CN104462853A - 用于电子病历特征提取的种群精英分布云协同均衡方法 - Google Patents

Abstract

本发明公开一种用于电子病历特征提取的种群精英分布云协同均衡方法。该方法首先在分布式云计算MapReduce框架下将大规模电子病历分割到不同的进化子种群中,提取各子种群最优解Psolu_i；然后设计一种有限理性区域下N种群精英均衡优势策略，构建分布式协同化动态精英演化区域Ω，使参与电子病历特征提取的各子种群精英在各自平均权重概率下均能达到Nash均衡下优势区域Ζ；最后各子种群精英采用并行操作<key_i,value_i>机制在各自电子病区优势子区域中协同提取特征子集F_i，从而稳定取得电子病历全局均衡特征集。本发明能较好处理大规模电子病历数据属性间多维度复杂内联关系，提高大规模电子病历特征并行提取效率。

Description

用于电子病历特征提取的种群精英分布云协同均衡方法

技术领域：

本发明涉及到医学信息智能处理领域，具体来说涉及用于电子病历特征提取的种群精英分布云协同均衡方法。

背景技术：

电子病历系统中存储的医疗数据隐含着大量有用信息，提取出其中重要的医学特征和诊断规则是形成计算机智能临床决策支持系统的关键，是众多电子病历智能应用的核心支撑技术。由于电子病历系统中医疗数据属性所具有的大规模性、多样性、不确定性和动态性等，给电子病历特征的准确提取带来了较大困难，因此迫切需要考虑给出有效的方法来解决大规模复杂电子病历特征提取问题。

然而目前大部分大规模并行特征提取算法是假设所有数据一次性装入内存中的，这显然无法满足和适应当前医疗信息系统中大规模电子病历数据特征提取的处理需求，而且目前现有的大部分特征提取算法对大规模电子病历特征提取时均存在着消耗时间和空间量较大，无法处理病历数据属性间多维度复杂的内联关系，且往往不能保证最终提取的病历特征集为所求目标的最优病历特征集等问题，这将意味着目前一般的特征提取算法不能够有效地应用到实际大规模电子病历多模式多角度特征提取中。在大数据背景下开展大规模电子病历特征提取方法研究，是目前电子病历智能处理研究所面临的新挑战。

发明内容：

本发明的目的是提供一种具有较好适应性和可行性、具有较强全局收敛稳定性、具有较好可扩展性的用于电子病历特征提取的种群精英分布云协同均衡方法。

本发明通过以下的技术方案实现的：

一种用于电子病历特征提取的种群精英分布云协同均衡方法，具体步骤如下：

A、基于分布式云计算MapReduce框架将大规模电子病历自适应划分至各子种群Subpopulation_i中，采用量子蛙跳算法QSFLA作为各个子种群进化算法，分别进行各子种群Subpopulation_i演化，取得参与电子病历特征提取的各子种群最优解Psolu_i，从而形成种群全局最优集为

PSOLU＝Psolu₁+Psolu₂+....+Psolu_i+...+Psolu_N；

B、设计一种有限理性区域下N种群精英均衡优势策略，构建分布式协同化动态精英演化区域Ω，使参与电子病历特征提取的各子种群精英在各自平均权重概率下均能达到Nash均衡下优势区域Ζ；

C、构造大规模电子病历相应病症的形式背景并映射至进化种群空间，建立电子病历特征提取进化目标优化模型C(x)为电子病历特征函数，x_i为电子病历映射到种群空间的特征值,将电子病历特征提取优化问题转化为进化种群精英在Nash均衡下优势区域目标寻优问题；

D、基于云计算的MapReduce框架，各子种群精英结合分布式协同云模型下各子种群并行操作<key_i,value_i>机制对，提取各个划分的电子病历子区域特征子集F_i；

