Resumen

Proponemos un modelo de proceso de decisión de Markov para resolver el problema de composición de servicios web (WSC). Se utilizan los algoritmos de evaluación de política iterativa, iteración de valor e iteración de política para validar experimentalmente nuestro enfoque, con datos artificiales y reales. Los resultados experimentales muestran la confiabilidad del modelo y los métodos empleados, siendo la iteración de política la mejor en términos del número mínimo de iteraciones necesarias para estimar una política óptima, con los atributos de Calidad de Servicio más altos. Nuestro trabajo experimental muestra cómo la solución de un problema de WSC que implica un conjunto de 100,000 servicios web individuales y donde una composición válida que requiere la selección de 1,000 servicios del conjunto disponible puede calcularse en el peor de los casos en menos de 200 segundos, utilizando una computadora Intel Core i5 con 6GB de RAM. Además, un problema de WSC real que involucra solo 7 servicios web individuales requiere menos de 0.08 segundos, utilizando la misma potencia computacional. Finalmente, una

• Materias:Internet de las cosas Inteligencia artificial Contaminantes atmosféricos Sistema biométrico Aplicaciones
• Subjects:Internet of things Artificial intelligence Air pollutants Biometric system Applications
• Palabras claves:Proceso de decisión de Markov; Composición de servicios web; Iteración de políticas; Calidad de servicio; Aprendizaje por refuerzo; Iteración de valores
• Keywords:Markov decision process; Web service composition; Policy iteration; Quality of service; Reinforcement learning; Value iteration