] 步骤1 :建立Web服务组合模型，如图3所示，选用体验质量（Quality Of Exper i ence，QoE)来评价Web服务组合，QoE评价模型如图2所示，得到适应度函数如下：
[0061]
[0062] 其中，QoE表示体验质量，i表示第i条路径，QoEi表示第i条路径上的体验质量，化表 示从起点到终点总的路径数；
[0063] 步骤2:初始化参数，包括:设置每条路径上的信息素 Tu(t) = const、初始线路（i, j)上的信息量ATij (〇)=〇,其中，const在C语言中表示常数。
[0064] 步骤3:将N个常规妈蚁和Si个特殊妈蚁放在起始位置进行前期阶段迭代，具体为：
[0065] 步骤3-1:将N个常规妈蚁和Si个特殊妈蚁放在起始位置，设置迭代次数Nei = 0;
[0066] 步骤3-2:常规妈蚁根据第一状态转移概率进行捜索，并根据轮盘选择原则将常规 妈蚁移动到概率最大的服务下；
[0067] 步骤3-3:特殊妈蚁根据第二状态转移概率进行捜索，并根据轮盘选择原则将特殊 妈蚁移动到概率最大的服务下；
[0068] 步骤3-4:更新每条路径上的信息素；
[0069] 步骤3-5:令Nel = Nel+l，判断迭代次数Nel是否达到固定次数Ml,若是，则转到步骤 3- 6,若否，则转到步骤3-2;
[0070] 步骤3-6:重复步骤3-2到步骤3-4共A次，并计算每次迭代的适应度值，得到A次适 应度值的方差Bi;
[0071] 步骤3-7:若Bi《化，则转到步骤3-6,否则结束前期阶段迭代，其中，化是方差Bi的 口限值，Q巧由服务规模的大小的得到，规模越大，Qi越大。
[0072] 步骤4:将N个常规妈蚁和S2个特殊妈蚁放在起始位置进行中期阶段迭代，其中S2< Si,具体为：
[0073] 步骤4-1:将N个常规妈蚁和S2个特殊妈蚁放在起始位置，设置迭代次数Nc2 = 0，其 中，S2<Sl;
[0074] 步骤4-2:常规妈蚁根据第一状态转移概率进行捜索，并根据轮盘选择原则将常规 妈蚁移动到概率最大的服务下；
[0075] 步骤4-3:特殊妈蚁根据第二状态转移概率进行捜索，并根据轮盘选择原则将特殊 妈蚁移动到概率最大的服务下；
[0076] 步骤4-4:更新每条路径上的信息素；
[0077] 步骤4-5:令Nc2 = Nc2+1，判断迭代次数Nc2是否达到固定次数M2,若是，则转到步骤 4- 6,若否，则转到步骤4-2;
[0078] 步骤4-6:重复步骤4-2到步骤4-4共A次，并计算每次迭代的适应度值，得到A次适 应度值的方差B2;
[0079] 步骤4-7:若B2《化，则转到步骤4-6,否则结束中期阶段迭代，其中，Q2是方差B2的 口限值，Q河由服务规模的大小的得到，规模越大，Q2越大。
[0080] 步骤5:将N个常规妈蚁放在起始位置进行后期阶段迭代，输出最佳的Web服务组合 路径，具体为：
[0081 ]步骤5-1:将N个常规妈蚁放在起始位置，无特殊妈蚁，设置迭代次数斯3 = 0;
[0082] 步骤5-2:常规妈蚁根据第一状态转移概率进行捜索，并根据轮盘选择原则将常规 妈蚁移动到概率最大的服务下；
[0083] 步骤5-3:更新每条路径上的信息素；
[0084] 步骤5-4:令Nc3 = Nc3+1，判断迭代次数Nc3是否达到固定次数M3,若是，则转到步骤 5- 5,若否，则转到步骤5-2;
[0085] 步骤5-5:重复步骤5-2到步骤5-3共A次，并计算每次迭代的适应度值，得到A次适 应度值的方差B3;
[0086] 步骤5-6:若B3《化，则转到步骤5-5,否则结束后期阶段迭代，输出最佳的Web服务 路径，其中，跑是方差口限值，跑取一个很小的值，趋向于0。
[0087] 前述步骤3-2、步骤4-2、步骤5-2中的第一状态转移概率公式为：
[008引
[0089]其中，A作)表示在t时刻第k只妈蚁由服务i移动到j服务的概率;a 11 owedk表示在t 时刻第k只妈蚁接下来可W选择的服务;a表示信息启发式因子;e表示期望启发式因子;ruj (t)表示由i移动到j的期望程度；前期阶段e = 0i?，将0设为一个较小的值，中期阶段(6 = Pmid,后期0 =扣igh，且扣?<emid<0high，其中，扣?是前期阶段的期望启发式因子，Pmid是中期阶 段的期望启发式因子，扣Igh是后期阶段的期望启发式因子。
[0090] 前述步骤3-3、步骤4-3中的第二状态转移概率公式为：
[0091]