E、根据进化子种群精英在各自对应的电子病历子区域上提取的特征子集F_i，获取电子病历全局均衡特征集为

F、评估提取出的电子病历全局均衡特征集，输出电子病历全局均衡优势特征集F_opt。

本发明的进一步改进在于：步骤A具体为：基于分布式云计算MapReduce框架的大规模电子病历自适应划分实现方法，该方法将大规模电子病历自适应划分至各子种群Subpopulation_i，采用量子蛙跳算法QSFLA作为各个子种群进化算法进行各子种群演化，取得参与电子病历特征提取的各子种群最优解Psolu_i，从而形成全局最优特征集，其步骤如下：

1)、使用云计算的MapReduce框架,将整个进化种群分割成N个子种群Subpopulation₁,…,Subpopulation_i…,Subpopulation_N；

2)、每个子种群Subpopulation_i与左右相邻近的分布式协同子种群Subpopulation_i-1和Subpopulation_i+1共享各自最优解，加速整个种群的并行协同优化能力；

3)、采用量子蛙跳算法QSFLA作为各个子种群Subpopulation_i进化算法，在每次迭代结束，每个子种群以自适应概率p_i产生其最优解Psolu_i，其中自适应概率p_i表示在MapReduce框架上<key_i,value_i>动态概率，其计算公式定义如下：

$p_i=\left|\frac{f_{\mathrm{ELITIST}}+{\mathrm{\&omega;}}_i{f}_{{\mathrm{Elitist}}_i}}{f_{\mathrm{ELITIST}}}\right|,$ 其中 ${\mathrm{\&omega;}}_i=\left|\frac{f_{{\mathrm{Elitist}}_i}}{\frac{1}{r}\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}{f}_j}\right|$

公式中f_j为子种群Subpopulation_i中第j个一般协同进化个体的最优适应度，r为子种群Subpopulation_i中协同进化个体总数，为子种群Subpopulation_i中局部精英的最优适应度，f_ELITIST为整个种群全局精英的最优适应度；

4)、建立MapReduce框架下各子种群Subpopulation_i的并行操作<key_i,value_i>键值，其计算如下：

${\mathrm{key}}_i=p_i+\left|\frac{f_{\mathrm{ELITIST}}+{\mathrm{\&omega;}}_i{f}_{{\mathrm{Elitist}}_i}}{f_{\mathrm{ELITIST}}}\right|,$

value_i＝w_i×key_i；

5)、采用存档策略记录下每个子种群Subpopulation_i参与电子病历特征提取的最优解Psolu_i，然后将所有子种群最优解协同演化成整个种群全局整体最优解PSOLU，其计算公式定义如下：

PSOLU＝Psolu₁+Psolu₂+....+Psolu_i+...+Psolu_N，

其中 ${\mathrm{Psolu}}_i=\left[\begin{array}{c}{\mathrm{Psolu}}_{i1}\\ {\mathrm{Psolu}}_{i2}\\ ...\\ {\mathrm{Psolu}}_{\mathrm{ii}}\end{array}\right]\&times;\begin{array}{c}\left[\begin{array}{cc}\frac{{\mathrm{key}}_1}{{\mathrm{value}}_1}& \frac{{\mathrm{key}}_2}{{\mathrm{value}}_2}...\frac{{\mathrm{key}}_i}{{\mathrm{value}}_i}\end{array}\right]\end{array}.$

本发明的进一步改进在于：步骤B具体为：有限理性区域下N种群精英均衡优势策略实现方法，该方法设计一种在有限理性区域下N种群精英均衡优势策略，构建分布式协同化动态精英演化区域Ω，使参与电子病历特征提取的各子种群精英在各自平均权重概率下均能达到Nash均衡下优势区域Ζ，其步骤如下：

1)、初始化N个种群的有限理性区域为Ω，有限理性区域边界Region₁为α_i,有限理性区域边界Region_N为β_i,且两个区域边界满足协同进化精英的适应度极值范围，为第i个精英最小适应度，为第i个精英最大适应度，从而取得有限理性区域Ω为

