CN104616083A - 基于群体计算的序列规划方法及装置 - Google Patents

Abstract

本发明提供一种基于群体计算的序列规划方法及装置。本发明基于群体计算的序列规划方法，包括：根据当前序列中的末分支节点的信息和用户需求信息，确定m个候选节点的信息，将m个候选节点分别作为末分支节点的子节点组成m个新序列，接收投票者输入的对m个新序列中的每个新序列的投票选项标识信息，并根据每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与当前序列的第二满意度的期望值的比值，根据比值确定m个新序列中每个新序列的得分，若判断获知当前序列中节点数目小于预设节点数目，则将得分最高的新序列中的候选节点添加到当前序列中构成新的当前序列，从而保证输出的序列的质量。

Description

基于群体计算的序列规划方法及装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于群体计算的序列规划方法及装置。

背景技术

智能规划是人工智能研究领域发展起来的一个分支，它主要是对周围环境进行认识与分析，根据要实现的目标，制定出实现目标的智能规划步骤序列。例如，旅游线路规划，需要对用户给出的行程出发点、旅游时间、个人的旅游偏好以及旅行的区域等进行分析，根据个人旅游的目标是在旅游中享受这个过程还是开阔眼界，从待选择的旅游景点中制定出合理的旅游线路。

目前的规划方法往往利用规划系统设计者的个人经验以及个人专业知识，制定出实现目标的规划方案，然而系统设计者的专业知识有限，因此无法保证规划方案的质量。

发明内容

本发明提供一种基于群体计算的序列规划方法及装置，以解决现有技术中利用规划系统设计者的个人经验以及个人专业知识，制定出实现目标的规划方案，然而系统设计者的专业知识有限，无法保证规划方案的质量的问题。

本发明的第一个方面提供一种基于群体计算的序列规划方法，包括：

根据当前序列中的末分支节点的信息和用户需求信息，确定m个候选节点的信息，m为大于1的整数；

将所述m个候选节点分别作为所述末分支节点的子节点组成m个新序列；

接收投票者输入的对所述m个新序列中的每个新序列的投票选项标识信息，并根据所述每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与所述当前序列的第二满意度的期望值的比值；

根据所述比值确定所述m个新序列中每个新序列的得分；

若判断获知所述当前序列中节点数目小于预设节点数目，则将得分最高的新序列中的候选节点添加到所述当前序列中构成新的当前序列。

在上述基于群体计算的序列规划方法的一个实施例中，所述根据所述每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与所述当前序列的第二满意度的期望值的比值，包括：

根据所述每个新序列的投票选项标识信息，确定投票者选择所述当前序列α的概率P(v_i＝1|q,q')，其中，P(v_i＝1|q,q')＝μ(d)，d＝1-|q-q'|^w，q'表示所述每个新序列α'的第一满意度，q表示所述α的第二满意度，P(v_i＝1|q,q')表示所述q大于所述q'的情况下投票者第i次投票时选择所述α的概率，d表示所述α'与所述α的相似度，μ(d)表示所述q大于所述q'的情况下投票者选择所述α的准确度；

根据公式计算所述q的期望值E(q)，其中，P(v_i+1|q)＝P(v_i＝1|q,q')，表示所述q大于所述q'的情况下投票者第i+1次投票时选择所述α后得到的q的后验分布，P(v_i+1|q)表示在所述q大于所述q'的情况下投票者第i+1次投票时选择所述α的概率，表示所述q大于所述q'的情况下投票者第i次投票后得到的q的后验分布；

根据公式计算所述q'的期望值E(q')，其中，P(v_i+1|q')＝1-P(v_i＝1|q,q')，表示所述q大于所述q'的情况下投票者第i+1次投票时选择所述α'后得到的q'的后验分布，P(v_i+1|q')表示在所述q大于所述q'的情况下投票者第i+1次投票时选择所述α'的概率，表示所述q大于所述q'的情况下投票者第i次投票后得到的q'的后验分布；

