CN108573326A - 基于遗传蚁群混合算法的视频服务器选址方法 - Google Patents

基于遗传蚁群混合算法的视频服务器选址方法 Download PDF

Info

Publication number
CN108573326A
CN108573326A CN201810345215.5A CN201810345215A CN108573326A CN 108573326 A CN108573326 A CN 108573326A CN 201810345215 A CN201810345215 A CN 201810345215A CN 108573326 A CN108573326 A CN 108573326A
Authority
CN
China
Prior art keywords
algorithm
genetic
ant
video server
ant group
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810345215.5A
Other languages
English (en)
Other versions
CN108573326B (zh
Inventor
阮幼林
朱奇奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201810345215.5A priority Critical patent/CN108573326B/zh
Publication of CN108573326A publication Critical patent/CN108573326A/zh
Application granted granted Critical
Publication of CN108573326B publication Critical patent/CN108573326B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于多约束优先级的遗传蚁群混合算法的视频服务器选址方法，该混合算法将改进遗传算法与蚁群优化算法多次结合，先执行改进遗传算法，将改进遗传算法生成的一组问题近优解转化为蚁群算法的初始信息素分布，然后执行基于多约束优先级分配策略的遗传蚁群混合算法。本发明克服了传统遗传算法单一约束优先级分配策略找不到问题最优解的缺点，以及传统遗传算法采用赌轮盘的选择算子，降低了群体的多样性，容易陷入局部最优的问题。

Description

基于遗传蚁群混合算法的视频服务器选址方法
技术领域
本发明涉及计算机执行设施选址技术领域，具体涉及一种基于遗传蚁群混合算法的视频服务器选址方法。
背景技术
随着科学技术的发展，人们能更便捷的从网络中获取需要的信息。其中，视频信息在人们生活中扮演着重要的角色，人们对视频信息的要求越来越高。因此如何更好满足人们对视频播放的需求是一个亟待解决的问题，而解决这一问题最重要的是视频内容存储服务器位置的选择。因此有许多方法来解决视频内容存储服务器选址问题，经过研究视频内容存储服务器选址问题可以归类为选址问题中的约束p-中位问题，而该问题是一个NP(Non-Deterministic Polynomial,非确定多项式)困难问题，解决该问题的方法多为启发式算法，例如遗传算法，蚁群算法，禁忌搜索算法，神经网络算法，粒子群算法等。
而上述算法或多或少的存在着一些问题，例如，遗传算法在求解视频内容存储服务器选址时采用单一约束优先级的分配策略，以及基本的赌轮盘选择算子，算法收敛速度慢，容易陷入局部最优，导致投资的成本增加，而蚁群算法在求解视频内容存储服务器选址时，视频服务器位置选择的期望启发因子采用视频服务器的能力导致位置选择不合理，并且由于前期信息素的缺乏和随机性导致收敛速度较低。
发明内容
本发明的目的在于提供一种基于遗传蚁群混合算法的视频服务器选址方法，该方法提出了改进遗传算法和蚁群优化算法多次结合，采用动态链接策略，结合改进遗传算法与蚁群优化算法提高视频服务器选址的效率。
为解决上述技术问题，本发明公开的一种基于遗传蚁群混合算法的视频服务器选址方法，其特征在于，它包括如下步骤：
步骤1：根据经典遗传算法与蚁群算法求解旅行商(TSP，Travelling salesman)问题的参数，设置遗传算法最大迭代次数，根据视频选址的规模设置蚁群算法种群大小，然后将遗传算法交叉概率、遗传算法变异概率、蚁群算法初始蚂蚁个数、蚁群算法信息启发因子、蚁群算法概率选择因子、蚁群算法期望启发因子、蚁群算法最大迭代次数、蚁群算法信息素挥发因子和蚁群算法初始信息素矩阵设为预设经验值，采用整数排列编码规则将视频服务器候选设施编码；
步骤2：随机生成初始种群P(m)，根据多约束优先级贪心算法分配策略为初始种群P(m)中的每个个体的中位集合分配视频服务器服务的对象，对分配后的每个个体采用中位调整法，实现融入了中位调整法的改进遗传算法，得到一个进一步的分配方案，并计算出目标函数g(x)和适应度函数f(x)，目标函数g(x)是一种服务器选址以及客户分配方案需要的总费用，用来判断这种选址方案的好坏；
步骤3：进行选择遗传算子操作、交叉遗传算子操作和变异遗传算子操作，生成中间子代S(m)，并计算此时每个个体的适应度；
步骤4，结合父代种群F(m)与中间子代种群S(m)，如果是第一遗传操作那么就是初始种群，如果是第二次遗传操作，那么就是第一次遗传操作后得到的子代作为第二次操作的父代，执行多精英保护选择策略，保留父代种群F(m)与中间子代种群S(m)中最优的前n个个体；
步骤5：根据设置的蚁群算法最大迭代次数Nmax和蚁群算法迭代终止条件Ndie判断是否终止蚁群算法迭代进化，迭代终止则执行步骤6，否则执行步骤3；
步骤6，将融入了中位调整法的改进遗传算法迭代终止时的前n个最优解转化为蚁群算法的信息素初始分布；
步骤7，使用融入了中位调整法的改进遗传算法生成m个蚂蚁的初始中位集合，采用基于多约束优先级的蚁群算法分配策略为每个蚂蚁中位集合分对象，计算蚁群算法中蚂蚁为对象选择中位点的转移概率
步骤8，更新蚁群算法的信息素矩阵，判断是否达到终止条件，满足条件输出最终结果即视频服务器选址的最优方案，否则利用改进遗传算法选择、交叉、变异操作更新m个蚂蚁的初始中位集合，返回步骤7。
本发明在满足用户视频流量需求的前提下，得到了最优的视频内存存储服务器的选址方案，有效的减少了视频服务商投入的成本，这是由于本发明采用了多约束优先级的分配策略，以及多精英保护策略有效的解决了算法陷入局部最优的问题；本发明在求解视频服务器选址时运行的速度较快，有效的减少了数据规模较大时的运行时间，使大规模视频服务器选址问题能在有限的时间内求解，这是由于本发明采用遗传算法与蚁群算法结合的方式，有效避免了蚁群算法前期由于缺乏信息素而收敛速度慢的问题。
附图说明
图1为表示本发明的详细流程图；
图2为表示中位调整法示例；
图3为表示遗传算法和蚁群算法的V-T曲线图；
