CN100373942C - 面向瘦终端的多视频流显示方法与系统 - Google Patents

Abstract

本发明公开了一种面向瘦终端的多视频流显示方法，包括以下步骤，按需要对各视频分配CPU的带宽；设置视频处理进程与操作系统内核进行信息交换的共享内存，所述视频处理进程把处理效果的参数输入到所述共享内存，所述操作系统读取所述输入参数，与各视频的理论参数进行比较，计算其误差；根据误差值进行遗传计算，进化出针对当前视频输出具有最佳调节效果的染色体，并利用该染色体中的基因组合与参数误差及误差变化率进行模糊推理，根据模糊规则得到一组模糊量，对该一组模糊量进行去模糊处理，得到精确的PID的控制参数，再结合参数误差进行CPU带宽调节量的计算；操作系统根据上述CPU带宽调节量重新分配各视频的CPU带宽。

Description

面向瘦终端的多视频流显示方法与系统

技术领域

本发明涉及一种面向瘦终端的视频流显示方法，尤其涉及一种面向瘦终端的多视频流显示方法与系统。

背景技术

目前，面向瘦终端的多视频流显示技术一般平均分配瘦终端的中央处理器带宽。在通常情况下，各视频流具有相同的处理效果。无法对较为重要的视频流进行优先优化处理。目前的多视频流系统，比如一个显示屏上显示9幅或16幅显示场景，则每幅显示场景每秒钟显示的帧率是相同的，也就是每秒钟显示相同个数的显示画面，每幅显示场景的画面清晰度也是一样的。这样，如果对于一些重要显示场景，希望增加每秒钟的显示画面的个数，或是提高其清晰度是做不到的。

发明内容

针对上述现有面向瘦终端的多视频流显示方法所存在的问题和不足，本发明的目的是提供一种可根据需要对各视频流分配不同CPU带宽的面向瘦终端的多视频流显示方法与系统。

本发明是这样实现的：一种面向瘦终端的多视频流显示方法，包括以下步骤，

1)、按需要对各视频分配CPU的带宽；

2)、设置视频处理进程与操作系统内核进行信息交换的共享内存，所述视频处理进程把处理效果的参数输入到所述共享内存，所述操作系统读取所述输入参数，与各视频的理论参数进行比较，计算其误差；

3)、根据误差值进行遗传计算，进化出针对当前视频输出具有最佳调节效果的染色体，并利用该染色体中的基因组合与参数误差及误差变化率进行模糊推理，根据模糊规则得到一组模糊量，对该一组模糊量进行去模糊处理，得到精确的PID的控制参数，再结合参数误差进行CPU带宽调节量的计算；

4)、操作系统根据上述CPU带宽调节量重新分配各视频的CPU带宽。

进一步地，所述遗传计算的算法为稳态遗传算法。

进一步地，所述CPU带宽分配具体为修改操作系统的定时器，并以时间片为单位，修改对各视频的处理时间。

进一步地，所述CPU带宽分配具体为，以一路视频流为基准，以初始比例值对其他各视频流进行相应调节。

进一步地，所述处理效果参数具体为帧数/秒、MPEG-4的解码通道数、小波变换的解码层数。

一种面向瘦终端的多视频流显示系统，包括有CPU、内存，其特征在于，该系统还包括遗传生成器、模糊控制器、比例——积分——微分控制器和视频流输出参数误差过滤器，

所述遗传生成器用于计算对当前视频输出具有最佳调节效果的染色体中的基因组合，并将该基因组合输出至所述模糊控制器；

所述模糊控制器用于模糊计算精确的PID的控制参数，并将PID的控制参数输出至所述比例——积分——微分控制器；

所述比例——积分——微分控制器用于计算各视频的CPU带宽调节量，并将该调节量输出至进程调度器；

所述参数误差过滤器用于过滤各视频实际输出值和理论输出值的误差，并将该误差传输给所述遗传生成器、模糊控制器和比例——积分——微分控制器；

所述遗传生成器与所述模糊控制器连接，所述模糊控制器与所述比例——积分——微分控制器连接，所述比例——积分——微分控制器与所述进程调度器连接，所述CPU的视频输出通过所述视频流输出参数误差过滤器分别与所述遗传生成器、模糊控制器、比例一—积分——微分控制器连接。

进一步地，所述模糊控制器具体包括模糊输入模块、模糊推理模块和去模糊输出模块。

由于瘦终端的处理能力有限，所以本发明根据各视频的重要程度，对其输出预先设定权重比例，并按该比例分担CPU的资源带宽欠额。比如对于四路视频输出流可以按1∶2∶3∶4的比例分担CPU的资源带宽欠额进行输出。这样可以使重要的视频流得到较多的CPU处理资源，得到更好的视频处理效果，如输出更多的视频帧数/秒、更清晰的图象等，而改变了通常情况下各视频流无论重要与否处理效果均相同的情况。

本发明能根据任务对CPU带宽的个性化需求，并同时考虑开放的分时系统中CPU占用率的不确定动态变化特性，动态地分配CPU带宽；并设置遗传生成器、模糊控制器和比例——积分——微分控制器对CPU输出的视频流各参数进行监控，以校正CPU的处理误差，使CPU对各视频任务集的处理效果始终处于最佳状态。本发明具有以下优点：调度器结构兼容传统的分时调度结构；能根据分时调度负载不确定动态变化，满足特殊任务的CPU带宽分配需求，而动态调节CPU带宽；系统具有良好的静态、动态特性，以及较好的鲁棒性；所引入的额外调度计算费用较小。