计算所述E(q')与所述E(q)的比值

在上述基于群体计算的序列规划方法的一个实施例中，所述根据所述比值确定所述m个新序列中每个新序列的得分，包括：

根据所述比值确定所述m个新序列中每个新序列α'的得分Score(α')，其中，Score(α)＝sat(α)-tra(α)，  sat(α')表示所述α'的满意分，sat(α)表示所述α的满意分，tra(α')表示所述α'的转移分，β表示衰减因子，T(u_j,u_j+1)表示所述α'序列中的第j+1个节点u_j+1与第j个节点u_j之间的权重值，N表示所述α'序列中的节点的个数。

在上述基于群体计算的序列规划方法的一个实施例中，在所述根据投票结果确定所述m个新序列中每个新序列的得分之后，还包括：

若判断获知所述当前序列中节点数目等于所述预设节点数目，则输出所述当前序列。

本发明的第二个方面提供一种基于群体计算的序列规划装置，包括：

确定模块，用于根据当前序列中的末分支节点的信息和用户需求信息，确定m个候选节点的信息，m为大于1的整数；

处理模块，用于将所述m个候选节点分别作为所述末分支节点的子节点组成m个新序列；接收投票者输入的对所述m个新序列中的每个新序列的投票选项标识信息，并根据所述每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与所述当前序列的第二满意度的期望值的比值；根据所述比值确定所述m个新序列中每个新序列的得分；若判断获知所述当前序列中节点数目小于预设节点数目，则将得分最高的新序列中的候选节点添加到所述当前序列中构成新的当前序列。

在上述基于群体计算的序列规划装置的一个实施例中，所述处理模块，具体用于根据所述每个新序列的投票选项标识信息，确定投票者选择所述当前序列α的概率P(v_i＝1|q,q')，其中，P(v_i＝1|q,q')＝μ(d)，d＝1-|q-q'|^w，q'表示所述每个新序列α'的第一满意度，q表示所述α的第二满意度，P(v_i＝1|q,q')表示所述q大于所述q'的情况下投票者第i次投票时选择所述α的概率，d表示所述α'与所述α的相似度，μ(d)表示所述q大于所述q'的 情况下投票者选择所述α的准确度；根据公式计算所述q的期望值E(q)，其中，P(v_i+1|q)＝P(v_i＝1|q,q')，表示所述q大于所述q'的情况下投票者第i+1次投票时选择所述α后得到的q的后验分布，P(v_i+1|q)表示在所述q大于所述q'的情况下投票者第i+1次投票时选择所述α的概率，表示所述q大于所述q'的情况下投票者第i次投票后得到的q的后验分布；根据公式计算所述q'的期望值E(q')，其中，P(v_i+1|q')＝1-P(v_i＝1|q,q')，表示所述q大于所述q'的情况下投票者第i+1次投票时选择所述α'后得到的q'的后验分布，P(v_i+1|q')表示在所述q大于所述q'的情况下投票者第i+1次投票时选择所述α'的概率，表示所述q大于所述q'的情况下投票者第i次投票后得到的q'的后验分布；计算所述E(q')与所述E(q)的比值

在上述基于群体计算的序列规划装置的一个实施例中，所述处理模块，具体用于根据所述比值确定所述m个新序列中每个新序列α'的得分Score(α')，其中，Score(α')＝sat(α')-tra(α')， sat(α')表示所述α'的满意分，sat(α)表示所述α的满意分，tra(α')表示所述α'的转移分，β表示衰减因子，T(u_j,u_j+1)表示所述α'序列中的第j+1个节点u_j+1与第j个节点u_j之间的权重值，N表示所述α'序列中的节点的个数。

在上述基于群体计算的序列规划装置的一个实施例中，所述处理模块， 还用于在所述根据投票结果确定所述m个新序列中每个新序列的得分之后，若判断获知所述当前序列中节点数目等于所述预设节点数目，则输出所述当前序列。

