CN107506820A - 一种基于quatre架构的人工智能全局优化方法 - Google Patents

一种基于quatre架构的人工智能全局优化方法 Download PDF

Info

Publication number
CN107506820A
CN107506820A CN201710686503.2A CN201710686503A CN107506820A CN 107506820 A CN107506820 A CN 107506820A CN 201710686503 A CN201710686503 A CN 201710686503A CN 107506820 A CN107506820 A CN 107506820A
Authority
CN
China
Prior art keywords
particle
particle populations
matrix
evolution
populations
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
Application number
CN201710686503.2A
Other languages
English (en)
Inventor
孟振宇
潘正祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201710686503.2A priority Critical patent/CN107506820A/zh
Publication of CN107506820A publication Critical patent/CN107506820A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于QUATRE架构的人工智能全局优化方法，包括：S1、建立拟仿射变换进化架构：S2、设置拟仿射变换进化架构的评价函数、全局最优值、迭代阈值、调用评价函数的最大次数以及进行迭代的条件，并对进化架构进行初始化；S3、判断是否满足进行迭代的条件，若满足则继续执行以下步骤，若不满足则停止；S4、计算变异矩阵B，并根据拟仿射变换进化架构得到粒子种群XG的下一代粒子种群XG+1；S5、更新调用评价函数的次数和下一代粒子种群；S6、得到布尔型进化矩阵M以及关联进化矩阵由评价函数的最优值得到G+1次迭代中粒子种群的当前最优粒子并令G＝G+1后回到步骤S3进行判断。本发明参数少、效率高。

Description

一种基于QUATRE架构的人工智能全局优化方法
技术领域
本发明属于人工智能领域，尤其涉及一种基于QUATRE架构的人工智能全局优化方法。
背景技术
计算智能作为人工智能的一个分支，起源于20世纪中叶，其主要思想是通过计算机进行计算的方式与方法来研究复杂数据、观察实验进程，以及解决现实中传统数学公式及模型无法解决的复杂问题。模糊逻辑、人工神经网络、模因计算、进化计算、量子计算等均属于该领域。
其中在进化计算领域，主要有以下几个分支：遗传方法、学习分类系统、进化编程、进化策略、群体智能。其中，进化计算领域下的群体智能分支中的各种方法通过模拟自然启发的生物种群进化方式来实现复杂问题的求解，并且由于该分支中的大多数方法简单易用、功能强大，从而被研究人员应用在大量的工程及实际应用中。
另外，群体智能分支下非常著名的方法如差分进化、粒子集群优化方法等，其发展趋势可以归纳为以下几个方面：(1)构建新的粒子间的拓扑关系，通过更好的拓扑关系架构达到更好的结果，其拓扑关系大致有以下几类：(A)静态拓扑结构、(B)动态拓扑结构、(C)自适应种群拓扑结构和(D)集合种群拓扑结构；(2)提供自适应的参数调节方式，即减少繁琐的参数调节任务的同时，对特定问题提供更好的自适应参数；(3)引入其他方法，采用混合策略以提高方法效果；(4)采用小生境技术、分群技术等。然而，上述方法在人工智能方面经常会陷入“解空间”的局部最优值，这是由于在搜索空间的不匀均搜索造成的，并且上述方法需要大量的参数设定，这使得研究复杂数据时会非常复杂、耗时长。
发明内容
为了解决上述技术问题，本发明的目的在于提出一种人工智能领域中群体智能分支下的新的进化架构，其不仅能通过实现“解空间”的均匀搜索来达到全局优化的目的，从而消除差分进化方法和粒子集群方法中存在的缺陷，还能够通过更少的参数设定，来降低本方法在实际应用中的实现复杂性。
本发明为解决其技术问题所采用的技术方案如下：
一种基于QUATRE架构的人工智能全局优化方法，所述方法包括如下步骤：
S1、建立拟仿射变换进化架构，所述拟仿射变换进化架构的变换形式为：其中X为粒子种群，M为布尔型进化矩阵，为对M取反的关联进化矩阵，B为变异矩阵，表示矩阵之间元素的按位相乘；
S2、设置拟仿射变换进化架构的评价函数f(X)、全局最优值f*、迭代阈值Δf、调用评价函数的最大次数maxnfe以及进行迭代的条件，并对进化架构进行初始化，所述初始化包括初始化粒子种群X为X＝XG＝[X1,X2,……,Xps]T G,G＝1，ps为粒子种群X中的粒子数，初始化调用评价函数的次数nfe＝ps，由初始进化矩阵Minit得到布尔型进化矩阵M以及关联进化矩阵通过计算评价函数f(XG)的最优值f(Xgbest，G)得到G次迭代中粒子种群XG的当前最优粒子Xgbest，G；
S3、判断是否满足进行迭代的条件，若满足进行迭代的条件，则继续执行以下步骤，若不满足进行迭代的条件则停止；
S4、计算变异矩阵B，由变异矩阵B、布尔型进化矩阵M和关联进化矩阵根据拟仿射变换进化架构得到粒子种群XG的下一代粒子种群XG+1；
S5、更新调用评价函数的次数nfe＝nfe+ps，并更新下一代粒子种群XG+1，其中更新下一代粒子种群XG+1包括分别计算粒子种群XG和下一代粒子种群XG+1中每个粒子Xi,G和Xi,G+1的评价函数值f(Xi,G)和f(Xi,G+1)，并选择评价函数值较优的粒子为下一代粒子种群XG+1中对应的粒子，其中下标i表示粒子种群X中的第i个粒子，i∈[1,ps]；
S6、由初始进化矩阵Minit得到布尔型进化矩阵M以及关联进化矩阵通过计算评价函数f(XG+1)的最优值f(Xgbest，G+1)得到G+1次迭代中粒子种群XG+1的当前最优粒子Xgbest，G+1，并令G＝G+1然后回到步骤S3进行判断。
作为本发明上述技术方案的可选方案，所述评价函数f(X)为根据人工智能具体应用所建立的目标函数，且所述粒子种群X以行向量的形式输入评价函数f(X)进行计算，进而得到粒子种群XG中每个粒子Xi,G的评价函数值f(Xi,G)。
作为本发明上述技术方案的可选方案，进行迭代的条件为：
(1)调用评价函数的次数nfe小于调用评价函数的最大次数maxnfe；或者
(2)当前粒子种群的评价函数的最优值与全局最优值f*的差的绝对值小于迭代阈值Δf；或者
(3)同时满足上述条件(1)和(2)。
作为本发明上述技术方案的进一步改进，初始进化矩阵Minit由D维单位下三角矩阵顺序堆叠而成，其中D为第G代粒子种群XG中每个粒子Xi,G的维数，具体堆叠方式如下：
令ps＝k×D+j，其中k为ps除以D的整数商，j为ps除以D的余数，则Minit由k个D维单位下三角矩阵以及D维单位下三角矩阵的前j行顺序堆叠而成。
作为本发明上述技术方案的进一步改进，初始进化矩阵Minit由D维单位下三角矩阵的每行以二项式分布的方式堆叠而成，其中D为第G代粒子种群XG中每个粒子Xi,G的维数，具体堆叠方式如下：
D维单位下三角矩阵中每行重复的次数从上至下服从二项式分布，且总共的行数等于粒子总数ps，则Minit由得到的各行顺序堆叠而成。
作为本发明上述技术方案的可选方案，得到布尔型进化矩阵M的步骤包括：
将初始进化矩阵Minit每个行向量的各个元素进行随机全排列；
对初始进化矩阵Minit进行一次行向量的随机全排列。
作为本发明上述技术方案的可选方案，以如下方式计算变异矩阵B：
(1)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，分别为粒子种群和的第i个行向量；或者
(2)对粒子种群XG进行三次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为例子种群和的第i个行向量；或者
(3)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子，分别为粒子种群和的第i个行向量；或者
(4)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子，分别为粒子种群和的第i个行向量；或者
(5)对粒子种群XG进行三次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子， 和分别为粒子种群和的第i个行向量；或者
(6)对粒子种群XG进行五次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为粒子种群 和的第i个行向量；或者
(7)对粒子种群XG进行四次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为粒子种群 和的第i个行向量。
作为本发明上述技术方案的可选方案，所述差分向量尺度因子F的初始值为0.5。
本发明相对现有技术具有如下有益的技术效果：
本发明提出了人工智能领域中群体智能分支下的一种新的进化架构——QUATRE架构，其不仅能通过实现“解空间”的均匀搜索来达到全局优化的目的，从而消除差分进化方法和粒子集群方法中存在的缺陷，还能够通过更少的参数设定，来降低本方法在实际应用中的实现复杂性；
本发明提出的QUATRE架构可以作为一个独立的优化工具包应用在各种复杂的工程中，如什么样的外形参数可以使飞行器的机翼获得最大的升力、如何设计蒸汽喷嘴参数从而获得最大的蒸汽动力、怎样取值可以得到最佳的图像分割效果，以及怎样在保持城市交通负载最大吞吐量的情况下不产生交通堵塞等问题，等等，QUATRE架构作为人工智能的重要分支，能够解决即优化众多的实际技术问题；
本发明提出的QUATRE架构具有结构简单、功能强大的特性，此外，QUATRE架构的实现方式更符合现代统计学提出的相关理论，并且通过人工智能领域内通用的测试评价函数所进行的测评，QUATRE架构相对于最先进的差分进化方法的变体和粒子集群方法的变体展现了更好的测评结果；
本发明中生成初始进化矩阵Minit以及由初始进化矩阵得到布尔型进化矩阵M的方法，可以体现尽可能多的并且更加均匀的随机性，从而在解决实际技术问题的优化问题上能够得到更加可靠的全局优化解。
附图说明
图1为本发明一种基于QUATRE架构的人工智能全局优化方法的一个实施例的步骤流程图；
图2为本发明的一个实施例中初始进化矩阵Minit堆叠方式的示意图；
图3为本发明的另一个实施例中初始进化矩阵Minit堆叠方式的示意图；
图4为本发明的另一个实施例中得到布尔型进化矩阵M的步骤示意图；
图5(a)、图5(b)为根据本发明一种基于QUATRE架构的人工智能全局优化方法来解决实际技术问题的效果示意图。
具体实施方式
首先，值得强调的是，QUATRE(QUasi-Affine TRansformation Evolutionary)架构是发明人新提出的一种基于拟仿射变换的进化架构，其主要通过进化计算的方式来解决现实生活中用传统的数学公式及模型无法解决的复杂问题。QUATRE架构与群体智能分支下的差分进化方法、粒子集群优化方法、蚁群方法、蜜蜂方法等同属于人工智能的一大分支。
以下结合附图对本发明一种基于QUATRE架构的人工智能全局优化方法的各个实施例作进一步详细的说明。
如图1所示，根据本发明一种基于QUATRE架构的人工智能全局优化方法的一个实施例，所述方法包括如下步骤：
