基于分布式禁忌人工蜂群算法的云視頻直播優(yōu)化算法
發(fā)布時(shí)間：2022-01-10 02:08
為了平衡熱門視頻直播服務(wù)的用戶體驗(yàn)質(zhì)量和系統(tǒng)總體成本,設(shè)計(jì)一種基于分布式禁忌人工蜂群算法的云視頻直播優(yōu)化算法。將禁忌搜索技術(shù)引入人工蜂群算法,對(duì)人工蜂群算法的全局搜索階段和局部開發(fā)階段均進(jìn)行增強(qiáng)處理;以云服務(wù)站點(diǎn)和視頻顯示格式的選擇為控制量,以視點(diǎn)的受歡迎度和觀看者的可用帶寬為約束條件,以最大化用戶體驗(yàn)質(zhì)量和最小化系統(tǒng)總成本為優(yōu)化目標(biāo),建立云視頻直播問(wèn)題的模型;設(shè)計(jì)分布式的禁忌人工蜂群算法求解云視頻直播問(wèn)題的次優(yōu)解,計(jì)算最優(yōu)的控制方案。實(shí)驗(yàn)結(jié)果表明,該算法有效地降低了系統(tǒng)的總體成本,并且優(yōu)于其他同類型的策略。
【文章來(lái)源】：計(jì)算機(jī)應(yīng)用與軟件. 2019,36(12)北大核心
【文章頁(yè)數(shù)】：10 頁(yè)
【部分圖文】：
多視點(diǎn)視頻直播的總體結(jié)構(gòu)圖
本模型使用三種蜜蜂:雇傭蜂、觀察蜂和偵察蜂。偵察蜂搜索食物源,雇傭蜂發(fā)現(xiàn)食物源后返回蜂巢通過(guò)蜂舞分享發(fā)現(xiàn)的信息。雇傭蜂結(jié)束搜索蜂巢任務(wù)之后,雇傭蜂變?yōu)閭刹旆?負(fù)責(zé)搜索新的食物源。觀察蜂觀看雇傭蜂的舞蹈,根據(jù)舞蹈選擇食物源。圖2所示是TABC算法的流程框圖,偵察蜂在搜索空間內(nèi)搜索,隨之返回蜂巢通過(guò)蜂舞分享其信息。根據(jù)食物源的評(píng)估結(jié)果,偵察蜂返回最優(yōu)的食物源,采用不同參數(shù)(禁忌列表大小和渴望值)的禁忌搜索對(duì)食物源做局部開發(fā)操作。TABC的全局搜索和局部開發(fā)兩個(gè)階段均采用了禁忌搜索技術(shù):全局搜索階段通過(guò)禁忌搜索粗略分析所有的可能解,禁忌搜索能夠提高種群的多樣性,算法的偵察蜂數(shù)量設(shè)為1 000,根據(jù)實(shí)驗(yàn)結(jié)果,該值能夠較好地平衡全局搜索和局部開發(fā)。2.2 禁忌搜索算法的實(shí)現(xiàn)
為了利用云計(jì)算分布式計(jì)算的優(yōu)勢(shì),并加速ABC算法的計(jì)算速度,本文補(bǔ)充了分布式形式的TABC算法(Distributed Tabu Artificial Bee Colony, DTABC)。DTABC由一個(gè)主節(jié)點(diǎn)和若干的次節(jié)點(diǎn)組成,每個(gè)次節(jié)點(diǎn)服務(wù)一個(gè)蜂巢和該蜂巢對(duì)應(yīng)的偵察蜂、觀察蜂和雇傭蜂,圖3所示是DTABC的結(jié)構(gòu)圖。初始化階段每個(gè)處理器隨機(jī)初始化種群,全局搜索階段禁忌搜索算法完成少量的失敗(30次)和重啟(50次),該策略能夠加速搜索過(guò)程,每個(gè)處理器運(yùn)行1 000次搜索,255個(gè)處理器則同時(shí)運(yùn)行255 000次搜索。偵察蜂的搜索階段結(jié)束后,將搜索的結(jié)果輸入局部開發(fā)階段。局部開發(fā)階段采用禁忌搜索優(yōu)化當(dāng)前解,該階段設(shè)置了4組參數(shù)組合,如表2所示。每個(gè)處理器完成優(yōu)化程序后,將處理結(jié)果和運(yùn)行時(shí)間發(fā)送至主處理器,主處理器從收到的結(jié)果中選出最優(yōu)的結(jié)果作為最終的決策結(jié)果。表2 局部開發(fā)階段禁忌搜索的參數(shù)設(shè)置 失敗次數(shù) 禁忌列表長(zhǎng)度 渴望值范圍 500×n [9×n /10, 11×n/10] [n, n×n] 500×n [9×n /10, 11×n/10] [n, n×n×10] 200×n [9×n /10, 11×n/10] [n, n×n×10] 1000×n [9×n /10, 11×n/10] [n, n×n]
【參考文獻(xiàn)】：
期刊論文
[1]面向國(guó)內(nèi)直播行業(yè)的分布式彈幕爬蟲研究[J]. 王雪瑞,劉淵. 計(jì)算機(jī)應(yīng)用與軟件. 2018(02)
[2]基于Docker的混合云視頻直播體系[J]. 華志翔,白光偉,沈航,黃中平. 小型微型計(jì)算機(jī)系統(tǒng). 2017(10)