$\mathrm{\&Omega;}=\underset{i=1}{\overset{N}{\&cup;}}[{\mathrm{\&alpha;}}_i,{\mathrm{\&beta;}}_i];$

2)、以第p个邻域精英为基本精英点,则其有限理性区域边界为，为第p个邻域精英最小适应度，为第p个邻域精英最大适应度，那么对于m个邻域精英集,则有限理性区域Ω调整为动态精英区域如下:

$\mathrm{\&Omega;}=\underset{i=1,i\&NotEqual;p}{\overset{N-m}{\&cup;}}[{\mathrm{\&alpha;}}_i,{\mathrm{\&beta;}}_i]\&times;\underset{p}{\overset{m}{\&cup;}}[f_p^{\min },f_p^{\max }];$

3)、判断动态精英区域Ω中第i个精英精英解f_j(x_i)能否进入稳定的Nash均衡解集[α_i,β_i],其判断公式如下：

$a_{\mathrm{ij}}=\left\{\begin{array}{cc}1,& {\mathrm{\&alpha;}}_i\&le;f_j\left(x_i\right)\&le;{\mathrm{\&beta;}}_i;\\ 0,& \mathrm{other}.\end{array}\right.$

4)、调整精英Nash均衡区域边界半径r_i为

$r_i=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{\left(\frac{a_{\mathrm{ij}}\&times;\min \left(\right|f_j\left(x_i\right)-{\mathrm{\&alpha;}}_i|,|f_j\left(x_i\right)-{\mathrm{\&beta;}}_i\left|\right)}{|f_i^{\max }-f_i^{\min }|}\right)}^2};$

5)、构建有限理性区域下N种群精英进入稳定Nash均衡优势区域策略，首先设定P_ni为子种群精英在均衡区域边界半径r_i-δ_i范围内的概率，其中δ_i为边界半径移动值，且满足δ_i<|α_i-β_i|，P_pi为子种群精英在均衡区域边界半径r_i+δ_i范围内的概率；然后计算子种群所有平均权重概率得分WAPS为

$\mathrm{WAPS}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(\frac{c_i\&times;r_i}{w_i}\&times;{\log }_2\left(\frac{r_i}{w_i}\right)),$

其中 $w_i=\left\{\begin{array}{cc}1-P_{\mathrm{ni}},& 0\&le;c_i\&le;(r_i-{\mathrm{\&delta;}}_i);\\ 1-P_{\mathrm{pi}},& (r_i-{\mathrm{\&delta;}}_i)<c_i\&le;(r_i+{\mathrm{\&delta;}}_i).\end{array}\right.$ c_i为第i种群精英在均衡区域边界半径值；

6)、各子种群精英在各自平均权重概率下均能达到的Nash均衡下优势区域Ζ为 $Z=\frac{1}{\mathrm{WAPS}}\left(\underset{i=1}{\overset{N}{\&cup;}}(r_i\&times;w_i)\right).$

本发明与现有技术相比具有如下优点：

1、具有较好的适应性和可行性：

本发明面向大规模电子病历提出种群精英分布云协同模型能将大规模电子病历自适应划分至各子种群中，取得各子种群的最优解Psolu_i，从而协同演化成整个种群全局最优解PSOLU。该模型采用并行编程MapRduce模式进行结构化和非结构化的大规模电子病历并行特征提取，通过各子种群最佳协同策略大大提高云计算环境下大规模电子病历并行特征提取效率，保证最终提取电子病历特征集为所求目标的最优特征集，较好满足当前医疗信息系统中大规模且具有复杂关系的电子病历特征提取需求，该方法具有较好的适用性和可行性。

