CN106779077A - 一种提高遗传算法的时间效率的方法及装置、用户设备 - Google Patents
一种提高遗传算法的时间效率的方法及装置、用户设备 Download PDFInfo
- Publication number
- CN106779077A CN106779077A CN201611137670.3A CN201611137670A CN106779077A CN 106779077 A CN106779077 A CN 106779077A CN 201611137670 A CN201611137670 A CN 201611137670A CN 106779077 A CN106779077 A CN 106779077A
- Authority
- CN
- China
- Prior art keywords
- fitness
- population
- machine learning
- genetic algorithm
- 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.)
- Pending
Links
Classifications
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
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:
获取模块,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;
第二种群产生模块,用于将第一种群通过遗传算法计算产生第二种群;
第三种群产生模块,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;
判断模块,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,所述获取模块包括:
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模块,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,所述第三种群产生模块包括:
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。基于本发明中的实施例,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,都属于本发明保护的范围。
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。可见,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:
获取模块301,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。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。
第二种群产生模块302,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。
第三种群产生模块303,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模块301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。
判断模块304,用于第三种群是否为最优解。
获取模块301,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。如果判断模块304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,获取模块301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,具体第二种群产生模块302先将第一种群通过遗传算法计算产生第二种群,第三种群产生模块303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,再由判断模块304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模块301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。可见,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模块302,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,获取模块301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,第三种群产生模块304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(CompactDisc 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。
Claims (10)
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:
获取模块,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;
第二种群产生模块,用于将第一种群通过遗传算法计算产生第二种群;
第三种群产生模块,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;
判断模块,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,所述获取模块包括:
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模块,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,所述第三种群产生模块包括:
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。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611137670.3A CN106779077A (zh) | 2016-12-12 | 2016-12-12 | 一种提高遗传算法的时间效率的方法及装置、用户设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611137670.3A CN106779077A (zh) | 2016-12-12 | 2016-12-12 | 一种提高遗传算法的时间效率的方法及装置、用户设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106779077A true CN106779077A (zh) | 2017-05-31 |
Family
ID=58880123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611137670.3A Pending CN106779077A (zh) | 2016-12-12 | 2016-12-12 | 一种提高遗传算法的时间效率的方法及装置、用户设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779077A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779877A (zh) * | 2021-09-06 | 2021-12-10 | 众微致成(北京)信息服务有限公司 | 一种基于遗传算法的自动化特征构建方法 |
WO2022139168A1 (ko) * | 2020-12-21 | 2022-06-30 | 주식회사 아이메디신 | 유전자 알고리즘 기반의 단계적인 피처 선택을 이용한 기계학습 방법 및 장치 |
-
2016
- 2016-12-12 CN CN201611137670.3A patent/CN106779077A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022139168A1 (ko) * | 2020-12-21 | 2022-06-30 | 주식회사 아이메디신 | 유전자 알고리즘 기반의 단계적인 피처 선택을 이용한 기계학습 방법 및 장치 |
CN113779877A (zh) * | 2021-09-06 | 2021-12-10 | 众微致成(北京)信息服务有限公司 | 一种基于遗传算法的自动化特征构建方法 |
CN113779877B (zh) * | 2021-09-06 | 2024-03-29 | 众微致成(北京)信息服务有限公司 | 一种基于遗传算法的自动化特征构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110858973B (zh) | 小区网络流量预测方法及装置 | |
Lucchese et al. | Post-learning optimization of tree ensembles for efficient ranking | |
CN104123476B (zh) | 基于极限学习机的气体浓度预测方法及其装置 | |
CN102360332B (zh) | 一种软件可靠性加速测试与评估方法及其计算机辅助工具 | |
CN107153874A (zh) | 水质预测方法及系统 | |
CN107133695A (zh) | 一种风电功率预测方法和系统 | |
CN106570080A (zh) | 一种云制造资源服务多层次语义匹配方法 | |
CN102819663A (zh) | 一种基于优化的支持向量回归参数的船舶航迹预测方法 | |
CN106875004A (zh) | 复合模式神经元信息处理方法和系统 | |
CN103218533A (zh) | 一种指数分布的串联系统可靠度置信下限估计方法 | |
CN103428704B (zh) | 一种频谱感知方法及装置 | |
CN101105841A (zh) | 由大规模基因芯片表达谱数据构建基因调控亚网络的方法 | |
CN106779077A (zh) | 一种提高遗传算法的时间效率的方法及装置、用户设备 | |
CN110659825A (zh) | 银行网点多学习器的现钞需求量预测方法和装置 | |
CN107861811A (zh) | 工作流系统中的任务信息传输方法、装置和计算机设备 | |
CN105933316A (zh) | 网络安全级别的确定方法和装置 | |
CN106203627A (zh) | 一种对网络靶场进行评价的方法 | |
CN115510042A (zh) | 基于生成对抗网络的电力系统负荷数据填补方法及装置 | |
CN109951468A (zh) | 一种基于f值优化的网络攻击检测方法与系统 | |
CN109711707A (zh) | 一种船舶动力装置综合状态评估方法 | |
CN102156641A (zh) | 一种软件成本置信区间预测方法及系统 | |
CN105372989B (zh) | 一种调度控制系统不完整数据参数的估计方法和装置 | |
He et al. | Mera: Merging pretrained adapters for few-shot learning | |
CN102697491B (zh) | 心电图特征波形识别方法和系统 | |
CN110489142A (zh) | 设备软件升级的评估方法及装置、存储介质、终端 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |