基于遗传蚁群混合算法的视频服务器选址方法技术

本发明专利技术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。本发明专利技术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。

【技术实现步骤摘要】
基于遗传蚁群混合算法的视频服务器选址方法
本专利技术涉及计算机执行设施选址
，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。
技术介绍
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-DeterministicPolynomial,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。
技术实现思路
本专利技术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，本专利技术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，Travellingsalesman)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。本专利技术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，这是由于本专利技术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；本专利技术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，这是由于本专利技术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为表示本专利技术的详细流程图；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专利技术作进一步的详细说明：本专利技术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，本专利技术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，而本专利技术采用的是多精本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：阮幼林，朱奇奇，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北,42