[0092] 其中，m为下一步转移允许的j的总数，巧;(〇为第一状态转移概率;诚的表示在t时 亥IJ第k只妈蚁由服务i移动到j服务的概率;allowedk表示在t时刻第k只妈蚁接下来可W选 择的服务。
[0093] 前述步骤3-4、步骤4-4中的信息素更新公式为：
[0094] Tij(t+n) = (l-p) ? Tij(t)+Axij(t)+q ? f(xn)
[0095]
[0096] 其中，P为信恳素巧发度，为了防止其无穷地积累，PG [0,1); ATu(t)表示执行完 一次寻优后线路(i，j)上的信息素增量，初始化时ATu(t)=0;Ar;(f)表示第k只妈蚁在执行 完一次寻优后留在线路Q J)上的信息量，f (Xn)为混浊变量，q为系数，Tij(t)为信息素，Tij (t+n)表示完成对n个服务遍历后Q J)路径上的信息素，M表示总的妈蚁数，k表示第k个妈 蚁。前期阶段P = Pi?，Pi?设为较小的值，可取0.1，信息素范围Ti j ( t) G [ Tmin，Tmax]，设置扰动 范围[0, Thigh];中期阶段P = Pmid ,Pmid设为中间值，可取0.25,信息素范围Tij(t) G [Tmin, Tmax];设置扰动范围[0, Tlow];后期阶段P = f>high ,Phigh设为较大值，可取0.4,信息素范围Tij (t) E [0,+°°];无混浊扰动,且Pmid〈Pmid〈Phigh ,其中，Plow是自U期阶段的f曰息素挥发度,Pmid是 中期阶段的信息素挥发度，Phigh是后期阶段的信息素挥发度。
[0097] 混浊变量可W由化nt映射模型产生，设置扰动范围[(MhighLTent混浊模型如下： [009引
[0099] 式中XnG [0, ILiiG (0,2]，当於1时是处于混浊状态情况下。
[0100] 前述步骤5-3中的信息素更新公式为：
[0101] Tij(t+n) = (l-p) ? Tij(t)+Axij(t)
[0102] 其中，Tu(t+n)表示完成对n个服务遍历后（i，j)路径上的信息素，P为信息素挥发 度，pG[0，l)，Tlパt)为信息素，ATlパt)表示执行完一次寻优后线路（i，j)上的信息素增 量。
[0103] W上所述仅是本发明的部分实施方式，应当指出，对于本技术领域的普通技术人 员来说，在不脱离本发明原理的前提下，还可W做出若干改进，运些改进应视为本发明的保 护范围。
【主权项】
1. 基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在于，包括以下步骤： 步骤1:建立Web服务组合模型，得到适应度函数：其中，QoE表示体验质量，i表示第i条路径，QoEi表示第i条路径上的体验质量，Ns表示从 起点到终点总的路径数； 步骤2:初始化参数，包括:设置每条路径上的信息素 τij (t) = const、初始线路（i，j)上 的信息量ATij(O)=O; 步骤3:将N个常规蚂蚁和S1A特殊蚂蚁放在起始位置进行前期阶段迭代，根据状态转移 概率和轮盘选择原则更新信息素； 步骤4:将N个常规蚂蚁和S2个特殊蚂蚁放在起始位置进行中期阶段迭代，根据状态转移 概率和轮盘选择原则更新信息素，其中&〈&; 步骤5:将N个常规蚂蚁放在起始位置进行后期阶段迭代，根据状态转移概率和轮盘选 择原则更新信息素，输出最佳的Web服务路径。2. 根据权利要求1所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在 于，步骤3中的前期阶段迭代具体包括： 步骤3-1:将N个常规蚂蚁和S1个特殊蚂蚁放在起始位置，设置迭代次数Nel = 0; 步骤3-2:常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁 移动到概率最大的服务下； 步骤3-3:特殊蚂蚁根据第二状态转移概率进行搜索，并根据轮盘选择原则将特殊蚂蚁 移动到概率最大的服务下； 步骤3-4:更新每条路径上的信息素； 步骤3-5:令Nu = 1+1，判断迭代次数K1是否达到固定次数M1，若是，则转到步骤3-6，若 否，则转到步骤3-2; 步骤3-6:重复步骤3-2到步骤3-4共A次，并计算每次迭代的适应度值，得到A次适应度 值的方差B1; 步骤3-7:若B1SQ1,则转到步骤3-6,否则结束前期阶段迭代，其中，Q1是方差B 1的门限 值。3. 