附图说明

下面结合附图，对本发明做出详细描述。

图1为本发明结构示意图；

图2为本发明的eq′_dj和Δeq′_dj的函数示意图；

图3为本发明的x_αd，x_βd和x_γd隶属函数示意图；

图4为本发明的两染色体的杂交过程示意图；

图5为本发明的染色体上的基因变异示意图。

具体实施方式

如图1所示，本发明包括CPU、内存、遗传生成器、模糊控制器、比例——积分——微分控制器和视频流输出参数误差过滤器，遗传生成器与模糊控制器连接，模糊控制器与比例——积分——微分控制器连接，比例——积分——微分控制器与CPU的进程调度器连接，CPU的视频输出通过视频流输出参数误差过滤器分别与遗传生成器、模糊控制器、比例——积分——微分控制器连接。

本发明进程调度操作系统的调度性能取决于比例——积分——微分(PID)控制器的性能，的性能又取决于模糊规则质量的好坏，本发明使用稳态遗传算法Genetic Algorithm(GA)来自动化的求解一组近似最优的模糊控制器的模糊规则。

本发明把CPU的工作时间划分为一个又一个的时间段，在每个时间段，每个进程被分配予一定的时间片。在每个时间段开始的时候，每个进程的时间片的多少被首先计算出来。这个时间的数值就是此时间段里被赋予此进程的最大的CPU工作的时间。在同一个时间段内，每个进程可以被调度器调度多次，每被调度一次，进程获得一个时间片的CPU的工作时间，并且，其进程的时间片值被减1，直到进程的时间片数值为0，在此时间段内，此进程则会失去被调度的机会。当所有可执行进程的时间片值都为0时，这个时间段也就结束了。调度器此时会重新计算所有进程的新的时间片的数值，一个新的时间段也就开始了。本发明通过对不同的视频输出要求为各视频分配不同的处理时间片，以满足重要视频的高要求输出。

在某时刻j，可运行进程被划分为2个子集：QN_j与QW_j。这里QN_j＝{p_aj|0≤α≤U-1，j≥0}，a为进程下标，U为进程个数，它表示按照传统的分时任务调度的可执行进程集合。QW_j＝{p_bj|0≤b≤V-1，j≥0}，b为进程下标，v为进程个数，它表示按照PID进程调度操作系统的调度算法中闭环调度的进程集合。在PID进程调度操作系统的调度算法中，把QW_j划分为L(L是根据需要的正整数)个进程等级队列QC_dj，也就是说，QW_j＝QC_0j∪QC_lj∪...∪QC_dj∪...∪QC_(L-1)j，0≤d≤L-1，j≥0。这些进程等级队列按照不同的服务与响应延时请求被系统调度。

为了描述PID进程调度操作系统的调度算法，本发明记进程p_ij的时间片为ts_ij。当一个新的时钟中断产生时，或当进程放弃CPU时，j被增1，也即j＝j+1；

在时刻j，调度器更新前当前进程P_cj的时间片：ts_cj＝ts_c(j-1)-1；然后，调度器开始为当前时间片根据权重sw_ij选择一个当前进程，事实上sw_ij是调度器选择当前进程的标准，其被定义为， ${\mathrm{sw}}_{\mathrm{ij}}=\left\{\begin{array}{cc}0& {\mathrm{ts}}_{\mathrm{ij}}=0\\ {\mathrm{ts}}_{\mathrm{ij}}\×{\mathrm{fw}}_{\mathrm{ij}}& p_{\mathrm{ij}}\≠p_{c(j-1)}\\ ({\mathrm{ts}}_{\mathrm{ij}}-1)\×{\mathrm{fw}}_{\mathrm{ij}}& p_{\mathrm{ij}}=p_{c(j-1)}\end{array}\right.,$ 这里， ${\mathrm{ts}}_{\mathrm{ij}}=\left\{\begin{array}{cc}E& {\∀p}_{\mathrm{aj}}\∈{\mathrm{QN}}_j\\ {\mathrm{tq}}_{\mathrm{dj}}& {\∀p}_{\mathrm{bj}}\∈{\mathrm{QC}}_{\mathrm{dj}}\end{array}\right.,$ tq_dj是进程等级队列d的时间片；为了计算tq_dj，在闭环进程调度回路中，本发明使用了PID控制器。PID控制器是在工业控制系统中广泛使用的一种反馈控制器；它是一种超前一滞后控制器的特例； ${\mathrm{fw}}_{\mathrm{ij}}=\left\{\begin{array}{cc}1& {\∀p}_{\mathrm{aj}}\∈{\mathrm{QN}}_{\mathrm{aj}}\\ \frac{E}{{\mathrm{tq}}_{\mathrm{dj}}}& {\∀p}_{\mathrm{bj}}\∈{\mathrm{QC}}_{\mathrm{dj}}\end{array}\right.;$ 定义  sw_ij的目的是允许在{p_bj|p_bj∈QW_j}和{p_aj|P_aj∈QN_j}里的进程能以一种均匀的方式得到CPU处理器的处理资源。在运行队列中拥有最大权重的进程即被选择为当前时间片的运行进程。如果多个进程拥有相等的最大权重，在运行队列中最靠前的进程被选为当前进程。如果此时需要发生进程切换，上一个时间片的当前进程被放入运行队列的尾部。

当一个时间段开始的时候，所有进程的时间片按式 ${\mathrm{sw}}_{\mathrm{ij}}=\left\{\begin{array}{cc}0& {\mathrm{ts}}_{\mathrm{ij}}=0\\ {\mathrm{ts}}_{\mathrm{ij}}\×{\mathrm{fw}}_{\mathrm{ij}}& p_{\mathrm{ij}}\≠p_{c(j-1)}\\ ({\mathrm{ts}}_{\mathrm{ij}}-1)\×{\mathrm{fw}}_{\mathrm{ij}}& p_{\mathrm{ij}}=p_{c(j-1)}\end{array}\right.$ 重新进行计算。

本发明在PID进程调度操作系统的调度算法使用PID控制器主要有2个原因。首先，系统的输出不仅仅依靠于当前的系统输入，而且还依靠于当前时间点以前的系统输入，PID控制器可以有效的处理这种输入输出的系统依赖性。其次，PID控制器可以对一个大致的系统模型进行有效的处理。对于PID进程调度操作系统所面对的计算环境，这一点是相当重要的。系统内部和系统外部都面临着大量的不确定因素，这就使得建立一个精确的系统模型是相当困难的。

为了使用PID控制器对进程调度构成闭环进程调度，首先必须对服务进程的调度误差进行计算。为了计算服务进程的调度误差，可以对每个调度等级队列中j个服务进程进行响应延时采样。把这j个服务进程的响应延时采样值通过一个数字滤波器，得到一个当前情况下，此服务进程队列的响应延时值qa_dj。那么，对于各服务进程等级队列响应延时的目标值T_dj，0≤d<L，按下式计算各服务进程等级队列的时间片：

${\mathrm{tq}}_{\mathrm{dj}}={\mathrm{tq}}_{d(j-e)}+{\mathrm{CP}}_d\&times;{\mathrm{eq}}_{\mathrm{dj}}+{\mathrm{CI}}_d\&times;{\&Integral;}_{g=j-z}^{g=j}{\mathrm{eq}}_{\mathrm{dg}}\mathrm{dg}+{\mathrm{CD}}_d\&times;\frac{\mathrm{\&Delta;}{\mathrm{eq}}_{\mathrm{dj}}}{e\&times;\mathrm{jiff}{y}_{\mathrm{new}}};$

eq_dj＝qa_dj-T_dj；Δeq_dj＝eq_dj-eq_d(j-e)；

这里，CP_d、CI_d与CD_d是PID控制器的比例、积分与微分项系数。它们的数值由模糊控制器给定。在等式(5)中，z是积分窗口宽度，e是当前时间片计算与上一次时间片计算的时钟滴答的次数。此时，需要按上述fw_ij计算式计算权重系数fw_ij：即

${\mathrm{fw}}_{\mathrm{ij}}=\left\{\begin{array}{cc}1& {\&ForAll;p}_{\mathrm{aj}}\&Element;{\mathrm{QN}}_{\mathrm{aj}}\\ \frac{E}{{\mathrm{tq}}_{\mathrm{dj}}}& {\&ForAll;p}_{\mathrm{bj}}\&Element;{\mathrm{QC}}_{\mathrm{dj}}\end{array}\right..$

在是述PID进程调度的模糊算法中，为了确定PID控制器的比例项、积分项和微分项的控制系数CP_d、CI_d与CD_d，本使用模糊算法计算之。

在PID进程调度的模糊算法中，为了确定PID控制器的比例项、积分项和微分项的控制系数CP_d、CI_d与CD_d，应当首先清楚任何目标或系统的变化都有可能引起它们的变化。为了解决此问题，本发明使用了一套模糊规则，使用模糊规则的好处在于即便是知道输入与输出的大致变化，也能够较好地给出PID控制器的比例项、积分项和微分项的控制系数CP_d、CI_d与CD_d的数值。更进一步说，使用模糊推理，在同一时刻，可以考虑多个模糊规则。这一点对于本发明在高度复杂与动态的计算环境中处理不同的甚至相互矛盾的情况是相当重要的。

当模糊算法需要决定下一个时间片时，模糊控制器需要根据实际响应延时和目标响应延时的误差及实际响应延时和目标响应延时的误差的变换率，决定PID控制器的比例项、积分项和微分项的控制系数CP_d、CI_d与CD_d，模糊控制器中模糊规则的表达因此需要有2个输入变量和3个输出变量。