2、具有较强的全局收敛稳定性：

本发明提出的有限理性区域下N种群精英均衡优势策略对大规模电子病历进行特征提取处理，其实际就是在不失去数据原有价值的基础上进行电子病历最小特征集的选择，能有效降低电子病历构成中形式上下关系条件，解决大规模电子病历中不完整、不确定及动态多样未知值所表示的内涵集合问题，使电子病历特征提取中各子种群精英协同决策能有效收敛于Nash均衡区域。该策略能提高Nash均衡优势区域内各子种群精英在各自划分的电子病区子区域中提取最优特征子集性能，从而稳定提取Nash均衡下电子病历全局均衡优势特征集。这是目前一般特征选择方法所无法达到的全局收敛稳定效果。

3、具有较好的可扩展性：

本发明提出的用于大规模电子病历特征提取的种群精英分布云协同均衡优势方法，将为形成医疗决策支持系统和远程医疗智能分析系统提供重要的理论模型和求解方法支持。该方法是基于云计算平台进行设计的，因此可在云服务上进行各项功能的扩展，对基于该方法的电子病历系统任何功能维护、升级等操作都只需在云服务器端进行，因此具有大规模电子病历数据处理能力、面向服务需求以及硬件成本较低等优点。未来在以电子病历为重点的医学信息平台与以电子健康档案为核心的区域卫生信息平台对接后，利用该方法可在电子病历诊断系统中建立云计算环境下临床专科疾病的诊断规则知识库，有效协助医生在云平台下实现随需而得的临床决策支持服务。

附图说明

图1为本发明的总体结构图；

图2为基于分布式云计算MapReduce框架的子种群划分方法构造图；

图3为有限理性区域下N种群精英均衡优势策略实现方法示意图。

具体实施方式

为了加深对本发明的理解，下面将结合实施例和附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

一种用于电子病历特征提取的种群精英分布云协同均衡优势方法，具体步骤如下：

A、基于分布式云计算MapReduce框架将大规模电子病历自适应划分至各子种群Subpopulation_i中，采用量子蛙跳算法QSFLA作为各个子种群进化算法，分别进行各子种群Subpopulation_i演化，取得参与电子病历特征提取的各子种群最优解Psolu_i，从而形成种群全局最优集为

PSOLU＝Psolu₁+Psolu₂+....+Psolu_i+...+Psolu_N；

B、设计一种有限理性区域下N种群精英均衡优势策略，构建分布式协同化动态精英演化区域Ω，使参与电子病历特征提取的各子种群精英在各自平均权重概率下均能达到Nash均衡下优势区域Ζ；

C、构造大规模电子病历相应病症的形式背景并映射至进化种群空间，建立电子病历特征提取进化目标优化模型C(x)为电子病历特征函数，x_i为电子病历映射到种群空间的特征值,将电子病历特征提取优化问题转化为进化种群精英在Nash均衡下优势区域目标寻优问题；

D、基于云计算的MapReduce框架，各子种群精英结合分布式协同云模型下各子种群并行操作<key_i,value_i>机制对，提取各个划分的电子病历子区域特征子集F_i；

E、根据进化子种群精英在各自对应的电子病历子区域上提取的特征子集F_i，获取电子病历全局均衡特征集为

F、评估提取出的电子病历全局均衡特征集，输出电子病历全局均衡优势特征集F_opt。

其中，所述步骤A具体为：基于分布式云计算MapReduce框架的大规模电子病历自适应划分实现方法，该方法将大规模电子病历自适应划分至各子种群Subpopulation_i，采用量子蛙跳算法QSFLA作为各个子种群进化算法进行各子种群演化，取得参与电子病历特征提取的各子种群最优解Psolu_i，从而形成全局最优特征集，其步骤如下：

1)、使用云计算的MapReduce框架,将整个进化种群分割成N个子种群Subpopulation₁,…,Subpopulation_i…,Subpopulation_N；

2)、每个子种群Subpopulation_i与左右相邻近的分布式协同子种群Subpopulation_i-1和Subpopulation_i+1共享各自最优解，加速整个种群的并行协同优化能力；