根据权利要求1所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在 于，步骤4中的中期阶段迭代具体包括： 步骤4-1:将N个常规蚂蚁和S2个特殊蚂蚁放在起始位置，设置迭代次数K2 = 0，其中，&〈 Si； 步骤4-2:常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁 移动到概率最大的服务下； 步骤4-3:特殊蚂蚁根据第二状态转移概率进行搜索，并根据轮盘选择原则将特殊蚂蚁 移动到概率最大的服务下； 步骤4-4:更新每条路径上的信息素； 步骤4-5:令I2 =仏2+1，判断迭代次数K2是否达到固定次数M2，若是，则转到步骤4-6，若 否，则转到步骤4-2; 步骤4-6:重复步骤4-2到步骤4-4共A次，并计算每次迭代的适应度值，得到A次适应度 值的方差B2; 步骤4-7:若B2SQ2,则转到步骤4-6,否则结束中期阶段迭代，其中，Q2是方差B 2的门限 值。4. 根据权利要求1所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在 于，步骤5中的后期阶段迭代具体包括： 步骤5-1:将N个常规蚂蚁放在起始位置，无特殊蚂蚁，设置迭代次数K3 = O; 步骤5-2:常规蚂蚁根据第一状态转移概率进行搜索，并根据轮盘选择原则将常规蚂蚁 移动到概率最大的服务下； 步骤5-3:更新每条路径上的信息素； 步骤5-4:令Nc3 = Nc3+l，判断迭代次数Nc3是否达到固定次数M3，若是，则转到步骤5-5，若 否，则转到步骤5-2; 步骤5-5:重复步骤5-2到步骤5-3共A次，并计算每次迭代的适应度值，得到A次适应度 值的方差B3; 步骤5-6:若B3SQ3,则转到步骤5-5,否则结束后期阶段迭代，其中，Q3是方差B 3的门限 值。5. 根据权利要求2或3或4所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其 特征在于，第一状态转移概率为：其中，i#)表示在t时刻第k只蚂蚁由服务i移动到j服务的概率;allowedk表示在t时刻 第k只蚂蚁接下来可以选择的服务;α表示信息启发式因子;β表示期望启发式因子;ruXt)表 示由i移动到j的期望程度，前期阶段β = β??，中期阶段β = Pmid，后期β = Phigh，且01?〈ftnid〈 ftngh，其中，ft?是前期阶段的期望启发式因子，iUd是中期阶段的期望启发式因子，ftngh是后 期阶段的期望启发式因子。6. 根据权利要求2或3所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特 征在于，第二状态转移概率为：其中，m为下一步转移允许的j的总数，4的为第一状态转移概率;if的表示在t时刻第k 只蚂蚁由服务i移动到j服务的概率;allowedk表示在t时刻第k只蚂蚁接下来可以选择的服 务。7. 根据权利要求2或3所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特 征在于，信息素更新公式为：其中，P为信息素挥发度，pe[0,1); AT1Kt)表示执行完一次寻优后线路（i，j)上的信 息素增量，初始化时八1^(〇 = 0^『,丨(〇表示第k只蚂蚁在执行完一次寻优后留在线路(i，j) 上的信息量，f(Xn)为混沌变量，q为系数，T^(t)为信息素， Tlj(t+n)表示完成对η个服务遍历 后（i，j)路径上的信息素，M表示总的蚂蚁数，k表示第k个蚂蚁。前期阶段P = Plcw，中期阶段P = Pmid，后期阶段P = Phigh，且Pmid〈Pmid〈Phigh，其中，Plow是前期阶段的信息素挥发度，Pmid是中 期阶段的信息素挥发度，Ph lgh是后期阶段的信息素挥发度。 8 .根据权利要求4所述的基于动态自适应混沌蚁群算法的Web服务组合方法，其特征在 于，信息素更新公式为： Tij(t+n) = (l-p) · Tij(t)+ATij(t) 其中，Tlj(t+n)表示完成对η个服务遍历后（i，j)路径上的信息素，P为信息素挥发度，P e [0,1)，Tij(t)为信息素，ATij(t)表示执行完一次寻优后线路(i, j)上的信息素增量。
【文档编号】G06N3/12GK106022475SQ201610548769
【公开日】2016年10月12日
【申请日】2016年7月13日
【发明人】周井泉, 承松
【申请人】南京邮电大学