CN108764586A - 模糊Petri网参数优化方法、系统及电子设备 - Google Patents

模糊Petri网参数优化方法、系统及电子设备 Download PDF

Info

Publication number
CN108764586A
CN108764586A CN201810643087.2A CN201810643087A CN108764586A CN 108764586 A CN108764586 A CN 108764586A CN 201810643087 A CN201810643087 A CN 201810643087A CN 108764586 A CN108764586 A CN 108764586A
Authority
CN
China
Prior art keywords
individual
population
fuzzy
processing
initial population
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
CN201810643087.2A
Other languages
English (en)
Inventor
周恺卿
莫礼平
刘笔余
许诗文
江威
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.)
Jishou University
Original Assignee
Jishou University
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 Jishou University filed Critical Jishou University
Priority to CN201810643087.2A priority Critical patent/CN108764586A/zh
Publication of CN108764586A publication Critical patent/CN108764586A/zh
Pending legal-status Critical Current

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
    • G06N3/004—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]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种模糊Petri网参数优化方法、系统及电子设备，该方法包括：利用模糊产生式规则对Petri网模型进行模糊处理以得到模糊Petri网模型，并基于蛙跳算法创建基于模糊Petri网模型中的待优化参数的初始种群，对初始种群利用遗传算法进行优化处理，并对优化处理后的初始种群利用蛙跳算法进行迭代优化，直至得到的新的种群满足预设的停止条件或迭代次数达到预设最大次数为止即跳出迭代，并从得到的新种群中获得最优解。该优化方案，利用模糊产生式规则使Petri网模型具有更好的知识表达及知识获取能力，并利用改进蛙跳算法进行优化处理，避免了模糊Petri网模型中参数需人为设定所带来的弊端，提高了参数优化精度，进一步提高了模糊Petri网模型输出结果的准确性。