本发明提供的基于群体计算的序列规划方法及装置，通过根据当前序列中的末分支节点的信息和用户需求信息，确定m个候选节点的信息，将m个候选节点分别作为末分支节点的子节点组成m个新序列，接收投票者输入的对m个新序列中的每个新序列的投票选项标识信息，并根据每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与当前序列的第二满意度的期望值的比值，根据比值确定m个新序列中每个新序列的得分，若判断获知当前序列中节点数目小于预设节点数目，则将得分最高的新序列中的候选节点添加到当前序列中构成新的当前序列，从而保证输出的序列的质量。

附图说明

图1示出了本发明实施例基于的决策树模型图；

图2A为本发明实施例所提供的一种基于群体计算的序列规划方法的流程图；

图2B为本发明实施例所提供的一种投票问题示意图；

图3为本发明实施例所提供的基于群体计算的序列规划装置300的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1示出了本发明实施例基于的决策树模型图。图1所示决策树模型图中包括根节点11、分支节点21、分支节点22、分支节点23、分支节点31、分支节点32、分支节点33、分支节点34。从根节点11到任何一个分支节点 的路线被称作一个序列。例如，从根节点11到分支节点21的路线为一个序列，从根节点11到分支节点31的路线为一个序列。

图2A为本发明实施例所提供的一种基于群体计算的序列规划方法的流程图。该方法由基于群体计算的序列规划装置执行，该装置通常以硬件和/或软件的方式来实现。参照图1、图2A，本实施例的方法包括如下步骤：

S210、根据当前序列中的末分支节点的信息和用户需求信息，确定m个候选节点的信息，m为大于1的整数。

若当前序列仅包括决策树的根节点11，则当前序列中的末分支节点即为决策树的根节点11，根据根节点11的信息和用户需求信息，可以确定m个候选节点的信息。例如，以一个旅游背景的场景为例，可以将起始景点对应于根节点11，基于群体计算的序列规划装置接收用户输入的起始景点的信息和用户需求信息，起始景点的信息可以为起始景点的名称，用户需求信息可以为用户想要游玩的景点数目和/或用户的旅游目的，用户可以以文化之旅为旅游目的，也可以以游览2008年北京奥运会景点为旅游目的，从而满足用户的个性化需求。基于群体计算的序列规划装置根据起始景点的信息和用户需求信息，即可以查询数据库，从数据库中确定m个候选景点，以图1所示为例，确定的3个候选景点可以分别对应于分支节点21、分支节点22和分支节点23，需要说明的是，可以将用于衡量与起始景点之间的交通状况的数值小于设定数值的景点确定为候选景点，可以通过数值衡量两个景点之间的交通畅通程度，例如小于数值1表示畅通，大于1且小于3表示缓慢，大于3且小于6表示很堵，大于6表示无法通行。

S220、将m个候选节点分别作为末分支节点的子节点组成m个新序列。

将分支节点21作为根节点11的子节点组成第一个新序列，将分支节点22作为根节点11的子节点组成第二个新序列，将分支节点23作为根节点11的子节点组成第三个新序列。

S230、接收投票者输入的对m个新序列中的每个新序列的投票选项标识信息，并根据每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与当前序列的第二满意度的期望值的比值。

基于群体计算的序列规划装置可以根据三个新序列构造成投票问题发放出去，并且收集投票者的投票，例如，若分支节点21对应的景点为奥林匹克 公园，分支节点22对应的景点为王府井，分支节点23对应的景点为圆明园，根节点11对应的景点为天安门广场，第一个新序列对应的路线为天安门广场-》奥林匹克公园，第二个新序列对应的路线为天安门广场-》王府井，第三个新序列对应的路线为天安门广场-》圆明园，用户的需求信息为体育文化之旅。构造的投票问题如图2B所示，图2B为本发明实施例所提供的一种投票问题示意图，投票者给出他们的选择后，基于群体计算的序列规划装置可以接收投票者输入的对3个新序列中的每个新序列的投票选项标识信息，并根据每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与当前序列的第二满意度的期望值的比值。其中，投票选项标识信息可以为1或0，为1时表示选择该路线，为0则表示未不选择该路线，如图2B中，选择是则表示选择该路线，选择否则表示不选择该路线，满意度用于衡量路线的优劣程度。

S240、根据比值确定m个新序列中每个新序列的得分。

S250、若判断获知当前序列中节点数目小于预设节点数目，则将得分最高的新序列中的候选节点添加到当前序列中构成新的当前序列。

预设节点数目可以包含在用户需求信息中，以旅游背景为例，预设节点数目也即用户想要游玩的景点数目，确定出三个新序列中每个新序列的得分后，需要判断当前序列中节点数目是否小于预设节点数目，如果小于，则将得分最高的新序列中的候选节点添加到当前序列中构成新的当前序列，例如，如果预设节点数目为4，而当前序列中仅有一个根节点，而天安门广场-》奥林匹克公园路线得分最高，则将奥林匹克公园对应的分支节点21添加到根节点11中构成新的当前序列：根节点11-》分支节点21。需要说明的是，此后以分支节点21作为末分支节点，重复执行S210至S250，从而保证最终确定的序列是决策树模型中所有序列中得分最高的序列，也即确定出了最优结果，从而可以保证输出的序列的质量，通过将序列优化问题转换为决策树的求解问题保证输出的序列的质量。

本实施例提供的基于群体计算的序列规划方法，通过根据当前序列中的末分支节点的信息和用户需求信息，确定m个候选节点的信息，将m个候选节点分别作为末分支节点的子节点组成m个新序列，接收投票者输入的对m个新序列中的每个新序列的投票选项标识信息，并根据每个新序列的投票选 项标识信息，获得每个新序列的第一满意度的期望值与当前序列的第二满意度的期望值的比值，根据比值确定m个新序列中每个新序列的得分，若判断获知当前序列中节点数目小于预设节点数目，则将得分最高的新序列中的候选节点添加到当前序列中构成新的当前序列，也即将序列规划问题转换为决策树的求解问题，从而保证输出的序列的质量。

进一步的，举例来说，根据每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与当前序列的第二满意度的期望值的比值可以通过如下方式实现：

根据每个新序列的投票选项标识信息，确定投票者选择当前序列α的概率P(v_i＝1|q,q')，其中，P(v_i＝1|q,q')＝μ(d)，d＝1-|q-q'|^w，q'表示每个新序列α'的第一满意度，q表示α的第二满意度，P(v_i＝1|q,q')表示q大于q'的情况下投票者第i次投票时选择α的概率，d表示根据α'与α的相似度，μ(d)表示q大于q'的情况下投票者选择α的准确度；根据公式 计算q的期望值E(q)，其中，P(v_i+1|q)＝P(v_i＝1|q,q')， 表示q大于q'的情况下投票者第i+1次投票时选择α后得到的q的后验分布，P(v_i+1|q)表示在q大于q'的情况下投票者第i+1次投票时选择α的概率， 表示q大于q'的情况下投票者第i次投票后得到的q的后验分布；根据公式计算q'的期望值E(q')，其中，P(v_i+1|q')＝1-P(v_i＝1|q,q')，表示q大于q'的情况下投票者第i+1次投票时选择α'后得到的q'的后验分布，P(v_i+1|q')表示在q大于q'的情况下投票者第i+1次投票时选择α'的概率，表示q大于q'的情况下投票者第i次投票后得到的q'的后验分布；计算E(q')与E(q)的比值

在S230中，构造出如图2B所示的投票问题后，投票者会给出他们的选择，本实施例中假设每个投票者都是尽力回答问题，所以投票者的回答取决 于本身水平。实际上，投票者可能会犯错，所以本文会对投票者的准确度进行建模。其次，假定每个投票者都是独立的，所以投票者的答案不会受其他答案的影响。

在此引入了投票问题的难度的概念，投票问题的难度直接影响投票者的准确度，两个序列越相似，投票问题的难度越大，就越难区分两个序列的好坏，此处以d表示根据α'与α的相似度，也即通过d表示了投票问题的难度。所以本文用如下公式计算d：

首先，本文定义序列的满意度q∈[0,1]。假定当前序列α，α的满意度q未知，如图1所示，若当前序列α仅包括一个根节点11，我们把α的分支节点21添加到序列α中生成一个新序列α‘，α‘的满意度是q‘，将α的满意度q作为第二满意度，α‘的满意度是q‘作为第一满意度，假定q大于q‘

假定n个投票者给出了他们的投票，记做v_i，v_i∈{0,1}，i为大于等于1且小于等于n的整数。本实施例中用如下公式计算d：

d＝1-|q-q'|^w               (3.1) 

投票问题的难度直接影响投票者的准确度。本文用μ(d)表示问题难度为d时，且q大于q'的情况下投票者选择α的准确度。投票者的准确度应该随d单调递减。例如，d→1时，μ(d)→0.5；d→0时，μ(d)→1。本文计算投票者的准确度如下：

$\mathrm{\μ}\left(d\right)=\frac{1}{2}[1+{(1-d)}^{\mathrm{\λ}}]---\left(3.2\right)$

现在，可以用d和μ(d)来计算投票者选择α的概率P(v_i＝1|q,q')：

如果q>q'，结合3.1和3.2式可得：

$P(v_i=1|q,q^{\′})=\mathrm{\μ}\left(d\right)=\frac{1}{2}[1+(1-{(1-|q-q^{\′}{|}^w)}^{\mathrm{\λ}})]---\left(3.3\right)$

基于上面的公式，可以计算q和q'的分布。首先，获得第i+1次投票选项标识信息后，可以基于推导通过贝叶斯公式，可以得到q 大于q'的情况下投票者第i+1次投票时选择α后得到的q的后验分布其中，

类似的，在q大于q'的情况下投票者第i+1次投票时选择α'后得到的q'的后验分布

基于3.4式和3.5式可以求出序列E(q')与E(q)的比值

进一步的，S240中根据比值确定m个新序列中每个新序列的得分可以通过如下方式实现：

根据比值确定m个新序列中每个新序列α'的得分Score(α')。其中，Score(α')＝sat(α')-tra(α')， $\mathrm{sat}\left({\mathrm{\α}}^{\′}\right)=\frac{E\left(q^{\′}\right)}{E\left(q\right)}\×\mathrm{sat}\left(\mathrm{\α}\right),\mathrm{tra}\left({\mathrm{\α}}^{\′}\right)=\mathrm{\β}\×\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}T(u_j,u_{j+1}),$ sat(α')表示α'的满意分，sat(α)表示α的满意分，tra(α')表示α'的转移分，β表示衰减因子，T(u_j,u_j+1)表示α'序列中的第j+1个节点u_j+1与第j个节点u_j之间的权重值，N表示α'序列中的节点的个数。

举例来说，当前序列α的满意分，表示为sat(α)：

如果序列仅包含根节点，sat(α)＝1。

如果序列α'是由α添加分支节点21生成的一个新序列，  $\mathrm{sat}\left({\mathrm{\α}}^{\′}\right)=\frac{E\left(q^{\′}\right)}{E\left(q\right)}\×\mathrm{sat}\left(\mathrm{\α}\right)\text{.}$

本实施例中量化了节点之间的内在关联，称它为转移分，表示为tra(α')，计算方法如下：

$\mathrm{tra}\left({\mathrm{\α}}^{\′}\right)=\mathrm{\β}\×\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}T(u_j,u_{j+1})---\left(3.6\right)$