S1、建立拟仿射变换进化架构，所述拟仿射变换进化架构的变换形式为：其中X为粒子种群，粒子种群的大小表示每一代粒子种群中所含粒子的数目，对于不同的技术问题，最佳粒子种群的规模可以不同；M为布尔型进化矩阵，即M矩阵中的元素均为布尔型数值，元素取值为非零即一；为对M取反的关联进化矩阵，即关联进化矩阵中的元素值为通过对进化矩阵M中元素进行二进制取反所得；B为变异矩阵，其主要是在搜索过程停滞时通过重置矩阵元素来在搜索过程中引入多样性；表示矩阵之间元素的按位相乘，即与Matlab软件中矩阵之间的点乘相同。
S2、设置拟仿射变换进化架构的评价函数f(X)、全局最优值f*、迭代阈值Δf、调用评价函数的最大次数maxnfe以及进行迭代的条件，并对进化架构进行初始化。其中，全局最优值f*可以根据实际的应用场景以及所需要解决的实际技术问题来预先设定，例如求全局最小值还是最大值，则全局最优值f*可以设置为全局最小值或最大值。其中，评价函数f(X)的主要作用为评价当前等搜索结点的重要程度，通过评价函数值得到等搜索结点中的最优搜索结点，并能够结合预先设定好的全局最优值f*和迭代阈值Δf一起来判断是否已搜索到全局最优值。目前，人工智能领域中通用的评价函数有多种，如球函数(Spherefunction)、旋转的高条件椭圆函数(Rotated High Conditioned Elliptic Function)、旋转的弯曲Cigar函数(Rotated Bent Cigar Function)、旋转的Discuss函数(RotatedDiscus Function)和异常的幂函数(Different Powers Function)等，当然，这5种评价函数并不意在限制本发明的适用范围，在本步骤中可以使用已知评价函数的任意一种。另外，初始化包括：初始化粒子种群X为X＝XG＝[X1,X2,……,Xps]T G,G＝1，ps为粒子种群X的大小，即粒子种群X中的粒子数，粒子种群中的每一个元素Xi(i＝1，2，……，ps)可以表示为D维空间的一个向量，则上述粒子种群X可以表示为包括ps个行向量；初始化调用评价函数的次数nfe为ps；由初始进化矩阵Minit得到布尔型进化矩阵M以及关联进化矩阵通过计算评价函数f(XG)的最优值f(Xgbest，G)得到G次迭代中粒子种群XG的当前最优粒子Xgbest，G。
S3、判断是否满足进行迭代的条件，若满足进行迭代的条件，则继续执行以下步骤，若不满足进行迭代的条件则停止。作为本发明该实施例的优选实施方式，进行迭代的条件可以设置为如下：
(1)调用评价函数的次数nfe小于调用评价函数的最大次数maxnfe；或者
(2)当前粒子种群的评价函数的最优值与全局最优值f*的差的绝对值小于迭代阈值Δf；或者
(3)同时满足上述条件(1)和(2)。
S4、计算变异矩阵B，由变异矩阵B、布尔型进化矩阵M和关联进化矩阵根据上述拟仿射变换进化架构得到粒子种群XG的下一代粒子种群XG+1。
S5、更新调用评价函数的次数nfe＝nfe+ps，并更新下一代粒子种群XG+1，其中更新下一代粒子种群XG+1包括分别计算粒子种群XG和下一代粒子种群XG+1中每个粒子Xi,G和Xi,G+1的评价函数值f(Xi,G)和f(Xi,G+1)，并选择评价函数值较优的粒子为下一代粒子种群XG+1中对应的粒子，其中下标i表示粒子种群X中的第i个粒子，i∈[1,ps]。例如，寻找最小值对应的解的时候，则保留评价函数值小的作为下一代粒子种群中对应的粒子，反之选取评价函数值大的作为下一代粒子粒子种群中对应的粒子。
S6、由初始进化矩阵Minit得到布尔型进化矩阵M以及关联进化矩阵通过计算评价函数f(XG+1)的最优值f(Xgbest，G+1)得到G+1次迭代中粒子种群XG+1的当前最优粒子Xgbest，G+1，并令G＝G+1然后回到步骤S3进行判断。
作为本发明上述实施例的优选实施方式，所述评价函数f(X)为根据人工智能具体应用所建立的目标函数，且所述粒子种群X以行向量的形式输入评价函数f(X)进行计算，进而得到粒子种群XG中每个粒子Xi,G的评价函数值f(Xi,G)。
根据本发明的另一个实施例，其包括上述实施例的基础步骤，并在上述实施例的基础上，初始进化矩阵Minit可以由D维单位下三角矩阵顺序堆叠而成，其中D为第G代粒子种群XG中每个粒子Xi,G的维数，如图2所示，其具体堆叠方式如下：
令ps＝k×D+j，其中k为ps除以D的整数商，j为ps除以D的余数，则Minit由k个D维单位下三角矩阵以及D维单位下三角矩阵的前j行顺序堆叠而成。
根据本发明的另一个实施例，其包括上述实施例的基础步骤，并在上述实施例的基础上，初始进化矩阵Minit可以由D维单位下三角矩阵的每行以二项式分布的方式堆叠而成，其中D为第G代粒子种群XG中每个粒子Xi,G的维数。如图3所示，以种群粒子数为100个、例子的空间维数D为9维为例，其具体堆叠方式如下：
9维单位下三角矩阵中每行重复的次数从上至下服从二项式分布，且总共的行数等于粒子总数100，则Minit由得到的各行顺序堆叠而成，从而形成一个100×9的矩阵。当然，这只是个示例，根据实际的技术问题，种群的粒子数和例子的空间维数D可以取不同的值。
作为本发明上述实施例的优选实施方式，其中D维单位下三角矩阵的每行重复的次数可以服从贝叶斯分布。
根据本发明的另一个实施例，其包括上述实施例的基础步骤，并在上述实施例的基础上，得到布尔型进化矩阵M的步骤如图4所示，可以包括：将初始进化矩阵Minit每个行向量的各个元素进行随机全排列；对初始进化矩阵Minit进行一次行向量的随机全排列。为了更明显地显示布尔型进化矩阵M是如果由初始进化矩阵Minit变换而来，图4中Minit矩阵中的各个元素被特地设置成了均不相同的元素，但在实际操作时，初始进化矩阵Minit的各个元素为图2或图3所示，非零即一。
当然，在上述实施例中，根据实际情况，也可以先对初始进化矩阵Minit进行一次行向量的随机全排列，再将初始进化矩阵Minit每个行向量的各个元素进行随机全排列。
根据本发明的另一个实施例，其包括上述实施例的基础步骤，并在上述实施例的基础上，可以使用如下方式来计算变异矩阵B：
(1)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，分别为粒子种群和的第i个行向量；或者
(2)对粒子种群XG进行三次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为例子种群和的第i个行向量；或者
(3)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子，分别为粒子种群和的第i个行向量；或者
(4)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子，分别为粒子种群和的第i个行向量；或者
(5)对粒子种群XG进行三次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子， 和分别为粒子种群和的第i个行向量；或者
(6)对粒子种群XG进行五次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为粒子种群 和的第i个行向量；或者
(7)对粒子种群XG进行四次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为粒子种群 和的第i个行向量。
作为本发明上述实施例的优选实施方式，所述差分向量尺度因子F的初始值可以设置为0.5。在本发明优化方法以后的每一次的迭代中，差分向量尺度因子F的值可以为(0，1)之间的其它值，并且以后的每一次的迭代中差分向量尺度因子F的值可以依赖于前一次的差分向量尺度因子F的值。当然，差分向量尺度因子F的初始值设置为(0，1)之间的其它值也是可行的。
为了更加清楚地描述本发明一种基于QUATRE架构的人工智能全局优化方法在解决实际技术问题中的优势，本申请在以下以视频图像分割中肤色模型的设定为例子，来阐述本发明在解决实际技术问题方面能够体现更明显的全局优化作用。
例如，以HSV肤色模型为例，每种肤色设置为三个有序数对(a，b，c)，其中a、b、c的取值范围均为[0，255]。对于一组测试样本(包含皮肤颜色的测试图片组)，如何分别设定有序数对(a，b，c)中a、b、c的取值，才能使得肤色分割的效果对于测试样本集为最优，这是一个优化问题。利用本发明的一种基于QUATRE架构的人工智能全局优化方法，可以将表示肤色的有序数对(a，b，c)看成是一个三维空间的离散点，且a、b、c的取值范围均为[0，255]，为了简化本实施例的优化过程，取a、b、c均为[0，255]中的整数，即a、b、c分别可以有256个不同的取值，因此基于此肤色分割的肤色阈值全局优化问题的粒子种群可以有2563个。其中每个粒子的取值为一个三维向量，通过设定评价函数，如图像中手势面积的大小，以及手势面积的最优值，并同时设定一个阈值来评价每次的迭代是否到达全局最优值，来得到一个图像中一个连通区域的表示手势的二值图。图5(a)显示了基于本发明提出的QUATRE架构而分割出的多个只有肤色区域的图像。进一步，还可以基于分割出的多个只有肤色区域的图像，而利用本发明提出的QUATRE架构得到肤色轮廓，如图5(b)所示。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。

Claims (8)

1.一种基于QUATRE架构的人工智能全局优化方法，其特征在于，所述方法包括如下步骤：
S1、建立拟仿射变换进化架构，所述拟仿射变换进化架构的变换形式为：其中X为粒子种群，M为布尔型进化矩阵，为对M取反的关联进化矩阵，B为变异矩阵，表示矩阵之间元素的按位相乘；
S2、设置拟仿射变换进化架构的评价函数f(X)、全局最优值f*、迭代阈值Δf、调用评价函数的最大次数maxnfe以及进行迭代的条件，并对进化架构进行初始化，所述初始化包括初始化粒子种群X为X＝XG＝[X1,X2,……,Xps]T G,G＝1，ps为粒子种群X中的粒子数，初始化调用评价函数的次数nfe＝ps，由初始进化矩阵Minit得到布尔型进化矩阵M以及关联进化矩阵通过计算评价函数f(XG)的最优值f(Xgbest，G)得到G次迭代中粒子种群XG的当前最优粒子Xgbest，G；
S3、判断是否满足进行迭代的条件，若满足进行迭代的条件，则继续执行以下步骤，若不满足进行迭代的条件则停止；
S4、计算变异矩阵B，由变异矩阵B、布尔型进化矩阵M和关联进化矩阵根据拟仿射变换进化架构得到粒子种群XG的下一代粒子种群XG+1；
S5、更新调用评价函数的次数nfe＝nfe+ps，并更新下一代粒子种群XG+1，其中更新下一代粒子种群XG+1包括分别计算粒子种群XG和下一代粒子种群XG+1中每个粒子Xi,G和Xi,G+1的评价函数值f(Xi,G)和f(Xi,G+1)，并选择评价函数值较优的粒子为下一代粒子种群XG+1中对应的粒子，其中下标i表示粒子种群X中的第i个粒子，i∈[1,ps]；
S6、由初始进化矩阵Minit得到布尔型进化矩阵M以及关联进化矩阵通过计算评价函数f(XG+1)的最优值f(Xgbest，G+1)得到G+1次迭代中粒子种群XG+1的当前最优粒子Xgbest，G+1，并令G＝G+1然后回到步骤S3进行判断。
2.根据权利要求1所述的一种基于QUATRE架构的人工智能全局优化方法，其特征在于，所述评价函数f(X)为根据人工智能具体应用所建立的目标函数，且所述粒子种群X以行向量的形式输入评价函数f(X)进行计算，进而得到粒子种群XG中每个粒子Xi,G的评价函数值f(Xi,G)。
3.根据权利要求1所述的一种基于QUATRE架构的人工智能全局优化方法，其特征在于，进行迭代的条件为：
(1)调用评价函数的次数nfe小于调用评价函数的最大次数maxnfe；或者
(2)当前粒子种群的评价函数的最优值与全局最优值f*的差的绝对值小于迭代阈值Δf；或者
(3)同时满足上述条件(1)和(2)。
4.根据权利要求1所述的一种基于QUATRE架构的人工智能全局优化方法，其特征在于，初始进化矩阵Minit由D维单位下三角矩阵顺序堆叠而成，其中D为第G代粒子种群XG中每个粒子Xi,G的维数，具体堆叠方式如下：
令ps＝k×D+j，其中k为ps除以D的整数商，j为ps除以D的余数，则Minit由k个D维单位下三角矩阵以及D维单位下三角矩阵的前j行顺序堆叠而成。
5.根据权利要求1所述的一种基于QUATRE架构的人工智能全局优化方法，其特征在于，初始进化矩阵Minit由D维单位下三角矩阵的每行以二项式分布的方式堆叠而成，其中D为第G代粒子种群XG中每个粒子Xi,G的维数，具体堆叠方式如下：
D维单位下三角矩阵中每行重复的次数从上至下服从二项式分布，且总共的行数等于粒子总数ps，则Minit由得到的各行顺序堆叠而成。
6.根据权利要求4或5所述的一种基于QUATRE架构的人工智能全局优化方法，其特征在于，得到布尔型进化矩阵M的步骤包括：
将初始进化矩阵Minit每个行向量的各个元素进行随机全排列；
对初始进化矩阵Minit进行一次行向量的随机全排列。
7.根据权利要求1所述的一种基于QUATRE架构的人工智能全局优化方法，其特征在于，以如下方式计算变异矩阵B：
(1)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，分别为粒子种群和的第i个行向量；或者
(2)对粒子种群XG进行三次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为例子种群和的第i个行向量；或者
(3)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子，分别为粒子种群和的第i个行向量；或者
(4)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子，分别为粒子种群和的第i个行向量；或者
(5)对粒子种群XG进行三次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子， 和分别为粒子种群和的第i个行向量；或者
(6)对粒子种群XG进行五次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为粒子种群 和的第i个行向量；或者
(7)对粒子种群XG进行四次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为粒子种群 和的第i个行向量。
8.根据权利要求7所述的一种基于QUATRE架构的人工智能全局优化方法，其特征在于，所述差分向量尺度因子F的初始值为0.5。
CN201710686503.2A 2017-08-11 2017-08-11 一种基于quatre架构的人工智能全局优化方法 Pending CN107506820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710686503.2A CN107506820A (zh) 2017-08-11 2017-08-11 一种基于quatre架构的人工智能全局优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710686503.2A CN107506820A (zh) 2017-08-11 2017-08-11 一种基于quatre架构的人工智能全局优化方法

Publications (1)

Publication Number Publication Date
CN107506820A true CN107506820A (zh) 2017-12-22

Family

ID=60690742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710686503.2A Pending CN107506820A (zh) 2017-08-11 2017-08-11 一种基于quatre架构的人工智能全局优化方法

Country Status (1)

Country Link
CN (1) CN107506820A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111273545A (zh) * 2020-01-16 2020-06-12 山东科技大学 基于多群多选择交流策略的quatre算法的自动寻优控制方法
CN112770257A (zh) * 2021-01-19 2021-05-07 广西中教教育投资集团有限公司 一种物联网中移动传感器节点的智能定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111273545A (zh) * 2020-01-16 2020-06-12 山东科技大学 基于多群多选择交流策略的quatre算法的自动寻优控制方法
CN112770257A (zh) * 2021-01-19 2021-05-07 广西中教教育投资集团有限公司 一种物联网中移动传感器节点的智能定位方法

Similar Documents

Publication Publication Date Title
Ghaseminezhad et al. A novel self-organizing map (SOM) neural network for discrete groups of data clustering
Xie et al. Community detection using a neighborhood strength driven label propagation algorithm
Vitaladevuni et al. Co-clustering of image segments using convex optimization applied to EM neuronal reconstruction
CN107766850A (zh) 基于结合人脸属性信息的人脸识别方法
Cai et al. Network structural balance based on evolutionary multiobjective optimization: A two-step approach
CN104537126B (zh) 一种基于边图随机游走的重叠社区发现方法
CN107292341A (zh) 基于成对协同正则化和nmf的自适应多视图聚类方法
CN111311702B (zh) 一种基于BlockGAN的图像生成和识别模块及方法
Jia et al. Strong structural controllability of systems on colored graphs
Satapathy et al. Improved teaching learning based optimization for global function optimization
CN108205703A (zh) 多输入多输出矩阵平均值池化向量化实现方法
CN109544204A (zh) 一种基于轻量化多任务卷积神经网络的导购行为分析方法
Jing et al. Community detection in sparse networks using the symmetrized laplacian inverse matrix (slim)
CN108832615A (zh) 一种基于改进二进制粒子群算法的配电网重构方法及系统
CN107506820A (zh) 一种基于quatre架构的人工智能全局优化方法
CN114565239A (zh) 用于产业园区的综合低碳能源调度方法及系统
CN110084136A (zh) 基于超像素crf模型的上下文优化室内场景语义标注方法
Kolar et al. Markov network estimation from multi-attribute data
Salehizadeh et al. Local optima avoidable particle swarm optimization
CN109697511B (zh) 数据推理方法、装置及计算机设备
CN107122472A (zh) 大规模非结构化数据提取方法、其系统、分布式数据管理平台
Zhao et al. A mapping method for convolutional neural networks on network-on-chip
Zhou et al. Event-based bipartite consensus on signed networks
Liu et al. Leader–follower controllability of signed networks
Ultsch et al. ESOM visualizations for quality assessment in clustering

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: 20171222

RJ01 Rejection of invention patent application after publication