模糊控制器的2个输入变量为实际响应延时和目标响应延时的相对误差及实际响应延时和目标响应延时的相对的误差变换率；记为eq′_dj和Δeq′_dj。eq′_dj和Δeq′_dj是根据实际响应延时和目标响应延时的误差eq_dj及实际响应延时和目标响应延时的误差变换率Δeq_dj求得的，其中， ${\mathrm{eq}\text{'}}_{\mathrm{dj}}=\frac{{\mathrm{eq}}_{\mathrm{dj}}}{T_{\mathrm{dj}}};$ $\mathrm{\&Delta;}{\mathrm{eq}\text{'}}_{\mathrm{dj}}=\frac{\mathrm{\&Delta;e}{q}_{\mathrm{dj}}}{T_{\mathrm{dj}}}.$ 对于eq_dj和Δeq_dj，上述已给出了其计算式。

eq_dj的范围[eq_djmin，eq_djmax]取决于进程的实际测量的响应延时和进程的目标响应延时之间的偏差范围。Δeq_dj的范围[Δeq_djmin，Δeq_djmax]取决于当前时间点进程的响应延时误差和上一时间点进程的响应延时误差之间的偏差范围。理论上，eq_djmin和Δeq_djmin可以是0，eq_djmax和Δeq_djmax可以是一个很大的数值。既然不同的进程等级队列有不同的响应延时要求，eq_djmx和Δeq_djmax可能因为进程等级队列的不同而不同。为了设计一个各进程等级队列通用的模糊进程调度控制器，本发明按上述算式来计算eq′_dj和Δeq′_dj，来取代eq_dj和Δeq_dj。这里，eq′_dj为相对误差，Δeq′_dj为相对误差增量。eq′_dj和Δeq′_dj的坐标轴取值范围可以是[-∞，+∞]。但是对于不同的进程队列，一个大致的eq′_dj和Δeq′_dj的值，即可代表一个大致的控制情况。

模糊控制器的输出变量是x_αd，x_βd和x_γd。它们是CP_d、CI_d与CD_d相应倍数的倒数。具体有： $\left\{\begin{array}{c}{\mathrm{CP}}_d=\frac{1}{x_{\mathrm{\&alpha;d}}\&times;B_d}\\ {\mathrm{CI}}_d=\frac{1}{x_{\mathrm{\&beta;d}}\&times;B_d}\\ {\mathrm{CD}}_d=\frac{1}{x_{\mathrm{\&gamma;d}}\&times;B_d}\end{array}\right..$

这里，B_d是针对每一个进程等级队列的PID控制器的放大倍数的恒量。使用B_d的目的是使x_αd，x_βd和x_γd标准化到范围[1，9]。

如图2所示，eq′_dj和Δeq′_dj的值的范围被映射到在eq′_dj和Δeq′_dj定义域内的一套模糊集上。这些模糊集被标以以下逻辑量：负大(LN)，负小(SN)，正小(SP)，与正大(LP)。这些逻辑量的意义由这些模糊集的特定的隶属函数决定。这些隶属函数由eq′_dj和Δeq′_dj定义域上的一些梯形函数定义。这些梯形函数所定义的隶属函数如下图所示。基于这些函数，就可以得到不同数值下eq′_dj和Δeq′_dj的对不同模糊集合的不同隶属度。

如图所示的模糊集eq′_dj和Δeq′_dj的隶属函数，把负大的核心范围定义在(-∞，-15％)，负小的核心范围定义在[-5％，0]，正小的核心范围定义在[0，5％]正大的核心范围定义在[15％，+∞]。这些核心之间的范围就被定义为它们之间的边界，它们对边界的占有具有相同的宽度。

之所以把模糊集eq′_dj和Δeq′_dj按图所示的隶属函数来定义它们的隶属度，是因为在PID进程调度操作系统的进程调度中采取了两种不同的调度情况。一种是实际测量的响应延时和目标响应延时较为接近的情况，它们基本上被负小SN和正小SP所覆盖，并且，偏差大约在5％以内。另一种情况是实际测量的进程响应延时和目标进程响应延时相差较大的情况，它们基本上被负大LN和正大LP所覆盖，并且，偏差一般在15％以外。

PID进程调度操作系统的模糊控制器的前件是eq′_dj和Δeq′_dj，与之相对应的后件是x_αd，x_βd和x_γd，这里，x_αd，x_βd和x_γd是CP_d、CI_d与CD_d相应倍数的倒数；CP_d、CI_d与CD_d是PID控制器的比例项、积分项和微分项的控制系数。对于PID进程调度操作系统中所使用的PID控制器，x_αd，x_βd和x_γd这3个系数所取值的定义域为[1，9]。

如图3所示，模糊集x_αd，x_βd和x_γd的取值为逻辑量小小SS(small small)，中小MS(medium small)，大小LS(large small)，小中SM(small medium)，中中MM(mediummedium)，大中LM(large medium)，小大SL(small large)，中大ML(medium large)和大大LL(large large)。由逻辑量标识的各模糊集合x_αd，x_βd和x_γd的隶属函数由x_αd，x_βd和x_γd定义域上的一些梯形函数和三角函数构成。

和eq′_dj和Δeq′_dj不同，x_αd，x_βd和x_γd在定义域上被划分为9个模糊集合，而不是象eq′_dj和Δeq′_dj那样被划分为4个模糊集合。这样的话，各x_αd，x_βd和x_γd的模糊集合相对较小，其优点是可以得到比较准确的PID控制器的比例项、积分项和微分项的控制系数。虽然模糊集合的个数相对多了，但是由于采用了遗传算法来确定最好的模糊规则(也就是根据模糊规则中前件中进程响应延时的误差等级和响应延时误差增量的等级来确定x_αd，x_βd和x_γd的值)，因此无需人为的干预与考虑因为模糊集合的个数相对多了而带来的模糊规则的增多。