[3]多搜索策略協(xié)同進(jìn)化的人工蜂群算法[J]. 王志剛,尚旭東,夏慧明,丁華. 控制與決策. 2018(02)
[4]基于宏塊多相關(guān)性的多視點(diǎn)視頻編碼方法[J]. 王鳳隨,王冠凌,瞿成明,趙發(fā). 計(jì)算機(jī)工程. 2015(02)
本文編號(hào)：3579859
【文章來(lái)源】：計(jì)算機(jī)應(yīng)用與軟件. 2019,36(12)北大核心
【文章頁(yè)數(shù)】：10 頁(yè)
【部分圖文】：
多視點(diǎn)視頻直播的總體結(jié)構(gòu)圖
本模型使用三種蜜蜂:雇傭蜂、觀察蜂和偵察蜂。偵察蜂搜索食物源,雇傭蜂發(fā)現(xiàn)食物源后返回蜂巢通過(guò)蜂舞分享發(fā)現(xiàn)的信息。雇傭蜂結(jié)束搜索蜂巢任務(wù)之后,雇傭蜂變?yōu)閭刹旆?負(fù)責(zé)搜索新的食物源。觀察蜂觀看雇傭蜂的舞蹈,根據(jù)舞蹈選擇食物源。圖2所示是TABC算法的流程框圖,偵察蜂在搜索空間內(nèi)搜索,隨之返回蜂巢通過(guò)蜂舞分享其信息。根據(jù)食物源的評(píng)估結(jié)果,偵察蜂返回最優(yōu)的食物源,采用不同參數(shù)(禁忌列表大小和渴望值)的禁忌搜索對(duì)食物源做局部開發(fā)操作。TABC的全局搜索和局部開發(fā)兩個(gè)階段均采用了禁忌搜索技術(shù):全局搜索階段通過(guò)禁忌搜索粗略分析所有的可能解,禁忌搜索能夠提高種群的多樣性,算法的偵察蜂數(shù)量設(shè)為1 000,根據(jù)實(shí)驗(yàn)結(jié)果,該值能夠較好地平衡全局搜索和局部開發(fā)。2.2 禁忌搜索算法的實(shí)現(xiàn)
為了利用云計(jì)算分布式計(jì)算的優(yōu)勢(shì),并加速ABC算法的計(jì)算速度,本文補(bǔ)充了分布式形式的TABC算法(Distributed Tabu Artificial Bee Colony, DTABC)。DTABC由一個(gè)主節(jié)點(diǎn)和若干的次節(jié)點(diǎn)組成,每個(gè)次節(jié)點(diǎn)服務(wù)一個(gè)蜂巢和該蜂巢對(duì)應(yīng)的偵察蜂、觀察蜂和雇傭蜂,圖3所示是DTABC的結(jié)構(gòu)圖。初始化階段每個(gè)處理器隨機(jī)初始化種群,全局搜索階段禁忌搜索算法完成少量的失敗(30次)和重啟(50次),該策略能夠加速搜索過(guò)程,每個(gè)處理器運(yùn)行1 000次搜索,255個(gè)處理器則同時(shí)運(yùn)行255 000次搜索。偵察蜂的搜索階段結(jié)束后,將搜索的結(jié)果輸入局部開發(fā)階段。局部開發(fā)階段采用禁忌搜索優(yōu)化當(dāng)前解,該階段設(shè)置了4組參數(shù)組合,如表2所示。每個(gè)處理器完成優(yōu)化程序后,將處理結(jié)果和運(yùn)行時(shí)間發(fā)送至主處理器,主處理器從收到的結(jié)果中選出最優(yōu)的結(jié)果作為最終的決策結(jié)果。表2 局部開發(fā)階段禁忌搜索的參數(shù)設(shè)置 失敗次數(shù) 禁忌列表長(zhǎng)度 渴望值范圍 500×n [9×n /10, 11×n/10] [n, n×n] 500×n [9×n /10, 11×n/10] [n, n×n×10] 200×n [9×n /10, 11×n/10] [n, n×n×10] 1000×n [9×n /10, 11×n/10] [n, n×n]
【參考文獻(xiàn)】：
期刊論文
[1]面向國(guó)內(nèi)直播行業(yè)的分布式彈幕爬蟲研究[J]. 王雪瑞,劉淵. 計(jì)算機(jī)應(yīng)用與軟件. 2018(02)
[2]基于Docker的混合云視頻直播體系[J]. 華志翔,白光偉,沈航,黃中平. 小型微型計(jì)算機(jī)系統(tǒng). 2017(10)
[3]多搜索策略協(xié)同進(jìn)化的人工蜂群算法[J]. 王志剛,尚旭東,夏慧明,丁華. 控制與決策. 2018(02)
[4]基于宏塊多相關(guān)性的多視點(diǎn)視頻編碼方法[J]. 王鳳隨,王冠凌,瞿成明,趙發(fā). 計(jì)算機(jī)工程. 2015(02)
本文編號(hào)：3579859
本文鏈接：http://sikaile.net/kejilunwen/sousuoyinqinglunwen/3579859.html
最近更新
教材專著
