• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 15
    • 下载费用:30 金币  

    重庆时时彩后一趋势图: 一种提高遗传算法的时间效率的方法及装置、用户设备.pdf

    关 键 词:
    一种 提高 遗传 算法 时间 效率 方法 装置 用户 设备
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201611187054.9

    申请日:

    2016.12.20

    公开号:

    CN106815640A

    公开日:

    2017.06.09

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06N 3/12申请日:20161220|||公开
    IPC分类号: G06N3/12 主分类号: G06N3/12
    申请人: 深圳先进技术研究院
    发明人: 贝振东; 喻之斌; 曾经纬; 须成忠; 张慧玲
    地址: 518055 广东省深圳市南山区西丽大学城学苑大道1068号
    优先权:
    专利代理机构: 深圳市科进知识产权代理事务所(普通合伙) 44316 代理人: 赵勍毅
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201611187054.9

    授权公告号:

    |||

    法律状态公告日:

    2017.07.04|||2017.06.09

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明实施例公开了一种提高遗传算法的时间效率的方法及装置、用户设备,该方法包括:通过获取第一种群的适应度矩阵及适应度平均值,再将第一种群进入遗传算法迭代搜索过程,具体先将第一种群通过遗传算法计算产生第二种群,再将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算,直至产生第三种群,其中,第三种群中所有个体的适应度都大于所述适应度平均值,再判断第三种群是否为最优解,如果不是最优解,则视第三种群为新的第一种群获取其适应度矩阵及适应度平均值进入下一个遗传算法的迭代搜索过程,直至得到最优解。本发明实施例能够有效节约时间成本,提高搜索算法的时间效率。

    权利要求书

    1.一种提高遗传算法的时间效率的方法,其特征在于,包括:
    获取第一种群和第一种群的适应度矩阵及适应度平均值,并进入遗传算法的迭代搜索
    过程;
    将第一种群通过遗传算法计算产生第二种群;
    将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算,直至产生第
    三种群,其中,第三种群中所有个体的适应度都大于所述适应度平均值;所述机器学习回归
    模型是根据初始种群的适应度矩阵选取的机器学习算法构建的,用于对种群的适应度预
    测;
    判断第三种群是否为最优解,如果不是最优解,则视第三种群为新的第一种群获取其
    适应度矩阵及适应度平均值进入下一个遗传算法的迭代搜索过程,直至得到最优解。
    2.根据权利要求1所述的方法,其特征在于,所述获取第一种群和第一种群的适应度矩
    阵及适应度平均值的步骤包括:
    随机产生初始种群作为第一种群;
    根据预设的适应度评估函数对第一种群进行适应度评估,并计算得到第一种群适应度
    矩阵及适应度平均值。
    3.根据权利要求2所述的方法,其特征在于,所述根据预设的适应度评估函数对所述初
    始种群进行适应度评估,并计算得到初始种群适应度矩阵及种群适应度平均值的步骤之后
    还包括:
    根据初始种群的适应度矩阵构建关于适应度预测的机器学习回归模型,所述机器学习
    回归模型用于对种群的适应度预测。
    4.根据权利要求3所述的方法,其特征在于,所述根据初始种群的适应度矩阵构建关于
    适应度预测的机器学习回归模型的步骤包括:
    通过五折的交叉验证的方法进行机器学习算法的验证手段,从机器学习算法中选择精
    度最高的机器学习算法作为构建关于适应度值的模型的算法,构建出关于适应度预测的机
    器学习回归模型。
    5.根据权利要求1-4所述的方法,其特征在于,所述将第二种群通过机器学习回归模型
    进行适应度预测及遗传算法进行计算,直至产生第三种群的步骤包括:
    将第二种群通过机器学习回归模型进行适应度预测,并将适应度低于所述适应度平均
    值的个体通过遗传算法产生新的个体,再将新的个体通过所述机器学习回归模型进行适应
    度预测,直至产生第三种群,其中,第三种群中所有个体的适应度都大于所述适应度平均
    值。
    6.一种提高遗传算法的时间效率的装置,其特征在于,包括:
    获取???,用于获取第一种群和第一种群的适应度矩阵及适应度平均值,并进入遗传
    算法的迭代搜索过程;以及获取第三种群的适应度矩阵及适应度平均值,并进入下一个遗
    传算法的迭代搜索过程;
    第二种群产生???,用于将第一种群通过遗传算法计算产生第二种群;
    第三种群产生???,用于将第二种群通过机器学习回归模型进行适应度预测及遗传算
    法进行计算,直至产生第三种群,其中,第三种群中所有个体的适应度都大于所述适应度平
    均值;所述机器学习回归模型是根据初始种群选取的机器学习算法构建的,用于对种群的
    适应度预测;
    判断???,用于第三种群是否为最优解。
    7.根据权利要求6所述的装置,其特征在于,所述获取??榘ǎ?br />初始种群产生单元,用于随机产生初始种群作为第一种群;
    适应度评估单元,用于根据预设的适应度评估函数对第一种群进行适应度评估,并计
    算得到第一种群适应度矩阵及适应度平均值。
    8.根据权利要求7所述的装置,其特征在于,所述装置还包括:
    机器学习回归模型构建???,用于根据初始种群的适应度矩阵构建关于适应度预测的
    机器学习回归模型,所述机器学习回归模型用于对种群的适应度预测。
    9.根据权利要求8所述的装置,其特征在于,所述第三种群产生??榘ǎ?br />适应度预测单元,用于将第二种群通过机器学习回归模型进行适应度预测;
    新个体产生单元,用于将适应度低于所述适应度平均值的个体通过遗传算法产生新的
    个体;
    其中,所述适应度预测单元还用于将新个体产生单元产生的新的个体通过所述机器学
    习回归模型进行适应度预测。
    10.一种用户设备,其特征在于,包括权利要求6~9任意一项所述的提高遗传算法的时
    间效率的装置。