如前所述在PID进程调度操作系统中，已经假定有L个进程等级队列，并且每个进程等级队列的特征由eq′_dj和Δeq′_dj来描述。eq′_dj和Δeq′_dj可以由 ${\mathrm{eq}\text{'}}_{\mathrm{dj}}=\frac{{\mathrm{eq}}_{\mathrm{dj}}}{T_{\mathrm{dj}}}$ 和 $\mathrm{\&Delta;}{\mathrm{eq}\text{'}}_{\mathrm{dj}}=\frac{\mathrm{\&Delta;}{\mathrm{eq}}_{\mathrm{dj}}}{T_{\mathrm{dj}}}$ 分别定义。既然eq′_dj和Δeq′_dj可以取4个不同的模糊值LN、SN、SP和LP，如果想要覆盖所有的情况的话，则需要总共(4×4)^L个模糊规则。因为每一个进程等级队列需要一组PID控制器的比例项、积分项和微分项的控制系数CP_d、CI_d与CD_d，因此对于每个模糊规则，需要L套PID控制器的比例项、积分项和微分项的控制系数CP_d、CI_d与CD_d。综上所述，在PID进程调度操作系统的模糊控制器中，一共需要解出3×L×(4×4)^L个参数。假定R＝4×4，则问题的解可以表述如下：

$\mathrm{ky}=[\frac{1}{{\mathrm{CP}}_0}\frac{1}{{\mathrm{CI}}_0}\frac{1}{{\mathrm{CD}}_0}\&CenterDot;\&CenterDot;\&CenterDot;\frac{1}{{\mathrm{CP}}_{L-1}}\frac{1}{{\mathrm{CI}}_{L-1}}\frac{1}{{\mathrm{CD}}_{L-1}}]$

$=[{\mathrm{\&alpha;}}_0{\mathrm{\&beta;}}_0{\mathrm{\&gamma;}}_0\&CenterDot;\&CenterDot;\&CenterDot;{\mathrm{\&alpha;}}_{L-1}{\mathrm{\&beta;}}_{L-1}{\mathrm{\&gamma;}}_{L-1}]$

$=\left[\begin{array}{ccccccc}{\mathrm{\&alpha;}}_{01}& {\mathrm{\&beta;}}_{01}& {\mathrm{\&gamma;}}_{01}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&alpha;}}_{(L-1)1}& {\mathrm{\&beta;}}_{(L-1)1}& {\mathrm{\&gamma;}}_{(L-1)1}\\ {\mathrm{\&alpha;}}_{02}& {\mathrm{\&beta;}}_{02}& {\mathrm{\&gamma;}}_{02}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&alpha;}}_{(L-1)2}& {\mathrm{\&beta;}}_{(L-1)2}& {\mathrm{\&gamma;}}_{(L-1)2}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ {\mathrm{\&alpha;}}_{{0R}^L}& {\mathrm{\&beta;}}_{{0R}^L}& {\mathrm{\&gamma;}}_{0R^L}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&alpha;}}_{(L-1)R^L}& {\mathrm{\&beta;}}_{(L-1)R^L}& {\mathrm{\&gamma;}}_{(L-1)R^L}\end{array}\right]$

再结合 $\left\{\begin{array}{c}{\mathrm{CP}}_d=\frac{1}{x_{\mathrm{\&alpha;d}}\&times;B_d}\\ {\mathrm{CI}}_d=\frac{1}{x_{\mathrm{\&beta;d}}\&times;B_d}\\ {\mathrm{CD}}_d=\frac{1}{x_{\mathrm{\&gamma;d}}\&times;B_d}\end{array}\right.$ 式，可得出下式：

$\mathrm{ky}=[\frac{1}{{\mathrm{CP}}_0}\frac{1}{{\mathrm{CI}}_0}\frac{1}{{\mathrm{CD}}_0}\&CenterDot;\&CenterDot;\&CenterDot;\frac{1}{{\mathrm{CP}}_{L-1}}\frac{1}{{\mathrm{CI}}_{L-1}}\frac{1}{{\mathrm{CD}}_{L-1}}]$

$=[x_{\mathrm{\&alpha;}0}{x}_{\mathrm{\&beta;}0}{x}_{\mathrm{\&gamma;}0}\&CenterDot;\&CenterDot;\&CenterDot;x_{\mathrm{\&alpha;}(L-1)}{x}_{\mathrm{\&beta;}(L-1)}{x}_{\mathrm{\&gamma;}(L-1)}]$

$\left[\begin{array}{ccccccccc}{B}_0& 0& 0& .& .& .& 0& 0& 0\\ 0& B_0& 0& .& .& .& 0& 0& 0\\ 0& 0& B_0& .& .& .& 0& 0& 0\\ .& .& .& B_1& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& B_{L-2}& .& .& .\\ 0& 0& 0& .& .& .& B_{L-1}& 0& 0\\ 0& 0& 0& .& .& .& 0& B_{L-1}& 0\\ 0& 0& 0& .& .& .& 0& 0& B_{L-1}\end{array}\right]$