图3中纵轴的v、va表示收敛速度，横轴的t0、td、tb、ta、tc、te表示时间，d表示td时刻的收敛速度，b表示tb时刻的收敛速度，c表示tc时刻的收敛速度，e表示te时刻的收敛速度,a表示两个算法的收敛速度交叉点。
具体实施方式
以下结合附图和具体实施例对本发明作进一步的详细说明：
本发明一种基于遗传蚁群混合算法的视频服务器选址方法，它包括如下步骤：
步骤1：根据经典遗传算法与蚁群算法求解旅行商问题的参数，设置遗传算法最大迭代次数，根据视频选址的规模设置蚁群算法种群大小，然后将遗传算法交叉概率、遗传算法变异概率、蚁群算法初始蚂蚁个数、蚁群算法信息启发因子、蚁群算法概率选择因子、蚁群算法期望启发因子、蚁群算法最大迭代次数、蚁群算法信息素挥发因子和蚁群算法初始信息素矩阵设为预设经验值，采用整数排列编码规则将视频服务器候选设施编码；
步骤2：随机生成初始种群P(m)，根据多约束优先级贪心算法分配策略为初始种群P(m)中的每个个体的中位集合分配视频服务器服务的对象，对分配后的每个个体采用中位调整法，实现融入了中位调整法的改进遗传算法，得到一个进一步的更优化的分配方案，使投资的总费用减小，并计算出目标函数g(x)和适应度函数f(x)，目标函数g(x)是一种服务器选址以及客户分配方案需要的总费用，用来判断这种选址方案的好坏，适应度函数f(x)是遗传算法的一个重要参数，后面的选择操作就是根据适应度函数值来选择个体；
步骤3：进行选择遗传算子操作、交叉遗传算子操作和变异遗传算子操作，生成中间子代S(m)，并计算此时每个个体的适应度(这些操作是遗传算法的核心操作，模拟生物界的遗传，交配，突变。选择操作是根据适应度函数值选择优良的个体遗传到下一代，交叉操作就是进行基因重组得到新个体，变异操作就是通过基因突变得到新个体)；
步骤4，结合父代种群F(m)与中间子代种群S(m)，如果是第一遗传操作那么就是初始种群，如果是第二次遗传操作，那么就是第一次遗传操作后得到的子代作为第二次操作的父代，执行多精英保护选择策略，保留父代种群F(m)与中间子代种群S(m)中最优的前n个个体；
步骤5：根据设置的蚁群算法最大迭代次数Nmax和蚁群算法迭代终止条件Ndie判断是否终止蚁群算法迭代进化，迭代终止则执行步骤6，否则执行步骤3；
步骤6，将融入了中位调整法的改进遗传算法迭代终止时的前n个最优解转化为蚁群算法的信息素初始分布(前面描述的遗传算法，中位调整法就是根据问题解的模型提出的一种方法融入遗传算法这是一个改进，然后就是传统的遗传算法采用单约束优先级分配策略，这种策略有时得不到最优分配，本发明采用的是多约束优先级分配策略，分配更加的合理，然后就是传统的遗传算法采用赌轮盘的选择方法会使种群多样性减小，而本发明采用的是多精英保护选择策略，能有效避免这一现象)；
步骤7，使用融入了中位调整法的改进遗传算法生成m个蚂蚁的初始中位集合，采用基于多约束优先级的蚁群算法分配策略为每个蚂蚁中位集合分对象，计算蚁群算法中蚂蚁(蚁群算法的一个概念)为对象选择中位点的转移概率
步骤8，更新蚁群算法的信息素矩阵，判断是否达到终止条件，满足条件输出最终结果即视频服务器选址的最优方案(总投资费用最小的方案，即各个服务器应该部署在哪个位置上(之前对这些位置进行了编号)，每个服务器应该服务哪些位置上的客户)，否则利用改进遗传算法选择、交叉、变异操作更新m个蚂蚁的初始中位集合，返回步骤7。
上述技术方案中，所述旅行商问题的参数遗传算法的交叉概率与变异概率，蚁群算法的信息启发因子α，期望启发因子β，信息素挥发因子ρ
上述技术方案中，所述根据视频选址的规模设置蚁群算法种群大小的公式为|P|≈4n/p其中n是客户数量，p是要建立的视频内容存储服务器的数量。
上述技术方案的步骤5中，根据遗传算法的最大迭代次数，和遗传算法迭代终止条件判断是否终止遗传算法，终止条件是种群的前n个个体的适应度函数值在连续的10代内没有改变。
上述技术方案的步骤2中，多约束优先级贪心算法分配中在为中位点分配对象时考虑多个约束：对象的权重(需求)wi，视频服务器服务的对象到中位集合的最短距离mindij，视频服务器服务的对象到中位集合最短距离与次短距离之差disi，结合这些约束得到视频服务器服务的对象分配的优先级排序，然后采用贪心策略按优先级的高低为每个对象分配中位点。
上述技术方案的步骤2的中位调整法为：视频服务器选址问题的最优解模型为p个互不相交的类，且每个类选取的中位的类内和最小，根据最优解的这一特点，调整评价后的每个个体中每个类的中位，使类内和最小，从而得到一个目标函数更小的个体，提高群体的总体适应度。