    说明书

    一种提高遗传算法的时间效率的方法及装置、用户设备

    技术领域

    本发明涉及遗传和计算机技术领域,尤其涉及一种提高遗传算法的时间效率的方
    法及装置、用户设备。

    背景技术

    目前,一般的遗传算法是一个迭代搜索的过程,通过多次迭代将初始的种群进化
    至一个接近用户设定的优化目标的种群。在迭代的过程中,算法会不断产生新的种群然后
    进行个体评估,评估后经过遗传算法的个体选择,杂交和变异的操作淘汰掉弱势个体产生
    新的个体,新的个体会再次评估。这样的迭代优化过程并没有预先分析和估计产生的新的
    个体的适应度,而是直接通过用户的适应度函数进行计算,如果用户提供的适应度函数计
    算适应度的过程非常耗时,那么这种没有预先分析和估计产生新的个体适应度好坏程度的
    做法将耗费特别长的时间,特别是用户设定的种群数量非常大的情况,更会加剧这一搜索
    过程的时间代价。

    发明内容

    本发明实施例公开了一种提高遗传算法的时间效率的方法及装置、用户设备,有
    利于提高遗传算法的时间效率。

    本发明实施例第一方面公开一种提高遗传算法的时间效率的方法,包括:

    获取第一种群和第一种群的适应度矩阵及适应度平均值,并进入遗传算法的迭代
    搜索过程;

    将第一种群通过遗传算法计算产生第二种群;

    将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算,直至产
    生第三种群,其中,第三种群中所有个体的适应度都大于所述适应度平均值;所述机器学习
    回归模型是根据初始种群的适应度矩阵选取的机器学习算法构建的,用于对种群的适应度
    预测;

    判断第三种群是否为最优解,如果不是最优解,则视第三种群为新的第一种群获
    取其适应度矩阵及适应度平均值进入下一个遗传算法的迭代搜索过程,直至得到最优解。

    作为一种可选的实施方式,在本发明实施例第一方面中,所述方法在获取第一种
    群和第一种群的适应度矩阵及适应度平均值的步骤包括:

    随机产生初始种群作为第一种群;

    根据预设的适应度评估函数对第一种群进行适应度评估,并计算得到第一种群适
    应度矩阵及适应度平均值。

    作为一种可选的实施方式,在本发明实施例第一方面中,在根据预设的适应度评
    估函数对所述初始种群进行适应度评估,并计算得到初始种群适应度矩阵及种群适应度平
    均值的步骤之后,所述方法还包括:

    根据初始种群的适应度矩阵构建关于适应度预测的机器学习回归模型,所述机器
    学习回归模型用于对种群的适应度预测。

    作为一种可选的实施方式,在本发明实施例第一方面中,所述方法中根据初始种
    群的适应度矩阵构建关于适应度预测的机器学习回归模型的步骤包括:

    通过五折的交叉验证的方法进行机器学习算法的验证手段,从机器学习算法中选
    择精度最高的机器学习算法作为构建关于适应度值的模型的算法,构建出关于适应度预测
    的机器学习回归模型。