本文使用T(u_j,u_j+1)来表示α'序列中的第j+1个节点u_j+1与第j个节点u_j之间的权重值，用tra(α')表示序列α'的转移分。因此，现在可以使用序列α'的满意分和转移分来计算α'的最终得分Score(α')。Score(α')的计算如下：

Score(α')＝sat(α')-tra(α')            (3.7) 

例如，Score(α)＝sat(α)-tra(α)＝1-0＝1，如果在S330中得到结合图1所示，为方便介绍，此处以R₂₁表示此时的比值如果要计算图1中由分支节点21和根节点11生成的新序列的得分Score(α')，则 α'序列中的第1个节点与第2个节点的权重值为0.3，也即分支节点21与根节点11之间的权重值为T(u₁,u₂)＝0.3。最后，可以得到这个序列的得分Score(α')＝sat(α')-tra(α')＝0.4-0.3×β。同理，可以计算由分支节点22和根节点11组成的第二个新序列的得分，以及由分支节点23和根节点11组成的第三个新序列的得分，此处不再赘述。

同理，如果以分支节点21和根节点11组成的序列作为当前序列α，分支节点31、分支节点21和根节点11作为新序列α'，若为0.5，为方便介绍，此处以R₃₂表示此时的比值α'序列中的第2个节点与第3个节点的权重值为0.4，也即分支节点21与分支节点31之间的权重值为T(u₂,u₃)＝0.4，则可以依据上述公式3.6和3.7得到α'的满意分为 也即α'的满意分为0.2，转移分为(0.3+0.4)×β,由分支 节点31、分支节点21和根节点11组成的新序列的最终得分为0.2-0.7×β。

需要说明的是，在根据投票结果确定m个新序列中每个新序列的得分之后，还可以包括：

若判断获知当前序列中节点数目等于预设节点数目，则输出当前序列。

图3为本发明实施例所提供的基于群体计算的序列规划装置300的结构示意图。参照图3，该基于群体计算的序列规划装置包括：确定模块310和处理模块320。

确定模块310用于根据当前序列中的末分支节点的信息和用户需求信息，确定m个候选节点的信息，m为大于1的整数；处理模块320用于将所述m个候选节点分别作为所述末分支节点的子节点组成m个新序列；接收投票者输入的对所述m个新序列中的每个新序列的投票选项标识信息，并根据所述每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与所述当前序列的第二满意度的期望值的比值；根据所述比值确定所述m个新序列中每个新序列的得分；若判断获知所述当前序列中节点数目小于预设节点数目，则将得分最高的新序列中的候选节点添加到所述当前序列中构成新的当前序列。

本实施例提供的基于群体计算的序列规划装置，可以用于执行如图2A所示方法实施例的技术方案，其实现原理与技术效果类似，此处不再赘述。

进一步的，所述处理模块320，具体用于根据所述每个新序列的投票选项标识信息，确定投票者选择所述当前序列α的概率P(v_i＝1|q,q')，其中，P(v_i＝1|q,q')＝μ(d)，d＝1-|q-q'|^w，q'表示所述每个新序列α'的第一满意度，q表示所述α的第二满意度，P(v_i＝1|q,q')表示所述q大于所述q'的情况下投票者第i次投票时选择所述α的概率，d表示所述α'与所述α的相似度，μ(d)表示所述q大于所述q'的情况下投票者选择所述α的准确度；根据公式计算所述q的期望值E(q)，其中， 表示所述q大于所述q'的情况下投票者第i+1次投票时选择所述α后得到的q的后验分布，P(v_i+1|q)表示在所述q大于所述q'的 情况下投票者第i+1次投票时选择所述α的概率，表示所述q大于所述q'的情况下投票者第i次投票后得到的q的后验分布；根据公式 计算所述q'的期望值E(q')，其中， 表示所述q大于所述q'的情况下投票者第i+1次投票时选择所述α'后得到的q'的后验分布，P(v_i+1|q')表示在所述q大于所述q'的情况下投票者第i+1次投票时选择所述α'的概率，表示所述q大于所述q'的情况下投票者第i次投票后得到的q'的后验分布；计算所述E(q')与所述E(q)的比值