上述技术方案的步骤4中，多精英保护策略为：结合步骤3生成的中间子代种群S(m)与父代种群F(m)组成大小为2m的综合种群Z(2m)，m表示种群大小，并按照个体适应度按从大到小排序，取出前n(n≤m/3)个不重复的最优个体遗传到下一代，然后利用赌轮盘选择方法在剩下的个体中，不重复的选取m-n个个体遗传到下一代。
上述技术方案中，所述融入了中位调整法的改进遗传算法，采取动态链接策略，如下：
设置动态结合的时间：最大迭代次数Nmax，终止迭代次数Ndie，终止次数由改进遗传算法中最优前n个个体总体适应度是否连续不变来确定；
利用遗传算法的前n个最优个体，设置蚁群算法的初始信息素分布：路径(i,j)上的信息素定义为：路径(i,j)上的信息素常量，为遗传算法结果集对应的信息素；
上述技术方案的所述步骤7中，基于多约束优先级的蚁群算法分配策略：为了进一步优化在得到问题最优解中位集合时的对象分配方案，利用蚁群算法的正反馈机制，在按照优先级给对象分配中位时，按照蚁群算法的思想，结合信息启发因子与期望启发因子计算出蚂蚁选择中位点的概率，然后按照概率选择给对象分配的中位点，通过这种方法利用了蚁群算法的学习技能，进一步优化对象的分配方案。
本发明将改进遗传算法与蚁群优化算法混合，该发明首先利用改进遗传算法初始化信息素分布，然后执行蚁群优化算法。该算法结合了两个算法的优点，避免搜索陷入局部最优和执行时间过长的问题，克服了各自解决视频服务器选址问题的缺点。且混合算法的性能更优，并且能较好的解决较大规模问题。
下面结合附图1～图3的实例对本发明详细说明。
一、改进遗传算法。
1、遗传编码，在视频服务器选址问题中，由于选择的设施点在空间中是离散分布的，所以采用p个设施点的编号来进行染色体的编码。首先将所有的设施点编号(1，2，…，n)，用遗传算法求解视频服务器选址问题中每条染色体有p个基因，而其中一个基因就是一个设施点编号。因此，假设p＝5，那么染色体可以表示为V＝{x1,x2,…,xi,…,xp}，其中xi表示可以选择的设施点的编号1，2，…，n。
2、产生初始群体，初始群体的产生应有一定的规则，并且要具有一定的代表性和广泛性，以免导致出现局部最优解而过早收敛。本发明中初始群体的产生如下：(1)初始化染色体，令染色体中的xi(基因值)均为0；(2)设置临时变量j＝0；(3)产生区间[1,n]的随机正整数ri；(4)判断染色体V中是否存在基因ri，如果不存在，则令xi＝ri，j＝j+1；否则转3；(5)如果j＜p则转3；否则执行下一步；(6)获得一条随机染色体，记V＝{x1,x2,…,xi,…,xp}，依照此方法可随机产生M个染色体，形成初始种群。
3、个体评价及适应度函数，按照多约束优先级贪心分配策略计算出待分配对象的优先级如下：
其中，cij表示客户i与视频服务器j之间的距离，di表示客户的需求，disi表示客户到最近视频服务器与次近视频服务器的距离差。
确定了优先级后，就按照优先级的升序逐个为每个非中位对象选择中位，然后利用贪心选择策略为对象选择中位，即计算对象到中位集合的距离，在满足容量约束的条件下将对象分配给最近的中位点。分配之后的集合为C＝{C1,C2,…,Cp}，计算出目标函数g(x)，由于目标函数为正数，且越小越好，因此，本发明采用的适应度函数为：f(x)＝D/g(x)，其中D为确定的常数。
4、中位调整法：记分配完之后群体的染色体为V＝{x1,x2,…,xi,…,xp}，对象的分配集合为C＝{C1,C2,…,Cp}，记每个类的类内和为L＝{L1,L2,…Li,…,Lp}，调整每个类的中位点，使得调整后的类内和为L′＝{L1′,L2′,…Li′,…,Lp′}其中Li′≤Li。调整后的个体的适应度不小于调整之前，因此提高了种群的整体适应度，中位调整法示例如图2。
5、基本的遗传操作，分别执行传统的遗传操作，其中交叉操作：在群体中利用赌轮盘方法随机选择两个个体进行交叉操作，为了保证解的可行性，首先对染色体进行预处理，即将两个个体中相同的基因取出，然后在剩下的不同基因中利用随机单点交叉，最后分别加上相同基因得到两条新的染色体。变异操作：在群体中按变异概率选择个体进行变异，随机选取染色体中的基因进行不重复的变异。
6、多精英保护策略，记基本遗传操作之前的群体为父代F(m)，遗传操作之后的群体为中间子代S(m)，将两代群体组合为新的群体P(2m)，并按照适应度由大到小进行排序，选择组合群体中的前n个不重复的最优个体遗传给下一代，然后在剩下的群体中采用不重复的赌轮盘法选择m-n个个体遗传到下一代，组成子代群体P(m)(t+1)。