$=\left[\begin{array}{ccccccc}{\mathrm{\&alpha;}}_{01}& {\mathrm{\&beta;}}_{01}& {\mathrm{\&gamma;}}_{01}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&alpha;}}_{(L-1)1}& {\mathrm{\&beta;}}_{(L-1)1}& {\mathrm{\&gamma;}}_{(L-1)1}\\ {\mathrm{\&alpha;}}_{02}& {\mathrm{\&beta;}}_{02}& {\mathrm{\&gamma;}}_{02}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&alpha;}}_{(L-2)2}& {\mathrm{\&beta;}}_{(L-1)2}& {\mathrm{\&gamma;}}_{(L-1)2}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ {\mathrm{\&alpha;}}_{{0R}^L}& {\mathrm{\&beta;}}_{0R^L}& {\mathrm{\&gamma;}}_{0R^L}& \&CenterDot;\&CenterDot;\&CenterDot;& {\mathrm{\&alpha;}}_{(L-1)R^L}& {\mathrm{\&beta;}}_{(L-1)R^L}& {\mathrm{\&gamma;}}_{(L-1)R^L}\end{array}\right]$

$=\left[\begin{array}{ccccccc}{x}_{\mathrm{\&alpha;}01}& x_{\mathrm{\&beta;}01}& x_{\mathrm{\&gamma;}01}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{\mathrm{\&alpha;}(L-1)1}& x_{\mathrm{\&beta;}(L-1)1}& x_{\mathrm{\&gamma;}(L-1)1}\\ x_{\mathrm{\&alpha;}02}& x_{\mathrm{\&beta;}02}& x_{\mathrm{\&gamma;}02}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{\mathrm{\&alpha;}(L-1)2}& x_{\mathrm{\&beta;}(L-1)2}& x_{\mathrm{\&gamma;}(L-1)2}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ x_{\mathrm{\&alpha;}{0R}^L}& x_{\mathrm{\&beta;}0R^L}& x_{\mathrm{\&gamma;}0R^L}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{\mathrm{\&alpha;}(L-1)R^L}& x_{\mathrm{\&beta;}(L-1)R^L}& x_{\mathrm{\&gamma;}(L-1)R^L}\end{array}\right]$

$\left[\begin{array}{ccccccccc}{B}_0& 0& 0& .& .& .& 0& 0& 0\\ 0& B_0& 0& .& .& .& 0& 0& 0\\ 0& 0& B_0& .& .& .& 0& 0& 0\\ .& .& .& B_1& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& B_{L-1}& .& .& .\\ 0& 0& 0& .& .& .& B_{L-1}& 0& 0\\ 0& 0& 0& .& .& .& 0& B_{L-1}& 0\\ 0& 0& 0& .& .& .& 0& 0& B_{L-1}\end{array}\right]$

这样，本发明的模糊规则的形式表述如下：

IF eq′_1j＝EO₁ AND Δeq′_1j＝EQ₂ AND eq′_2j=EQ₃ AND Δeq′_2j＝EQ₄ AND......ANDeq′_Lj＝EQ_2L-1 AND Δeq′_Lj＝EQ_2L

THEN x_α1u＝X₁ AND x_β1u＝X₂ AND x_γ1u＝X₃ ANDx_α2u=X₄ AND X_β2u＝X₅ AND x_γ2u＝X₆AND......ANDX_αLu＝X_3L-2ANDx_βLu＝X_3L-1ANDx_γLu＝X_3L

这里，EQ₁，EQ₂，EQ₃，EQ₄......EQ_2L-1，EQ_2L和X₁，X₂，X₃，X₄，X₅，X₆......X_3L-2，X_3L-1，X_3L是相应eq′_dj、Δeq′_dj、x_αd、x_βd和x_γd定义域中的任一模糊集合。

既然每一条模糊规则都可以看成是一组模糊输入与一组模糊输出隐含的模糊关系的定义，本发明用逻辑关系图的形式来表述这种模糊关系。简单的模糊关系如下表所示：

	x<sub>γdu</sub>的模糊关联
									eq′<sub>dj</sub>
	x<sub>γdu</sub>	LN	SN	SP	LP
							LN	LM	MM	SM	LL
Δeq′<sub>dj</sub>	SN	SS	ML	LL	MS
							SP	MS	LL	SL	LS
	LP	LM	MM	LM	SL

表中的任一项均是一组输入的模糊变量和一组输出的模糊变量的关联，这样根据输入的模糊变量在其定义域上的各种输入，就可推导出合适的模棚输出变量x_αdu、x_βdu和x_γdu。

本发明利用稳态遗传算法求解PID进程调度操作系统中模糊控制器的模糊规则。

而在遗传算法的进化过程中，一般典型的遗传算法会使用整体覆盖的技术，用子代替换所有的父代。为了避免父代中较好个体的丢失，本发明使用稳态遗传算法Steady-State GA(SSGA)来求解PID进程调度操作系统中模糊控制器的模糊规则。在稳态遗传算法SSGA中，当新的个体产生时，仅用它取替换父代中最不适合的个体。