    作为一种可选的实施方式,在本发明实施例第一方面中,所述方法中将第二种群
    通过机器学习回归模型进行适应度预测及遗传算法进行计算,直至产生第三种群的步骤包
    括:

    将第二种群通过机器学习回归模型进行适应度预测,并将适应度低于所述适应度
    平均值的个体通过遗传算法产生新的个体,再将新的个体通过所述机器学习回归模型进行
    适应度预测,直至产生第三种群,其中,第三种群中所有个体的适应度都大于所述适应度平
    均值。

    本发明实施例第二方面公开一种提高遗传算法的时间效率的装置,包括:

    获取???,用于获取第一种群和第一种群的适应度矩阵及适应度平均值,并进入
    遗传算法的迭代搜索过程;以及获取第三种群的适应度矩阵及适应度平均值,并进入下一
    个遗传算法的迭代搜索过程;

    第二种群产生???,用于将第一种群通过遗传算法计算产生第二种群;

    第三种群产生???,用于将第二种群通过机器学习回归模型进行适应度预测及遗
    传算法进行计算,直至产生第三种群,其中,第三种群中所有个体的适应度都大于所述适应
    度平均值;所述机器学习回归模型是根据初始种群选取的机器学习算法构建的,用于对种
    群的适应度预测;

    判断???,用于第三种群是否为最优解。

    作为一种可选的实施方式,在本发明实施例第二方面中,所述获取??榘ǎ?br />

    初始种群产生单元,用于随机产生初始种群作为第一种群;

    适应度评估单元,用于根据预设的适应度评估函数对第一种群进行适应度评估,
    并计算得到第一种群适应度矩阵及适应度平均值。

    作为一种可选的实施方式,在本发明实施例第二方面中,所述装置还包括:

    机器学习回归模型构建???,用于根据初始种群的适应度矩阵构建关于适应度预
    测的机器学习回归模型,所述机器学习回归模型用于对种群的适应度预测。

    作为一种可选的实施方式,在本发明实施例第二方面中,所述第三种群产生???br />包括:

    适应度预测单元,用于将第二种群通过机器学习回归模型进行适应度预测;

    新个体产生单元,用于将适应度低于所述适应度平均值的个体通过遗传算法产生
    新的个体;

    其中,所述适应度预测单元还用于将新个体产生单元产生的新的个体通过所述机
    器学习回归模型进行适应度预测。

    本发明实施例第三方面公开一种用户设备,包括本发明实施例第二方面公开的所
    述提高遗传算法的时间效率的装置。

    与现有技术相比,本发明实施例具备以下有益效果:

    本发明实施例中,通过获取第一种群的适应度矩阵及适应度平均值,再将第一种
    群进入遗传算法迭代搜索过程,具体先将第一种群通过遗传算法计算产生第二种群,再将
    第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算,直至产生第三种
    群,其中,第三种群中所有个体的适应度都大于所述适应度平均值,再判断第三种群是否为
    最优解,如果不是最优解,则视第三种群为新的第一种群获取其适应度矩阵及适应度平均
    值进入下一个遗传算法的迭代搜索过程,直至得到最优解。本发明实施例能够通过预先分
    析和预测产生的新的个体的适应度,进而淘汰大量的适应度差的个体,在用户的适应度函
    数计算时间代价太大、种群多的情况下,本发明实施例所描述的方法能有效的节约时间成
    本,提高搜索算法的时间效率。

    附图说明

    为了更清楚地说明本发明实施例中的技术方案,下面将对实施例中所需要使用的
    附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领
    域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附
    图。

    图1是本发明实施例公开的一种提高遗传算法的时间效率的方法的流程示意图;

    图2是本发明实施例公开的另一种提高遗传算法的时间效率的方法的流程示意
    图;

    图3是本发明实施例公开的一种提高遗传算法的时间效率的装置的结构示意图;

    图4是本发明实施例公开的另一种提高遗传算法的时间效率的装置的结构示意
    图;

    图5是本发明实施例公开的一种用户设备的结构示意图。

    具体实施方式

    下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完
    整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例?;诒?br />发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实
    施例,都属于本发明?;さ姆段?。

    需要说明的是,本发明实施例的术语“包括”和“具有”以及他们的任何变形,意图
    在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不
    必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方
    法、产品或设备固有的其它步骤或单元。