进一步的，所述处理模块420，具体用于根据所述比值确定所述m个新序列中每个新序列α'的得分Score(α')，其中，Score(α')＝sat(α')-tra(α')， $\mathrm{sat}\left({\mathrm{\α}}^{\′}\right)=\frac{E\left(q^{\′}\right)}{E\left(q\right)}\×\mathrm{sat}\left(\mathrm{\α}\right),\mathrm{tra}\left({\mathrm{\α}}^{\′}\right)=\mathrm{\β}\×\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}T(u_j,u_{j+1}),$ sat(α')表示所述α'的满意分，sat(α)表示所述α的满意分，tra(α')表示所述α'的转移分，β表示衰减因子，T(u_j,u_j+1)表示所述α'序列中的第j+1个节点u_j+1与第j个节点u_j之间的权重值，N表示所述α'序列中的节点的个数。

进一步的，所述处理模块320，还用于在所述根据投票结果确定所述m个新序列中每个新序列的得分之后，若判断获知所述当前序列中节点数目等于所述预设节点数目，则输出所述当前序列。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对 其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种基于群体计算的序列规划方法，其特征在于，包括：

根据当前序列中的末分支节点的信息和用户需求信息，确定m个候选节点的信息，m为大于1的整数；

将所述m个候选节点分别作为所述末分支节点的子节点组成m个新序列；

接收投票者输入的对所述m个新序列中的每个新序列的投票选项标识信息，并根据所述每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与所述当前序列的第二满意度的期望值的比值；

根据所述比值确定所述m个新序列中每个新序列的得分；

若判断获知所述当前序列中节点数目小于预设节点数目，则将得分最高的新序列中的候选节点添加到所述当前序列中构成新的当前序列。

2.根据权利要求1所述的方法，其特征在于，所述根据所述每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与所述当前序列的第二满意度的期望值的比值，包括：

根据所述每个新序列的投票选项标识信息，确定投票者选择所述当前序列α的概率P(v_i＝1|q,q')，其中，P(v_i＝1|q,q')＝μ(d)，d＝1-|q-q'|^w，q'表示所述每个新序列α'的第一满意度，q表示所述α的第二满意度，P(v_i＝1|q,q')表示所述q大于所述q'的情况下投票者第i次投票时选择所述α的概率，d表示所述α'与所述α的相似度，μ(d)表示所述q大于所述q'的情况下投票者选择所述α的准确度；

根据公式计算所述q的期望值E(q)，其中，P(v_i+1|q)＝P(v_i＝1|q,q')，表示所述q大于所述q'的情况下投票者第i+1次投票时选择所述α后得到的q的后验分布，P(v_i+1|q)表示在所述q大于所述q'的情况下投票者第i+1次投票时选择所述α的概率，表示所述q大于所述q'的情况下投票者第i次投票后得到的q的后验分布；

根据公式计算所述q'的期望值E(q')，其中，P(v_i+1|q')＝1-P(v_i＝1|q,q')，表示所述q大于所述q'的情况下投票者第i+1次投票时选择所述α'后得到的q'的后验分布，P(v_i+1|q')表示在所述q大于所述q'的情况下投票者第i+1次投票时选择所述α'的概率，表示所述q大于所述q'的情况下投票者第i次投票后得到的q'的后验分布；

计算所述E(q')与所述E(q)的比值

3.根据权利要求2所述的方法，其特征在于，所述根据所述比值确定所述m个新序列中每个新序列的得分，包括：

根据所述比值确定所述m个新序列中每个新序列α'的得分Score(α')，其中，Score(α')＝sat(α')-tra(α')， sat(α')表示所述α'的满意分，sat(α)表示所述α的满意分，tra(α')表示所述α'的转移分，β表示衰减因子，T(u_j,u_j+1)表示所述α'序列中的第j+1个节点u_j+1与第j个节点u_j之间的权重值，N表示所述α'序列中的节点的个数。