3)、采用量子蛙跳算法QSFLA作为各个子种群Subpopulation_i进化算法，在每次迭代结束，每个子种群以自适应概率p_i产生其最优解Psolu_i，其中自适应概率p_i表示在MapReduce框架上<key_i,value_i>动态概率，其计算公式定义如下：

$p_i=\left|\frac{f_{\mathrm{ELITIST}}+{\mathrm{\&omega;}}_i{f}_{{\mathrm{Elitist}}_i}}{f_{\mathrm{ELITIST}}}\right|,$ 其中 ${\mathrm{\&omega;}}_i=\left|\frac{f_{{\mathrm{Elitist}}_i}}{\frac{1}{r}\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}{f}_j}\right|$

公式中f_j为子种群Subpopulation_i中第j个一般协同进化个体的最优适应度，r为子种群Subpopulation_i中协同进化个体总数，为子种群Subpopulation_i中局部精英的最优适应度，f_ELITIST为整个种群全局精英的最优适应度；

4)、建立MapReduce框架下各子种群Subpopulation_i的并行操作<key_i,value_i>键值，其计算如下：

${\mathrm{key}}_i=p_i+\left|\frac{f_{\mathrm{ELITIST}}+{\mathrm{\&omega;}}_i{f}_{{\mathrm{Elitist}}_i}}{f_{\mathrm{ELITIST}}}\right|,$

value_i＝w_i×key_i；

5)、采用存档策略记录下每个子种群Subpopulation_i参与电子病历特征提取的最优解Psolu_i，然后将所有子种群最优解协同演化成整个种群全局整体最优解PSOLU，其计算公式定义如下：

PSOLU＝Psolu₁+Psolu₂+....+Psolu_i+...+Psolu_N，

其中 ${\mathrm{Psolu}}_i=\left[\begin{array}{c}{\mathrm{Psolu}}_{i1}\\ {\mathrm{Psolu}}_{i2}\\ ...\\ {\mathrm{Psolu}}_{\mathrm{ii}}\end{array}\right]\&times;\begin{array}{c}\left[\begin{array}{cc}\frac{{\mathrm{key}}_1}{{\mathrm{value}}_1}& \frac{{\mathrm{key}}_2}{{\mathrm{value}}_2}...\frac{{\mathrm{key}}_i}{{\mathrm{value}}_i}\end{array}\right]\end{array}.$

其中，步骤B具体为：有限理性区域下N种群精英均衡优势策略实现方法，该方法设计一种在有限理性区域下N种群精英均衡优势策略，构建分布式协同化动态精英演化区域Ω，使参与电子病历特征提取的各子种群精英在各自平均权重概率下均能达到Nash均衡下优势区域Ζ，其步骤如下：

1)、初始化N个种群的有限理性区域为Ω，有限理性区域边界Region₁为α_i,有限理性区域边界Region_N为β_i,且两个区域边界满足协同进化精英的适应度极值范围，为第i个精英最小适应度，为第i个精英最大适应度，从而取得有限理性区域Ω为

$\mathrm{\&Omega;}=\underset{i=1}{\overset{N}{\&cup;}}[{\mathrm{\&alpha;}}_i,{\mathrm{\&beta;}}_i];$

2)、以第p个邻域精英为基本精英点,则其有限理性区域边界为，为第p个邻域精英最小适应度，为第p个邻域精英最大适应度，那么对于m个邻域精英集,则有限理性区域Ω调整为动态精英区域如下:

$\mathrm{\&Omega;}=\underset{i=1,i\&NotEqual;p}{\overset{N-m}{\&cup;}}[{\mathrm{\&alpha;}}_i,{\mathrm{\&beta;}}_i]\&times;\underset{p}{\overset{m}{\&cup;}}[f_p^{\min },f_p^{\max }];$