    本发明实施例公开了一种提高遗传算法的时间效率的方法及装置、用户设备,有
    利于提高遗传算法的时间效率,节约时间成本。以下进行结合附图进行详细描述。

    实施例一

    请参阅图1,图1是本发明实施例公开的一种提高遗传算法的时间效率的方法的流
    程示意图。如图1所示,该提高遗传算法的时间效率的方法可以包括以下步骤:

    101、获取第一种群和第一种群的适应度矩阵及适应度平均值,并进入遗传算法的
    迭代搜索过程;

    获取第一种群,如果是遗传算法的第一次迭代搜索过程,则第一种群为初始种群,
    初始种群可以由用户提供,也可以是随机产生的,此处不做限制。如果不是遗传算法的第一
    次迭代搜索过程,那么,第一种群为上一次迭代搜索过程中产生的新的种群。

    获取第一种群的适应度矩阵,即先对第一种群的适应度进行评估,再根据评估结
    果计算出第一种群的适应度平均值。然后第一种群进入遗传算法的迭代搜索过程。

    102、将第一种群通过遗传算法计算产生第二种群;

    第一种群通过遗传算法计算,即通过个体的选择,杂交和变异的操作产生新的种
    群。

    103、将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算,直
    至产生第三种群;

    新产生的第二种群,通过机器学习回归模型进行适应度预测,并将适应度低于所
    述适应度平均值的个体通过遗传算法产生新的个体,再将新的个体通过机器学习回归模型
    进行适应度预测,直至产生第三种群,其中,第三种群中所有个体的适应度都大于在步骤
    101中获取的第一种群的适应度平均值。并且,机器学习回归模型是根据初始种群的适应度
    矩阵选取的机器学习算法构建的,用于对种群的适应度预测。

    104、判断第三种群是否为最优解;

    判断遗传算法迭代搜索过程结束后产生的新的种群,即步骤103中产生的种群是
    不是本遗传算法的最优解,如果为最优解,则流程结束;如果不是最优解,则视第三种群为
    新的第一种群获取其适应度矩阵及适应度平均值进入下一个遗传算法的迭代搜索过程,即
    返回步骤102,直至得到最优解。

    在图1所描述的方法,通过获取第一种群的适应度矩阵及适应度平均值,再将第一
    种群进入遗传算法迭代搜索过程,具体先将第一种群通过遗传算法计算产生第二种群,再
    将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算,直至产生第三种
    群,其中,第三种群中所有个体的适应度都大于所述适应度平均值,再判断第三种群是否为
    最优解,如果不是最优解,则视第三种群为新的第一种群获取其适应度矩阵及适应度平均
    值进入下一个遗传算法的迭代搜索过程,直至得到最优解??杉?,图1描述的方法通过预先
    分析和预测产生的新的个体的适应度,进而淘汰大量的适应度差的个体,在用户的适应度
    函数计算时间代价太大、种群多的情况下,图1描述的方法能有效的节约时间成本,提高搜
    索算法的时间效率。

    实施例二

    请参阅图2,图2是本发明实施例公开的另一种提高遗传算法的时间效率的方法的
    流程示意图。如图2所示,该提高遗传算法的时间效率的方法可以包括以下步骤:

    201、随机产生初始种群作为第一种群;

    如果是遗传算法的第一次迭代搜索过程,首先随机产生初始种群作为第一种群;
    例如,第一种群为:


    202、根据预设的适应度评估函数对第一种群进行适应度评估,并计算得到第一种
    群适应度矩阵及适应度平均值;

    适应度评估的函数一般由用户提供,适应度评估函数的功能是计算输入的每一个
    个体的适应度值,通过适应度评估函数计算输入的每个个体的适应度值S,最终得到一个适
    应度矩阵:


    同时可以计算得到种群的适应度平均值=(S1+S2+…Sm)/m。

    203、根据第一种群的适应度矩阵构建关于适应度预测的机器学习回归模型;

    当初始种群评估完后,会得到一个适应度矩阵,利用这个矩阵构建一个合适的关
    于适应度的机器学习回归模型,在构建模型之前,本发明实施例增加了一个模型选择的过
    程,通过该过程可以在通用的机器学习算法中选择一个合适的算法构建关于适应度的模
    型,该模型能够实现较高的预测精度,能准确地预测产生的新个体的适应度值。本实施例中
    通过五折的交叉验证的方法进行机器学习算法的验证手段,从比较流行的机器学习算法,
    例如:支持向量机、回归树、随机森林以及人工神经网络等等算法中选择精度最高的机器学
    习算法作为构建关于适应度值的模型的算法。当选择了合适的算法后,就利用该算法构建
    关于适应度的机器学习回归模型。

    204、将第一种群通过遗传算法计算产生第二种群;

    第一种群通过遗传算法计算,即通过个体的选择,杂交和变异的操作产生新的种
    群。

    205、通过机器学习回归模型进行适应度预测;

    将当前的种群通过机器学习回归模型进行适应度预测。

    206、判断第二种群中个体的适应度是否高于适应度平均值;

    通过机器学习回归模型进行适应度预测后,再判断当前种群中个体的适应度是否
    高于适应度平均值,如果是,则执行步骤208,如果否,则执行步骤207。

    207、将适应度低于适应度平均值的个体通过遗传算法产生新的个体;

    对于适应度值低于适应度平均值的个体将被提前淘汰,被淘汰的个体将通过遗传
    算法的选择,杂交和变异过程产生新的个体。再返回步骤205通过机器学习回归模型进行适
    应度预测,直到适应度是否高于适应度平均值。

    208、生成第三种群;

    如果当前种群中个体的适应度高于适应度平均值,则当前种群为第三种群。

    209、判断第三种群是否为最优解,如果是,则执行步骤211结束流程,如果否,则执
    行步骤210。

    210、视第三种群为新的第一种群获取其适应度矩阵及适应度平均值进入下一个
    遗传算法的迭代搜索过程;

    如果第三种群中个体的适应度高于适应度平均值,但还不是本遗传算法的最优
    解,则获取第三种群的适应度矩阵及适应度平均值,并进入到下一个遗传算法的迭代搜索
    过程。返回步骤204,直至得到最优解。

    其中,实施图2所描述的方法能够通过预先分析和预测产生的新的个体的适应度,
    进而淘汰大量的适应度差的个体,在用户的适应度函数计算时间代价太大、种群多的情况
    下,图2描述的方法能有效的节约时间成本,提高搜索算法的时间效率。

    实施例三

    请参阅图3,图3是本发明实施例公开的一种提高遗传算法的时间效率的装置的结
    构示意图。如图3所示,该提高遗传算法的时间效率的装置可以包括:

    获取???01,用于获取第一种群和第一种群的适应度矩阵及适应度平均值,并进
    入遗传算法的迭代搜索过程?;袢〉谝恢秩?,如果是遗传算法的第一次迭代搜索过程,则第
    一种群为初始种群,初始种群可以由用户提供,也可以是随机产生的,此处不做限制。如果
    不是遗传算法的第一次迭代搜索过程,那么,第一种群为上一次迭代搜索过程中产生的新
    的种群?;袢〉谝恢秩旱氖视Χ染卣?,即先对第一种群的适应度进行评估,再根据评估结果
    计算出第一种群的适应度平均值。然后第一种群进入遗传算法的迭代搜索过程。

    第二种群产生???02,用于将第一种群通过遗传算法计算产生第二种群,即通过
    个体的选择,杂交和变异的操作产生新的种群。

    第三种群产生???03,用于将第二种群通过机器学习回归模型进行适应度预测
    及遗传算法进行计算,直至产生第三种群。新产生的第二种群,通过机器学习回归模型进行
    适应度预测,并将适应度低于所述适应度平均值的个体通过遗传算法产生新的个体,再将
    新的个体通过机器学习回归模型进行适应度预测,直至产生第三种群,其中,第三种群中所
    有个体的适应度都大于在获取???01获取的第一种群的适应度平均值。并且,机器学习回
    归模型是根据初始种群的适应度矩阵选取的机器学习算法构建的,用于对种群的适应度预
    测。其中,第三种群中所有个体的适应度都大于适应度平均值;并且机器学习回归模型是根
    据初始种群选取的机器学习算法构建的,用于对种群的适应度预测。

    判断???04,用于第三种群是否为最优解。

    获取???01,还用于获取第三种群的适应度矩阵及适应度平均值,并进入下一个
    遗传算法的迭代搜索过程。如果判断???04判断出第三种群不是当前遗传算法的最优解,
    则视第三种群为新的第一种群获取其适应度矩阵及适应度平均值进入下一个遗传算法的
    迭代搜索过程。

    在图3所描述的装置,获取???01获取第一种群的适应度矩阵及适应度平均值,
    再将第一种群进入遗传算法迭代搜索过程,具体第二种群产生???02先将第一种群通过
    遗传算法计算产生第二种群,第三种群产生???03再将第二种群通过机器学习回归模型
    进行适应度预测及遗传算法进行计算,直至产生第三种群,其中,第三种群中所有个体的适
    应度都大于适应度平均值,再由判断???04判断第三种群是否为最优解,如果不是最优
    解,则视第三种群为新的第一种群由获取???01获取其适应度矩阵及适应度平均值进入
    下一个遗传算法的迭代搜索过程,直至得到最优解??杉?,图3所示装置通过预先分析和预
    测产生的新的个体的适应度,进而淘汰大量的适应度差的个体,在用户的适应度函数计算
    时间代价太大、种群多的情况下,图3所示的装置能有效的节约时间成本,提高搜索算法的
    时间效率。

    实施例四

    请参阅图4,图4是本发明实施例公开的另一种提高遗传算法的时间效率的装置的
    结构示意图。其中,图4所示的提高遗传算法的时间效率的装置是由于图3所示的提高遗传
    算法的时间效率的装置进行优化得到的。与图3所示的提高遗传算法的时间效率的装置相
    比,图4所示的提高遗传算法的时间效率的装置还可以包括:

    机器学习回归模型构建???02,用于根据初始种群的适应度矩阵构建关于适应
    度预测的机器学习回归模型,其中,机器学习回归模型用于对种群的适应度预测。具体的,
    利用这个适应度矩阵构建一个合适的关于适应度的机器学习回归模型,在构建模型之前,
    本发明实施例增加了一个模型选择的过程,通过该过程可以在通用的机器学习算法中选择
    一个合适的算法构建关于适应度的模型,该模型能够实现较高的预测精度,能准确地预测
    产生的新个体的适应度值。本实施例中通过五折的交叉验证的方法进行机器学习算法的验
    证手段,从比较流行的机器学习算法,例如:支持向量机、回归树、随机森林以及人工神经网
    络等等算法中选择精度最高的机器学习算法作为构建关于适应度值的模型的算法。当选择
    了合适的算法后,就利用该算法构建关于适应度的机器学习回归模型。

    进一步的,获取???01包括:

    初始种群产生单元3011,用于随机产生初始种群作为第一种群。

    适应度评估单元3012,用于根据预设的适应度评估函数对第一种群进行适应度评
    估,并计算得到第一种群适应度矩阵及适应度平均值。

    进一步的,第三种群产生???04包括:

    适应度预测单元3041,用于将第二种群通过机器学习回归模型进行适应度预测。

    新个体产生单元3042,用于将适应度低于适应度平均值的个体通过遗传算法产生
    新的个体。

    其中,适应度预测单元3041还用于将新个体产生单元产生的新的个体通过机器学
    习回归模型进行适应度预测。

    其中,本实施例中描述的装置,通过初始种群适应度矩阵构建一个合适的关于适
    应度的机器学习回归模型,能够通过预先分析和预测产生的新的个体的适应度,进而淘汰
    大量的适应度差的个体,在用户的适应度函数计算时间代价太大、种群多的情况下,图4所
    示的装置能有效的节约时间成本,提高搜索算法的时间效率。

    实施例五

    请参阅图5,图5是本发明实施例公开的一种用户设备的结构示意图。其中,图5所
    示的用户设备包括图3~图4任意一种提高遗传算法的时间效率的装置。实施图5所示的用
    户设备,能够通过预先分析和预测产生的新的个体的适应度,进而淘汰大量的适应度差的
    个体,在用户的适应度函数计算时间代价太大、种群多的情况下,图5所示的用户设备能有
    效的节约时间成本,提高搜索算法的时间效率。

    本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可
    以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储
    介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,
    RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存
    储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-
    time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器
    (Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact
    Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够
    用于携带或存储数据的计算机可读的任何其他介质。

    以上对本发明实施例公开的一种提高遗传算法的时间效率的方法及装置、用户设
    备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上
    实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技
    术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本
    说明书内容不应理解为对本发明的限制。

    关于本文
    本文标题:一种提高遗传算法的时间效率的方法及装置、用户设备.pdf
    链接地址://www.4mum.com.cn/p-6021351.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 9码倍投 75秒疯狂赛车全天计划 卡红是什么意思 新时时和老时时的区别 稳赚平特三期最少开一期 幸运飞艇计划哪个比较稳呢 pk10不定位345678技巧 长期稳定六肖 大乐透算法 新宝时时彩自动投注工具 超神冠军单双计划 北京pk赛车技巧论坛 11选5前三胆拖投注表 原创三十六码特围的网址 11选5稳赚投注方法 平肖平平肖平码独家首发