二、遗传算法与蚁群算法衔接：
本发明针对视频服务器选址问题改进遗传算法与蚁群优化算法，提出动态结合策略，由遗传算法那与蚁群算法结合图3(V-T)曲线图可以看出：t0-ta阶段遗传算法的收敛速度快，但是在ta之后遗传算法的收敛速度逐渐变慢。而t0-ta阶段蚁群算法由于信息素的缺乏导致收敛速度变慢，但是在ta之后收敛速度明显升高。因此混合算法将在ta之前采用遗传算法，ta之后采用蚁群算法，具体策略实施如下：
(1)设置动态结合时间：最大迭代次数Nmax，终止迭代次数Ndie，终止次数由改进遗传算法中最优前n个个体总体适应度是否连续不变来确定；
(2)利用遗传算法的前n个最优个体，设置蚁群算法的初始信息素分布：路径(i,j)上的信息素定义为：
表示遗传算法后路径(i,j)上的信息初始信息素，表示的是路径(i,j)上的信息素值，表示遗传算法得到的问题解在路径(i,j)上留下的信息素。
(3)转换遗传算法的结果集为信息素。
三、基于多约束优先级分配策略的遗传蚁群混合算法
1、位置选择阶段：利用改进遗传算法生成蚁群的中位集合，设置遗传算法的种群大小与蚁群算法的蚂蚁个数相同
2、服务器分配阶段：按照多约束优先级贪心分配策略计算出待分配对象的优先级，然后采用蚁群算法为每个对象分配中位点，蚂蚁为对象i选择中位j的概率为：
其中，allowed表示蚂蚁可选的开放设施集合，τij表示客户i与视频服务器j之间留下的信息素，α为信息启发因子，ηij表示客户i与视频服务器j之间的距离的倒数，β为期望启发因子。
3、概率选择策略：在确定了选择概率之后，传统的方法采用赌轮盘法来确定蚂蚁选择的路径，蚂蚁选择的随机性太大，导致算法收敛速度变慢，且容易陷入局部最优。因此，本发明采用以下选择策略：
随机生成一个[0,1]的数q，如果q≤q0则直接选择概率最大的路径，否则按赌轮盘法选择路径，q0表示蚂蚁选择转移概率最大的路径的概率。
4、更新信息素，本发明采用蚁密系统模型。蚂蚁循环一周后，更新路径(i,j)上的信息素，如下：
Lk表示蚂蚁k在本次循环中所走的路径，Q表示一只蚂蚁携带的信息总量，在本发明中即为个体的目标函数，表示本次循环中蚂蚁k在路径(i,j)上留下的信息素，t表示第t次循环，所有蚂蚁为个体分配了对象之后，信息素按如下规则调整：
其中，ρ为信息素挥发因子。
5、更新中位集合，利用改进遗传算法，对蚁群群体进行选择、交叉、变异等操作得到一组新的蚁群中位集合。
本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于遗传蚁群混合算法的视频服务器选址方法，其特征在于，它包括如下步骤：
步骤1：根据经典遗传算法与蚁群算法求解旅行商问题的参数，设置遗传算法最大迭代次数，根据视频选址的规模设置蚁群算法种群大小，然后将遗传算法交叉概率、遗传算法变异概率、蚁群算法初始蚂蚁个数、蚁群算法信息启发因子、蚁群算法概率选择因子、蚁群算法期望启发因子、蚁群算法最大迭代次数、蚁群算法信息素挥发因子和蚁群算法初始信息素矩阵设为预设经验值，采用整数排列编码规则将视频服务器候选设施编码；
步骤2：随机生成初始种群P(m)，根据多约束优先级贪心算法分配策略为初始种群P(m)中的每个个体的中位集合分配视频服务器服务的对象，对分配后的每个个体采用中位调整法，实现融入了中位调整法的改进遗传算法，得到一个进一步的分配方案，并计算出目标函数g(x)和适应度函数f(x)，目标函数g(x)是一种服务器选址以及客户分配方案需要的总费用，用来判断这种选址方案的好坏；
步骤3：进行选择遗传算子操作、交叉遗传算子操作和变异遗传算子操作，生成中间子代S(m)，并计算此时每个个体的适应度；
步骤4，结合父代种群F(m)与中间子代种群S(m)，如果是第一遗传操作那么就是初始种群，如果是第二次遗传操作，那么就是第一次遗传操作后得到的子代作为第二次操作的父代，执行多精英保护选择策略，保留父代种群F(m)与中间子代种群S(m)中最优的前n个个体；
步骤5：根据设置的蚁群算法最大迭代次数Nmax和蚁群算法迭代终止条件Ndie判断是否终止蚁群算法迭代进化，迭代终止则执行步骤6，否则执行步骤3；
步骤6，将融入了中位调整法的改进遗传算法迭代终止时的前n个最优解转化为蚁群算法的信息素初始分布；
步骤7，使用融入了中位调整法的改进遗传算法生成m个蚂蚁的初始中位集合，采用基于多约束优先级的蚁群算法分配策略为每个蚂蚁中位集合分对象，计算蚁群算法中蚂蚁为对象选择中位点的转移概率
