基于分布式禁忌人工蜂群算法的云视频直播优化算法

发布时间：2022-01-10 02:08

　　为了平衡热门视频直播服务的用户体验质量和系统总体成本,设计一种基于分布式禁忌人工蜂群算法的云视频直播优化算法。将禁忌搜索技术引入人工蜂群算法,对人工蜂群算法的全局搜索阶段和局部开发阶段均进行增强处理;以云服务站点和视频显示格式的选择为控制量,以视点的受欢迎度和观看者的可用带宽为约束条件,以最大化用户体验质量和最小化系统总成本为优化目标,建立云视频直播问题的模型;设计分布式的禁忌人工蜂群算法求解云视频直播问题的次优解,计算最优的控制方案。实验结果表明,该算法有效地降低了系统的总体成本,并且优于其他同类型的策略。 

【文章来源】：计算机应用与软件. 2019,36(12)北大核心

【文章页数】：10 页

【部分图文】：

多视点视频直播的总体结构图

本模型使用三种蜜蜂:雇佣蜂、观察蜂和侦察蜂。侦察蜂搜索食物源,雇佣蜂发现食物源后返回蜂巢通过蜂舞分享发现的信息。雇佣蜂结束搜索蜂巢任务之后,雇佣蜂变为侦察蜂,负责搜索新的食物源。观察蜂观看雇佣蜂的舞蹈,根据舞蹈选择食物源。图2所示是TABC算法的流程框图,侦察蜂在搜索空间内搜索,随之返回蜂巢通过蜂舞分享其信息。根据食物源的评估结果,侦察蜂返回最优的食物源,采用不同参数(禁忌列表大小和渴望值)的禁忌搜索对食物源做局部开发操作。TABC的全局搜索和局部开发两个阶段均采用了禁忌搜索技术:全局搜索阶段通过禁忌搜索粗略分析所有的可能解,禁忌搜索能够提高种群的多样性,算法的侦察蜂数量设为1 000,根据实验结果,该值能够较好地平衡全局搜索和局部开发。2.2 禁忌搜索算法的实现

为了利用云计算分布式计算的优势,并加速ABC算法的计算速度,本文补充了分布式形式的TABC算法(Distributed Tabu Artificial Bee Colony, DTABC)。DTABC由一个主节点和若干的次节点组成,每个次节点服务一个蜂巢和该蜂巢对应的侦察蜂、观察蜂和雇佣蜂,图3所示是DTABC的结构图。初始化阶段每个处理器随机初始化种群,全局搜索阶段禁忌搜索算法完成少量的失败(30次)和重启(50次),该策略能够加速搜索过程,每个处理器运行1 000次搜索,255个处理器则同时运行255 000次搜索。侦察蜂的搜索阶段结束后,将搜索的结果输入局部开发阶段。局部开发阶段采用禁忌搜索优化当前解,该阶段设置了4组参数组合,如表2所示。每个处理器完成优化程序后,将处理结果和运行时间发送至主处理器,主处理器从收到的结果中选出最优的结果作为最终的决策结果。表2 局部开发阶段禁忌搜索的参数设置 失败次数 禁忌列表长度 渴望值范围 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]

【参考文献】：
期刊论文
[1]面向国内直播行业的分布式弹幕爬虫研究[J]. 王雪瑞,刘渊.  计算机应用与软件. 2018(02)
[2]基于Docker的混合云视频直播体系[J]. 华志翔,白光伟,沈航,黄中平.  小型微型计算机系统. 2017(10)
[3]多搜索策略协同进化的人工蜂群算法[J]. 王志刚,尚旭东,夏慧明,丁华.  控制与决策. 2018(02)
[4]基于宏块多相关性的多视点视频编码方法[J]. 王凤随,王冠凌,瞿成明,赵发.  计算机工程. 2015(02)



本文编号：3579859