如前述所描述的，要确定R^L条规则中的3×L×(4×4)^L个参数，如下矩阵式所示：

$\left[\begin{array}{ccccccc}{x}_{\mathrm{\&alpha;}01}& x_{\mathrm{\&beta;}01}& x_{\mathrm{\&gamma;}02}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{\mathrm{\&alpha;}(L-1)1}& x_{\mathrm{\&beta;}(L-1)1}& x_{\mathrm{\&gamma;}(L-1)1}\\ x_{\mathrm{\&alpha;}02}& x_{\mathrm{\&beta;}02}& x_{\mathrm{\&gamma;}02}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{\mathrm{\&alpha;}(L-1)2}& x_{\mathrm{\&beta;}(L-1)2}& x_{\mathrm{\&gamma;}(L-1)2}\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ \&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;& \&CenterDot;& \&CenterDot;\\ x_{\mathrm{\&alpha;}{0R}^L}& x_{\mathrm{\&beta;}0R^L}& x_{\mathrm{\&gamma;}{0R}^L}& \&CenterDot;\&CenterDot;\&CenterDot;& x_{\mathrm{\&alpha;}(L-1)R^L}& x_{\mathrm{\&beta;}(L-1)R^L}& x_{\mathrm{\&gamma;}(L-1)R^L}\end{array}\right]$

为了使用稳态遗传算法Steady-State GA(SSGA)来求解PID进程调度操作系统中模糊控制器的模糊规则，把矩阵式中的各参数编排成染色体。

由于在一次模糊推理中，不止一个模糊规则被触发，所以这些模糊规则不能简单的孤立的被评价。也就是说，不能仅仅在一条染色体中编排一个模糊控制器的模糊规则，而是要把整个模糊规则集体编入一条染色体。也就是说，根据上述矩阵，每条染色体中应该有3×L×(4×4)^L个基因。基因的编排按照矩阵中参数从左到右，从上到下的顺序。基于以上考虑，描述矩阵中的模糊关系的染色体如下表所示：

x<sub>α01</sub>

x<sub>β01</sub>

x<sub>γ01</sub>

x<sub>α(L-1)1</sub>

x<sub>β(L-1)1</sub>

x<sub>γ(L-1)</sub>

x<sub>α0RL</sub>

x<sub>β0RL</sub>

x<sub>γ0RL</sub>

x<sub>α(L-1)RL</sub>

x<sub>β(L-1)RL</sub>

x<sub>γ(L-1)R</sub>

假定人群中总共有C条染色体，每条染色体的适应度为ft_q，1≤q ≤ C。在复制后代的过程中，设每条染色体被选中进行复制过程的概率为ps_q，ps_q的计算按照给染色体的适应度的数值，依赌轮盘概率的计算公式进行，如下式：

${\mathrm{ps}}_q=\frac{{\mathrm{ft}}_q}{\underset{q=1}{\overset{q=C}{\mathrm{\&Sigma;}}}{\mathrm{ft}}_q},1\&le;q\&le;C$

如图4所示，在杂交过程中，对于两条选中的染色体，基因的交换使用均衡杂交的方式。均衡杂交的杂交概率为pc。也就是说在每条染色体上的每个基因都有机会被选择来与另一条染色体的相对应位置的基因进行杂交。每条染色体上的每个基因被选择来与另一条染色体的相对应位置的基因进行杂交的概率是pc。如图所示，本发明给出了一个染色体上的基因被选择来与另一条染色体的相对应位置的基因进行杂交的例子。图中，标记叉号“X”的位置即为被选中进行杂交的基因位置。

在杂交过程之后，在2个新产生的染色体中的基因需要按照变异概率pm被进行变异处理。变异过程对这2个新产生的染色体中的所有基因进行处理：变异过程扫描这2个新产生的染色体中的所有基因来决定它们是否被选择来进行变异操作。如果一个基因位置被选择来进行基因变异操作，一个在[1，9]间的随机值将被产生来取代原来这一染色体此位置上的基因值。如图5所示，本发明给出了一个染色体上的基因被选择来进行基因变异的例子。图中，标记叉号“X”的位置即为被选中进行变异的基因位置。