步骤8，更新蚁群算法的信息素矩阵，判断是否达到终止条件，满足条件输出最终结果即视频服务器选址的最优方案，否则利用改进遗传算法选择、交叉、变异操作更新m个蚂蚁的初始中位集合，返回步骤7。
2.根据权利要求1所述的基于遗传蚁群混合算法的视频服务器选址方法，其特征在于：所述旅行商问题的参数遗传算法的交叉概率与变异概率，蚁群算法的信息启发因子α，期望启发因子β，信息素挥发因子ρ。
3.根据权利要求1所述的基于遗传蚁群混合算法的视频服务器选址方法，其特征在于：所述根据视频选址的规模设置蚁群算法种群大小的公式为|P|≈4n/p其中n是客户数量，p是要建立的视频内容存储服务器的数量。
4.根据权利要求1所述的基于遗传蚁群混合算法的视频服务器选址方法，其特征在于：所述步骤5中，根据遗传算法的最大迭代次数，和遗传算法迭代终止条件判断是否终止遗传算法，终止条件是种群的前n个个体的适应度函数值在连续的10代内没有改变。
5.根据权利要求1所述的基于遗传蚁群混合算法的视频服务器选址方法，其特征在于：所述步骤2中，多约束优先级贪心算法分配中在为中位点分配对象时考虑多个约束：对象的权重wi，视频服务器服务的对象到中位集合的最短距离mindij，视频服务器服务的对象到中位集合最短距离与次短距离之差disi，结合这些约束得到视频服务器服务的对象分配的优先级排序，然后采用贪心策略按优先级的高低为每个对象分配中位点。
6.根据权利要求1所述的基于遗传蚁群混合算法的视频服务器选址方法，其特征在于：所述步骤2的中位调整法为：视频服务器选址问题的最优解模型为p个互不相交的类，且每个类选取的中位的类内和最小，根据最优解的这一特点，调整评价后的每个个体中每个类的中位，使类内和最小，从而得到一个目标函数更小的个体，提高群体的总体适应度。
7.根据权利要求1所述的基于遗传蚁群混合算法的视频服务器选址方法，其特征在于：所述步骤4中，多精英保护策略为：结合步骤3生成的中间子代种群S(m)与父代种群F(m)组成大小为2m的综合种群Z(2m)，m表示种群大小，并按照个体适应度按从大到小排序，取出前n(n≤m/3)个不重复的最优个体遗传到下一代，然后利用赌轮盘选择方法在剩下的个体中，不重复的选取m-n个个体遗传到下一代。
8.根据权利要求1所述的基于遗传蚁群混合算法的视频服务器选址方法，其特征在于：所述融入了中位调整法的改进遗传算法，采取动态链接策略，如下：
设置动态结合的时间：最大迭代次数Nmax，终止迭代次数Ndie，终止次数由改进遗传算法中最优前n个个体总体适应度是否连续不变来确定；
利用遗传算法的前n个最优个体，设置蚁群算法的初始信息素分布：路径(i,j)上的信息素定义为：路径(i,j)上的信息素常量，为遗传算法结果集对应的信息素；
转换遗传算法的结果集为信息素。
9.根据权利要求1所述的基于遗传蚁群混合算法的视频服务器选址方法，其特征在于：在所述步骤7中，基于多约束优先级的蚁群算法分配策略：利用蚁群算法的正反馈机制，在按照优先级给对象分配中位时，按照蚁群算法的思想，结合信息启发因子与期望启发因子计算出蚂蚁选择中位点的概率，然后按照概率选择给对象分配的中位点，通过这种方法利用了蚁群算法的学习技能，进一步优化对象的分配方案。
10.根据权利要求1所述的基于遗传蚁群混合算法的视频服务器选址方法，其特征在于：在视频服务器选址中，由于选择的设施点在空间中是离散分布的，所以采用p个设施点的编号来进行染色体的编码，首先将所有的设施点编号(1，2，…，n)，用遗传算法求解视频服务器选址问题中每条染色体有p个基因，而其中一个基因就是一个设施点编号，染色体表示为V＝{x1,x2,…,xi,…,xp}，其中xi表示可以选择的设施点的编号1，2，…，n。
CN201810345215.5A 2018-04-17 2018-04-17 基于遗传蚁群混合算法的视频服务器选址方法 Expired - Fee Related CN108573326B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810345215.5A CN108573326B (zh) 2018-04-17 2018-04-17 基于遗传蚁群混合算法的视频服务器选址方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810345215.5A CN108573326B (zh) 2018-04-17 2018-04-17 基于遗传蚁群混合算法的视频服务器选址方法