3)、判断动态精英区域Ω中第i个精英精英解f_j(x_i)能否进入稳定的Nash均衡解集[α_i,β_i],其判断公式如下：

$a_{\mathrm{ij}}=\left\{\begin{array}{cc}1,& {\mathrm{\&alpha;}}_i\&le;f_j\left(x_i\right)\&le;{\mathrm{\&beta;}}_i;\\ 0,& \mathrm{other}.\end{array}\right.$

4)、调整精英Nash均衡区域边界半径r_i为

$r_i=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{\left(\frac{a_{\mathrm{ij}}\&times;\min \left(\right|f_j\left(x_i\right)-{\mathrm{\&alpha;}}_i|,|f_j\left(x_i\right)-{\mathrm{\&beta;}}_i\left|\right)}{|f_i^{\max }-f_i^{\min }|}\right)}^2};$

5)、构建有限理性区域下N种群精英进入稳定Nash均衡优势区域策略，首先设定P_ni为子种群精英在均衡区域边界半径r_i-δ_i范围内的概率，其中δ_i为边界半径移动值，且满足δ_i<|α_i-β_i|，P_pi为子种群精英在均衡区域边界半径r_i+δ_i范围内的概率；然后计算子种群所有平均权重概率得分WAPS为

$\mathrm{WAPS}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(\frac{c_i\&times;r_i}{w_i}\&times;{\log }_2\left(\frac{r_i}{w_i}\right)),$

其中 $w_i=\left\{\begin{array}{cc}1-P_{\mathrm{ni}},& 0\&le;c_i\&le;(r_i-{\mathrm{\&delta;}}_i);\\ 1-P_{\mathrm{pi}},& (r_i-{\mathrm{\&delta;}}_i)<c_i\&le;(r_i+{\mathrm{\&delta;}}_i).\end{array}\right.$ c_i为第i种群精英在均衡区域边界半径值；

6)、各子种群精英在各自平均权重概率下均能达到的Nash均衡下优势区域Ζ为 $Z=\frac{1}{\mathrm{WAPS}}\left(\underset{i=1}{\overset{N}{\&cup;}}(r_i\&times;w_i)\right).$

该有限理性区域下种群精英均衡优势策略能使N个子种群精英较好地保持在稳定精英区域内，快速引导整个协同精英找到理想化均衡优势解集区域，同时该策略能够调整各子种群精英动态自适应行为，提高Nash均衡优势区域内各子种群精英在各自划分的电子病区子区域中提取出最优特征子集性能，从而稳定取得Nash均衡下电子病历全局均衡优势特征集。

本发明在保持大规模电子病历特征基础上，采用分布式种群精英在MapReduce框架下较好完成电子病历子特征的协同提取，在有限理性区域中以N种群精英均衡优势策略，建立分布式协同化动态精英演化区域，稳定取得Nash均衡下电子病历全局均衡优势特征集。本发明为实现大规模电子病历并行特征提取及其临床决策支持系统提供了较好的理论模型和求解方法支持，对设计云计算环境下的大规模电子病历智能处理和云服务模式具有重要的意义，在大规模医疗数据辅助智能诊断和治疗领域将具有较大的应用价值。

Claims (3)

1.一种用于电子病历特征提取的种群精英分布云协同均衡方法，其特征在于：具体步骤如下：

A、基于分布式云计算MapReduce框架将大规模电子病历自适应划分至各子种群Subpopulation_i中，采用量子蛙跳算法QSFLA作为各个子种群进化算法，分别进行各子种群Subpopulation_i演化，取得参与电子病历特征提取的各子种群最优解Psolu_i，从而形成种群全局最优集为

PSOLU＝Psolu₁+Psolu₂+....+Psolu_i+...+Psolu_N；

B、设计一种有限理性区域下N种群精英均衡优势策略，构建分布式协同化动态精英演化区域Ω，使参与电子病历特征提取的各子种群精英在各自平均权重概率下均能达到Nash均衡下优势区域Ζ；

C、构造大规模电子病历相应病症的形式背景并映射至进化种群空间，建立电子病历特征提取进化目标优化模型为电子病历特征函数，x_i为电子病历映射到种群空间的特征值,将电子病历特征提取优化问题转化为进化种群精英在Nash均衡下优势区域目标寻优问题；

D、基于云计算的MapReduce框架，各子种群精英结合分布式协同云模型下各子种群并行操作<key_i,value_i>机制对，提取各个划分的电子病历子区域特征子集F_i；

E、根据进化子种群精英在各自对应的电子病历子区域上提取的特征子集F_i，获取电子病历全局均衡特征集为

F、评估提取出的电子病历全局均衡特征集，输出电子病历全局均衡优势特征集F_opt。

2.根据权利要求1所述一种用于电子病历特征提取的种群精英分布云协同均衡方法，其特征在于：所述步骤A具体为：基于分布式云计算MapReduce框架的大规模电子病历自适应划分实现方法，该方法将大规模电子病历自适应划分至各子种群Subpopulation_i，采用量子蛙跳算法QSFLA作为各个子种群进化算法进行各子种群演化，取得参与电子病历特征提取的各子种群最优解Psolu_i，从而形成全局最优特征集，其步骤如下：

1)、使用云计算的MapReduce框架,将整个进化种群分割成N个子种群Subpopulation₁,…,Subpopulation_i…,Subpopulation_N；

2)、每个子种群Subpopulation_i与左右相邻近的分布式协同子种群Subpopulation_i-1和Subpopulation_i+1共享各自最优解，加速整个种群的并行协同优化能力；

3)、采用量子蛙跳算法QSFLA作为各个子种群Subpopulation_i进化算法，在每次迭代结束，每个子种群以自适应概率p_i产生其最优解Psolu_i，其中自适应概率p_i表示在MapReduce框架上<key_i,value_i>动态概率，其计算公式定义如下：

$p_i=\left|\frac{f_{\mathrm{ELITIST}}+{\mathrm{\&omega;}}_i{f}_{\mathrm{Elitis}{t}_i}}{f_{\mathrm{ELITIST}}}\right|,$ 其中 ${\mathrm{\&omega;}}_i=\left|\frac{f_{\mathrm{Elitis}{t}_i}}{\frac{1}{r}\underset{j=1}{\overset{r}{\mathrm{\&Sigma;}}}{f}_j}\right|$

公式中f_j为子种群Subpopulation_i中第j个一般协同进化个体的最优适应度，r为子种群Subpopulation_i中协同进化个体总数，为子种群Subpopulation_i中局部精英的最优适应度，f_ELITIST为整个种群全局精英的最优适应度；

4)、建立MapReduce框架下各子种群Subpopulation_i的并行操作<key_i,value_i>键值，其计算如下：

${\mathrm{key}}_i=p_i+\left|\frac{f_{\mathrm{ELITIST}}-f_{{\mathrm{Elitist}}_i}}{f_{\mathrm{ELITIST}}}\right|,$

value_i＝w_i×key_i；

5)、采用存档策略记录下每个子种群Subpopulation_i参与电子病历特征提取的最优解Psolu_i，然后将所有子种群最优解协同演化成整个种群全局整体最优解PSOLU，其计算公式定义如下：

PSOLU＝Psolu₁+Psolu₂+....+Psolu_i+...+Psolu_N，

其中 ${\mathrm{Psolu}}_i=\left[\begin{array}{c}{\mathrm{Pslu}}_{i1}\\ {\mathrm{Psolu}}_{i2}\\ ...\\ {\mathrm{Psolu}}_{\mathrm{ii}}\end{array}\right]\&times;\left[\begin{array}{cccc}\frac{{\mathrm{key}}_1}{{\mathrm{value}}_1}& \frac{{\mathrm{key}}_2}{{\mathrm{value}}_2}& ...& \frac{{\mathrm{key}}_i}{{\mathrm{value}}_i}\end{array}\right].$

3.根据权利要求1所述一种用于电子病历特征提取的种群精英分布云协同均衡方法，其特征在于：所述步骤B具体为：有限理性区域下N种群精英均衡优势策略实现方法，该方法设计一种在有限理性区域下N种群精英均衡优势策略，构建分布式协同化动态精英演化区域Ω，使参与电子病历特征提取的各子种群精英在各自平均权重概率下均能达到Nash均衡下优势区域Ζ，其步骤如下：

1)、初始化N个种群的有限理性区域为Ω，有限理性区域边界Region₁为α_i,有限理性区域边界Region_N为β_i,且两个区域边界满足协同进化精英的适应度极值范围为第i个精英最小适应度，为第i个精英最大适应度，从而取得有限理性区域Ω为

$\mathrm{\&Omega;}=\underset{i=1}{\overset{N}{\&cup;}}[{\mathrm{\&alpha;}}_i,{\mathrm{\&beta;}}_i];$

2)、以第p个邻域精英为基本精英点,则其有限理性区域边界为为第p个邻域精英最小适应度，为第p个邻域精英最大适应度，那么对于m个邻域精英集,则有限理性区域Ω调整为动态精英区域如下:

$\mathrm{\&Omega;}=\underset{i=1,i\&NotEqual;p}{\overset{N-m}{\&cup;}}[{\mathrm{\&alpha;}}_i,{\mathrm{\&beta;}}_i]\&times;\underset{p}{\overset{m}{\&cup;}}[f_p^{\min },f_p^{\max }];$

3)、判断动态精英区域Ω中第i个精英精英解f_j(x_i)能否进入稳定的Nash均衡解集[α_i,β_i],其判断公式如下：

$a_{\mathrm{ij}}=\left\{\begin{array}{cc}1,& {\mathrm{\&alpha;}}_i\&le;f_j\left(x_i\right)\&le;{\mathrm{\&beta;}}_i;\\ 0,& \mathrm{other}.\end{array}\right.$

4)、调整精英Nash均衡区域边界半径r_i为

$r_i=\sqrt{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{\left(\frac{a_{\mathrm{ij}}\&times;\min \left(\right|f_j\left(x_i\right)-{\mathrm{\&alpha;}}_i|,|f_j\left(x_i\right)-{\mathrm{\&beta;}}_i\left|\right)}{|f_i^{\max }-f_i^{\min }|}\right)}^2},$

5)、构建有限理性区域下N种群精英进入稳定Nash均衡优势区域策略，首先设定P_ni为子种群精英在均衡区域边界半径r_i-δ_i范围内的概率，其中δ_i为边界半径移动值，且满足δ_i<|α_i-β_i|，P_pi为子种群精英在均衡区域边界半径r_i+δ_i范围内的概率；然后计算子种群所有平均权重概率得分WAPS为

$\mathrm{WAPS}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}(\frac{c_i\&times;r_i}{w_i}\&times;{\log }_2\left(\frac{r_i}{w_i}\right)),$

其中 $w_i=\left\{\begin{array}{cc}1-P_{\mathrm{ni}},& 0\&le;c_i\&le;(r_i-{\mathrm{\&delta;}}_i);\\ 1-P_{\mathrm{pi}},& (r_i-{\mathrm{\&delta;}}_i)<c_i\&le;(r_i+{\mathrm{\&delta;}}_i).\end{array}\right.$ c_i为第i种群精英在均衡区域边界半径值；

6)、各子种群精英在各自平均权重概率下均能达到的Nash均衡下优势区域Ζ为 $Z=\frac{1}{\mathrm{WAPS}}\left(\underset{i=1}{\overset{N}{\&cup;}}(r_i\&times;w_i)\right).$