Description

模糊Petri网参数优化方法、系统及电子设备
技术领域
本发明涉及软件系统技术领域，具体而言，涉及一种模糊Petri网参数优化方法、系统及电子设备。
背景技术
Petri网(Petri Net，PN)是一种具有高效的异步、并发的建模能力和数据分析能力的计算机系统模型，被广泛应用于计算机系统各个组成部分之间的异步、并发通信中。但是，现有的Petri网作为一种理论工具难以描述不确定性知识的问题。因此，现有技术中采用模糊产生式对Petri网进行模糊处理。但是模糊Petri网模型中的参数通常依赖于人的经验以进行人工设定，导致模型中参数无法进行智能优化，模型输出精度较低。
发明内容
有鉴于此，本申请的目的在于，提供一种模糊Petri网参数优化方法、系统及电子设备以改善上述问题。
本申请实施例提供一种模糊Petri网参数优化方法，所述方法包括：
利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型，并获得所述模糊Petri网模型中的待优化参数；
基于蛙跳算法创建所述待优化参数的初始种群；
针对所述初始种群中的各个个体，计算各所述个体的适应度；
根据所述适应度检测所述初始种群是否满足预设优化规则，若不满足预设优化规则，则利用遗传算法对所述初始种群进行优化处理直至处理后的初始种群满足所述预设优化规则为止；
初始化迭代次数，利用蛙跳算法对满足所述预设优化规则的初始种群进行优化处理以得到新种群；
更新迭代次数，对所述新种群进行优化处理直至所述新种群满足预设停止条件或迭代次数达到预设最大次数时停止迭代；
从停止迭代后所得到的新种群中获得最优解，并将所述最优解输出。
可选地，所述利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型的步骤，包括：
利用模糊产生式规则中的简单规则、与规则以及或规则分别对构建的Petri网模型进行模糊处理；
获得待优化的模糊Petri网模型如下：
FPN＝{P,T,I,O,M,CF,W,U}
其中，P＝{p1,p2,......,pn}为库所的有限集合，T＝{t1,t2,......,tn}为变迁的有限集合，I(O)为输入(输出)函数，反映变迁到库所输入(输出)映射关系，M是一个映射，每一库所结点Pi∈P(i＝1,2,......n)对应一标记值M(pi)，CF＝{CF1,CF2,......,CFm}，CFj为变迁tj的阈值，tj∈t(j＝1,2,......m)，W＝{w1,w2,......,wn}是规则的权值集合，反映规则中前提条件对结论支持程度，U＝{μ1,μ2,......,μn}，μj为变迁tj的确信度，μj∈(0,1](j＝1,2,......m)。
可选地，所述待优化参数为所述模糊Petri网模型中的变迁的确信度μ、变迁的阈值CF以及规则的权值w。
可选地，所述利用蛙跳算法对满足所述预设优化规则的初始种群进行优化处理以得到新种群的步骤，包括：
针对满足所述预设优化规则的初始种群中的各个个体，按其对应的适应度将各个个体按降序顺序进行排序；
将排序后的多个个体划分成多个子种群；
针对各个子种群，对所述子种群中的个体进行局部优化处理；
将多个子种群中经过局部优化处理后的个体进行汇总以及排序以得到新种群。
可选地，所述针对各个子种群，对所述子种群中的个体进行局部优化处理的步骤，包括：
针对各个子种群，确定所述子种群中的多个个体所对应的最优位置Pb和最差位置Pw，并按以下公式对最差位置Pw对应的个体的位置进行更新处理：
Di＝rand*(Pb-Pw)
temp＝Pw+Di(D≥Di≥-D)
其中，Di为个体移动的距离，temp为个体从最差位置Pw进行移动后的新的位置，D为个体移动的最大步长，rand为[0,1]之间的随机数；
检测移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则按以下公式重新计算得到移动后的新的位置temp：
temp＝Pg+Di
其中，Pg为当前全局最优位置；
检测重新计算得到的移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则随机产生一个个体，并以该个体对应的位置替代所述移动前的最差位置Pw。
可选地，所述利用遗传算法对所述初始种群进行优化处理直至处理后的初始种群满足所述预设优化规则为止的步骤，包括：
根据所述初始种群中各个个体的适应度值，利用遗传算法的选择机制从所述初始种群中选择出满足预设条件的个体；
对选择出的个体采用遗传算法中的交叉机制以对各个个体中的部分染色体进行交叉处理以得到新的个体；
针对交叉处理后的各个个体，采用遗传算法中的变异机制改变所述个体的染色体以得到变异后的新的个体。
本申请实施例还提供一种模糊Petri网参数优化系统，所述系统包括：
模型建立模块，用于利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型，并获得所述模糊Petri网模型中的待优化参数；
初始种群建立模块，用于基于蛙跳算法创建所述待优化参数的初始种群；
适应度计算模块，用于针对所述初始种群中的各个个体，计算各所述个体的适应度；
第一优化处理模块，用于根据所述适应度检测所述初始种群是否满足预设优化规则，若不满足预设优化规则，则利用遗传算法对所述初始种群进行优化处理直至处理后的初始种群满足所述预设优化规则为止；
第二优化处理模块，用于初始化迭代次数，利用蛙跳算法对满足所述预设优化规则的初始种群进行优化处理以得到新种群；
更新模块，用于更新迭代次数，对所述新种群进行优化处理直至所述新种群满足预设停止条件或迭代次数达到预设最大次数时停止迭代；
最优解获取模块，用于从停止迭代后所得到的新种群中获得最优解，并将所述最优解输出。
可选地，所述第二优化处理模块包括：
排序单元，用于针对满足所述预设优化规则的初始种群中的各个个体，按其对应的适应度将各个个体按降序顺序进行排序；
划分单元，用于将排序后的多个个体划分成多个子种群；