Publications (2)

Publication Number Publication Date
CN108573326A true CN108573326A (zh) 2018-09-25
CN108573326B CN108573326B (zh) 2021-07-06

Family

ID=63574900

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810345215.5A Expired - Fee Related CN108573326B (zh) 2018-04-17 2018-04-17 基于遗传蚁群混合算法的视频服务器选址方法

Country Status (1)

Country Link
CN (1) CN108573326B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109687509A (zh) * 2018-12-07 2019-04-26 中国电力科学研究院有限公司 一种配电网分布式电源优化配置方法和系统
CN109766988A (zh) * 2018-09-28 2019-05-17 中国人民解放军空军工程大学 基于混沌蚁狮优化算法的目标分群方法
CN110221785A (zh) * 2019-06-14 2019-09-10 西安微电子技术研究所 一种基于遗传算法的flash模块组合方法
CN110516870A (zh) * 2019-08-22 2019-11-29 安庆师范大学 一种基于协同进化的多回收站点垃圾收运方法
CN111148110A (zh) * 2020-03-30 2020-05-12 汉腾汽车有限公司 一种基于遗传蚁群混合算法的车联网路侧单元部署方法
CN111309582A (zh) * 2020-03-27 2020-06-19 上海海事大学 一种复杂冗余系统可靠性评估的优化方法
CN112651574A (zh) * 2020-12-31 2021-04-13 深圳云天励飞技术股份有限公司 基于p中位遗传算法的选址方法、装置及电子设备
CN112786111A (zh) * 2021-01-18 2021-05-11 上海理工大学 一种基于ReliefF和蚁群的特征基因选择方法
CN113505985A (zh) * 2021-07-08 2021-10-15 山东科技大学 一种求解混合装配序列规划和产线平衡问题的方法
CN115277445A (zh) * 2022-07-11 2022-11-01 北京理工大学 一种基于QoS目标的微服务系统调度优化方法
CN115617510A (zh) * 2022-09-28 2023-01-17 湖北公众信息产业有限责任公司 一种基于信息素遗传蚁群算法的服务器动态均衡方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040003354A1 (en) * 2002-06-27 2004-01-01 Hamlin Christopher L. Scale-invariant topology and traffic allocation in multi-node system-on-chip switching fabrics
CN103903053A (zh) * 2014-01-18 2014-07-02 内蒙古农业大学 一种基于蚁群优化和遗传算法的粗粒度并行算法
CN106447574A (zh) * 2016-09-14 2017-02-22 齐鲁工业大学 一种智慧城市建筑选址方法
CN107194513A (zh) * 2017-05-26 2017-09-22 中南大学 一种解决全渠道物流配送问题的优化方法
CN107480765A (zh) * 2017-07-04 2017-12-15 北京奥鹏远程教育中心有限公司 遗传和蚁群混合算法在组卷中的应用方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040003354A1 (en) * 2002-06-27 2004-01-01 Hamlin Christopher L. Scale-invariant topology and traffic allocation in multi-node system-on-chip switching fabrics
CN103903053A (zh) * 2014-01-18 2014-07-02 内蒙古农业大学 一种基于蚁群优化和遗传算法的粗粒度并行算法
CN106447574A (zh) * 2016-09-14 2017-02-22 齐鲁工业大学 一种智慧城市建筑选址方法
CN107194513A (zh) * 2017-05-26 2017-09-22 中南大学 一种解决全渠道物流配送问题的优化方法
CN107480765A (zh) * 2017-07-04 2017-12-15 北京奥鹏远程教育中心有限公司 遗传和蚁群混合算法在组卷中的应用方法及装置

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766988A (zh) * 2018-09-28 2019-05-17 中国人民解放军空军工程大学 基于混沌蚁狮优化算法的目标分群方法
CN109687509A (zh) * 2018-12-07 2019-04-26 中国电力科学研究院有限公司 一种配电网分布式电源优化配置方法和系统
CN110221785B (zh) * 2019-06-14 2022-08-23 西安微电子技术研究所 一种基于遗传算法的flash模块组合方法
CN110221785A (zh) * 2019-06-14 2019-09-10 西安微电子技术研究所 一种基于遗传算法的flash模块组合方法
CN110516870A (zh) * 2019-08-22 2019-11-29 安庆师范大学 一种基于协同进化的多回收站点垃圾收运方法
CN110516870B (zh) * 2019-08-22 2023-09-22 安庆师范大学 一种基于协同进化的多回收站点垃圾收运方法
CN111309582A (zh) * 2020-03-27 2020-06-19 上海海事大学 一种复杂冗余系统可靠性评估的优化方法
CN111309582B (zh) * 2020-03-27 2023-04-07 上海海事大学 一种复杂冗余系统可靠性评估的优化方法
CN111148110A (zh) * 2020-03-30 2020-05-12 汉腾汽车有限公司 一种基于遗传蚁群混合算法的车联网路侧单元部署方法
CN112651574A (zh) * 2020-12-31 2021-04-13 深圳云天励飞技术股份有限公司 基于p中位遗传算法的选址方法、装置及电子设备
CN112786111A (zh) * 2021-01-18 2021-05-11 上海理工大学 一种基于ReliefF和蚁群的特征基因选择方法
CN113505985A (zh) * 2021-07-08 2021-10-15 山东科技大学 一种求解混合装配序列规划和产线平衡问题的方法
CN113505985B (zh) * 2021-07-08 2024-05-28 山东科技大学 一种求解混合装配序列规划和产线平衡问题的方法
CN115277445A (zh) * 2022-07-11 2022-11-01 北京理工大学 一种基于QoS目标的微服务系统调度优化方法
CN115277445B (zh) * 2022-07-11 2023-08-15 北京理工大学 一种基于QoS目标的微服务系统调度优化方法
CN115617510A (zh) * 2022-09-28 2023-01-17 湖北公众信息产业有限责任公司 一种基于信息素遗传蚁群算法的服务器动态均衡方法及系统

Also Published As

Publication number Publication date
CN108573326B (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN108573326A (zh) 基于遗传蚁群混合算法的视频服务器选址方法
CN106484512B (zh) 计算单元的调度方法
CN109670650B (zh) 基于多目标优化算法的梯级水库群调度模型的求解方法
CN105809279A (zh) 一种基于多目标量子混合蛙跳算法的水资源优化调度方法
CN109919376A (zh) 多车场与多车型车辆路径调度控制方法
CN108734202A (zh) 一种基于改进bp神经网络的高压断路器故障诊断方法
CN107466016B (zh) 一种基于用户移动性的小小区缓存设备分配方法
CN103914734B (zh) 基于改进型蚁群算法的微网容量优化布址方法
CN108764555A (zh) 一种基于Hadoop的共享单车停放点选址方法
CN104954278B (zh) 多服务质量约束下基于蜂群优化的网络流量调度方法
CN101777990B (zh) 多目标免疫优化组播路由路径选择方法
CN105098762A (zh) 一种含分布式电源配电网的孤岛划分方法
CN105323166B (zh) 一种面向云计算的基于网络能效优先的路由方法
CN110429649A (zh) 考虑灵活性的高渗透率可再生能源集群划分方法
CN106779198A (zh) 一种道路拥堵情况分析方法
CN108564592A (zh) 基于动态多种群集成差分进化算法的图像分割方法
CN107197006A (zh) 基于全局QoS分解的多约束服务选取方法及其装置
CN106230827B (zh) 一种基于成本效益优化的多目标服务组合方法
CN106777449A (zh) 基于二进制粒子群算法的配电网络重构方法
CN108832615A (zh) 一种基于改进二进制粒子群算法的配电网重构方法及系统
CN107219824B (zh) 基于滚动窗口调度技术的软件机器人集成控制调度方法
CN110308993A (zh) 一种基于改进遗传算法的云计算资源分配方法
CN103561457B (zh) 一种异构无线网络协作通信中的多目标网络功率分配方法
CN107276664A (zh) 基于门限式负载的混合虚网映射方法
CN112348323A (zh) 一种多目标的能源供应与作业柔性排程方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210706

CF01 Termination of patent right due to non-payment of annual fee