如前所述，本发明使用稳态遗传算法SSGA来求解PID进程调度操作系统中模糊控制器的模糊规则的最优解或准最优解：[x_α0x_β0x_γ0…x_α(L-1)x_β(L-1)x_γ(L-1)]。考虑到系统中有L个进程等级队列，所以，本质上此问题是寻找参数解ky，使得ky是L维问题空间中的最优解。但是，不可能使用这L维问题空间的每一个点来决定某个解ky_q，q≥1的适应度ft_q，q≥1。所以在整个问题空间中，选择S个随机点。通过对这S个随机点的测评给出某个解ky_q，q≥1的适应度ft_q，q≥1。不过这样可能会带来的结果是：该某个解ky_q，q≥1的适应度ft_q，q≥1在其真实值附近的波动。根据实验，某个解ky_q，q≥1的适应度ft_q，q≥1在其真实值附近的波动将会影响遗传算法(GA)的进化过程。也就是说，遗传算法(GA)的进化过程中容易过早的到达局部最优点。本发明把L维问题空间划分为S个问题子空间，通过对该S个问题子空间上的测评给出某个解ky_q，q≥1的适应度ft_q，q≥1。对于这样的一个子空间h，本发明首先解出子空间的中心点，在子空间的中心点处，给出针对于这个子空间h的某个解ky_q，q≥1的适应度ft_qh，q≥1，1≤h≤S。因此有： ${\mathrm{ft}}_q=\frac{\underset{h=1}{\overset{h=S}{\mathrm{\&Sigma;}}}{\mathrm{ft}}_{\mathrm{qh}}}{S},$ 这里，ft_qh的值又依赖于ft_qhd，ft_qhd是进程等级队列d在问题子空间h里对某个解ky_q，q≥1的适应度。因此，又有： ${\mathrm{ft}}_{\mathrm{qh}}=\frac{\underset{d=0}{\overset{d=L-1}{\mathrm{\&Sigma;}}}{\mathrm{ft}}_{\mathrm{qhd}}}{L};$ 因为，本发明不能仅仅依靠一个时间点j给出的测评值来评价某个解ky_q，q≥1对进程等级队列d在问题子空间h的适应度ft_qhd。这是因为该某个解ky_q，q≥1在某个时间点j给出的系统调节可能会给系统在后续时间点带来不稳定的调节效果。应当考虑每一个时间点v∈[j，j+Z]。也就是： ${\mathrm{ft}}_{\mathrm{qhd}}=\frac{\underset{v=J}{\overset{v=J+2-1}{\mathrm{\&Sigma;}}}{\mathrm{ft}}_{\mathrm{qhdv}}}{Z};$ 这里ft_qhdv是解ky_q，q≥1在子问题空间h对进程等级队列d在时间点v的适应度的值。简单地取： ${\mathrm{ft}}_{\mathrm{qhdv}}=\frac{\left|{\mathrm{eq}}_{\mathrm{qhdv}}\right|}{A},$ 式中A是放大系数衡量。eq_qhdv是染色体q在子空间h里的响应延时误差eq_dj。根据式 ${\mathrm{ft}}_{\mathrm{qh}}=\frac{\underset{d=0}{\overset{d=L-1}{\mathrm{\&Sigma;}}}{\mathrm{ft}}_{\mathrm{qhd}}}{L}$ 、 ${\mathrm{ft}}_{\mathrm{qhd}}=\frac{\underset{v=J}{\overset{v=J+Z-1}{\mathrm{\&Sigma;}}}{\mathrm{ft}}_{\mathrm{qhdv}}}{Z}$ 、 ${\mathrm{ft}}_{\mathrm{qhdv}}=\frac{\left|{\mathrm{eq}}_{\mathrm{qhdv}}\right|}{A}$ 可知， ${\mathrm{ft}}_q=\frac{1}{A}\&times;\frac{\underset{h=1}{\overset{h=S}{\mathrm{\&Sigma;}}}\underset{d=0}{\overset{d=L-1}{\mathrm{\&Sigma;}}}\underset{v=j}{\overset{v=J+Z-1}{\mathrm{\&Sigma;}}}\left|{\mathrm{eq}}_{\mathrm{qhdv}}\right|}{S\&times;L\&times;Z};$ 因为，在稳态遗传算法的求解过程中，按惯例，适应度函数值ft_q是时间的增函数，因此ft_q最终按下式计算： ${\mathrm{ft}}_q={(\frac{1}{A}\&times;\frac{\underset{h=1}{\overset{h=S}{\mathrm{\&Sigma;}}}\underset{d=0}{\overset{d=L-1}{\mathrm{\&Sigma;}}}\underset{v=J}{\overset{v=J+Z-1}{\mathrm{\&Sigma;}}}\left|{\mathrm{eq}}_{\mathrm{qhdv}}\right|}{S\&times;L\&times;Z})}^{-1}.$

本发明根据误差值进行遗传计算，进化出针对当前视频输出具有最佳调节效果的染色体，并利用该染色体中的基因组合与参数误差及误差变化率进行模糊推理，根据模糊规则得到一组模糊量，对该一组模糊量进行去模糊处理，得到精确的PID的控制参数，再结合参数误差进行CPU带宽调节量的计算；操作系统根据上述CPU带宽调节量重新分配各视频的CPU带宽。本发明可对各视频动态调整，以保证CPU对各视频处理要求的精度。

Claims (5)

1.一种面向瘦终端的多视频流显示方法，包括以下步骤，

1)、按需要对各视频分配CPU的带宽；

2)、设置视频处理进程与操作系统内核进行信息交换的共享内存，所述视频处理进程把处理效果的参数输入到所述共享内存，所述操作系统读取所述输入参数，与各视频的理论参数进行比较，计算其误差；

3)、根据误差值进行遗传计算，进化出针对当前视频输出具有最佳调节效果的染色体，并利用该染色体中的基因组合与参数误差及误差变化率进行模糊推理，根据模糊规则得到一组模糊量，对该一组模糊量进行去模糊处理，得到精确的PID的控制参数，再结合参数误差进行CPU带宽调节量的计算；

4)、操作系统根据上述CPU带宽调节量重新分配各视频的CPU带宽。

2.如权利要求1所述的面向瘦终端的多视频流显示方法，其特征在于，所述遗传计算的算法为稳态遗传算法。

3.如权利要求1所述的面向瘦终端的多视频流显示方法，其特征在于，所述CPU带宽分配具体为修改操作系统的定时器，并以时间片为单位，修改对各视频的处理时间。

4.如权利要求1或3所述的面向瘦终端的多视频流显示方法，其特征在于，所述CPU带宽分配具体为，以一路视频流为基准，以初始比例值对其他各视频流进行相应调节。

5.如权利要求1所述的面向瘦终端的多视频流显示方法，其特征在于，所述处理效果参数具体为帧数/秒、MPEG-4的解码通道数、小波变换的解码层数。

Images