4.根据权利要求1-3中任一项所述的方法，其特征在于，在所述根据投票结果确定所述m个新序列中每个新序列的得分之后，还包括：

若判断获知所述当前序列中节点数目等于所述预设节点数目，则输出所述当前序列。

5.一种基于群体计算的序列规划装置，其特征在于，包括：

确定模块，用于根据当前序列中的末分支节点的信息和用户需求信息，确定m个候选节点的信息，m为大于1的整数；

处理模块，用于将所述m个候选节点分别作为所述末分支节点的子节点组成m个新序列；接收投票者输入的对所述m个新序列中的每个新序列的投票选项标识信息，并根据所述每个新序列的投票选项标识信息，获得每个新序列的第一满意度的期望值与所述当前序列的第二满意度的期望值的比值；根据所述比值确定所述m个新序列中每个新序列的得分；若判断获知所述当前序列中节点数目小于预设节点数目，则将得分最高的新序列中的候选节点添加到所述当前序列中构成新的当前序列。

6.根据权利要求5所述的装置，其特征在于，所述处理模块，具体用于根据所述每个新序列的投票选项标识信息，确定投票者选择所述当前序列α的概率P(v_i＝1|q,q')，其中，P(v_i＝1|q,q')＝μ(d)，d＝1-|q-q'|^w，q'表示所述每个新序列α'的第一满意度，q表示所述α的第二满意度，P(v_i＝1|q,q')表示所述q大于所述q'的情况下投票者第i次投票时选择所述α的概率，d表示所述α'与所述α的相似度，μ(d)表示所述q大于所述q'的情况下投票者选择所述α的准确度；根据公式计算所述q的期望值E(q)，其中，P(v_i+1|q)＝P(v_i＝1|q,q')，表示所述q大于所述q'的情况下投票者第i+1次投票时选择所述α后得到的q的后验分布，P(v_i+1|q)表示在所述q大于所述q'的情况下投票者第i+1次投票时选择所述α的概率，表示所述q大于所述q'的情况下投票者第i次投票后得到的q的后验分布；根据公式计算所述q'的期望值E(q')，其中，P(v_i+1|q')＝1-P(v_i＝1|q,q')，表示所述q大于所述q'的情况下投票者第i+1次投票时选择所述α'后得到的q'的后验分布，P(v_i+1|q')表示在所述q大于所述q'的情况下投票者第i+1次投票时选择所述α'的概率，表示所述q大于所述q'的情况下投票者第i次投票后得到的q'的后验分布；计算所述E(q')与所述E(q)的比值

7.根据权利要求6所述的装置，其特征在于，所述处理模块，具体用于根据所述比值确定所述m个新序列中每个新序列α'的得分Score(α')，其中，Score(α')＝sat(α')-tra(α')， $\mathrm{sat}\left({\mathrm{\α}}^{\′}\right)=\frac{E\left(q^{\′}\right)}{E\left(q\right)}\×\mathrm{sat}\left(\mathrm{\α}\right),\mathrm{tra}\left({\mathrm{\α}}^{\′}\right)=\mathrm{\β}\×\underset{j=0}{\overset{N-1}{\mathrm{\Σ}}}T(u_j,u_{j+1}),$ sat(α')表示所述α'的满意分，sat(α)表示所述α的满意分，tra(α')表示所述α'的转移分，β表示衰减因子，T(u_j,u_j+1)表示所述α'序列中的第j+1个节点u_j+1与第j个节点u_j之间的权重值，N表示所述α'序列中的节点的个数。

8.根据权利要求5-7中任一项所述的装置，其特征在于，所述处理模块，还用于在所述根据投票结果确定所述m个新序列中每个新序列的得分之后，若判断获知所述当前序列中节点数目等于所述预设节点数目，则输出所述当前序列。