局部优化单元，用于针对各个子种群，对所述子种群中的个体进行局部优化处理；
新种群获取单元，用于将多个子种群中经过局部优化处理后的个体进行汇总以及排序以得到新种群。
可选地，所述局部优化单元包括：
更新子单元，用于针对各个子种群，确定所述子种群中的多个个体所对应的最优位置Pb和最差位置Pw，并按以下公式对最差位置Pw对应的个体的位置进行更新：
Di＝rand*(Pb-Pw)
temp＝Pw+Di(D≥Di≥-D)
其中，Di为个体移动的距离，temp为个体从最差位置Pw进行移动后的新的位置，D为个体移动的最大步长，rand为[0,1]之间的随机数；
计算子单元，用于检测移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则按以下公式重新计算得到移动后的新的位置temp：
temp＝Pg+Di
其中，Pg为当前全局最优位置；
替代子单元，用于检测重新计算得到的移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则随机产生一个个体，并以将该个体对应的位置替代所述移动前的最差位置Pw。
本申请实施例还提供一种电子设备，包括处理器及和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现上述的方法。
本申请实施例提供的模糊Petri网参数优化方法、系统及电子设备，利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型，并基于蛙跳算法创建基于模糊Petri网模型中的待优化参数的初始种群，对初始种群利用遗传算法进行优化处理，并对优化处理后的初始种群利用蛙跳算法进行迭代优化，直至得到的新的种群满足预设的停止条件或迭代次数达到预设最大次数为止即跳出迭代，并从得到的新种群中获得最优解。该优化方案，通过模糊产生式规则对Petri网模型进行模糊处理，使Petri网模型具有更好的知识表达及知识获取能力，并利用蛙跳算法和遗传算法的结合对模糊Petri网模型中的待优化参数进行优化处理，避免了模糊Petri网模型中参数需人为设定所带来的弊端，并且通过蛙跳算法和遗传算法的结合提高了参数优化精度，进一步提高了模糊Petri网模型输出结果的准确性。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的电子设备的结构框图。
图2为本申请实施例提供的模糊Petri网参数优化方法的流程图。
图3(a)、(b)、(c)分别为模糊产生式规则中的简单规则、与规则以及或规则对应的模糊Petri网模型。
图4为本申请实施例提供的模糊产生式规则对应的模糊Petri网模型。
图5为图2中步骤S130的子步骤的流程图。
图6为图2中步骤S150的子步骤的流程图。
图7为本申请实施例提供的基于改进蛙跳算法的模糊Petri网参数系统的功能模块框图。
图8为本申请实施例提供的第二优化处理模块的功能模块框图。
图9为本申请实施例提供的局部优化单元的功能模块框图。
图标：100-电子设备；110-模糊Petri网参数优化系统；111-模型建立模块；112-初始种群建立模块；113-适应度计算模块；114-第一优化处理模块；115-第二优化处理模块；1151-排序单元；1152-划分单元；1153-局部优化单元；11531-更新子单元；11532-计算子单元；11533-替代子单元；1154-新种群获取单元；116-更新模块；117-最优解获取模块；120-处理器；130-存储器。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
如图1所示，本发明实施例提供了一种电子设备100，所述电子设备100包括存储器130、处理器120和模糊Petri网参数优化系统110。
所述存储器130和处理器120之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述模糊Petri网参数优化系统110包括至少一个可以软件或固件(firmware)的形式存储于所述存储器130中的软件功能模块。所述处理器120用于执行所述存储器130中存储的可执行的计算机程序，例如，所述模糊Petri网参数优化系统110所包括的软件功能模块及计算机程序等，以实现模糊Petri网参数优化方法。
其中，所述存储器130可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器130用于存储程序，所述处理器120在接收到执行指令后，执行所述程序。
所述处理器120可能是一种集成电路芯片，具有信号的处理能力。上述的处理器120可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器120也可以是任何常规的处理器等。
可以理解，图1所示的结构仅为示意，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
可选地，所述电子设备100的具体类型不受限制，例如，可以是，但不限于，个人电脑(personal computer，PC)、平板电脑、个人数字助理(personal digital assistant，PDA)、移动上网设备(mobile Internet device，MID)、web(网站)服务器、数据服务器等具有处理功能的设备。
结合图2，本发明实施例还提供一种可应用于上述电子设备100的模糊Petri网参数优化方法。其中，所述方法有关的流程所定义的方法步骤可以由所述处理器120实现。下面将对图2所示的具体流程进行详细阐述。
步骤S110，利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型，并获得所述模糊Petri网模型中的待优化参数。
Petri网(Petri Net，PN)是一种具有高效的异步、并发的建模能力和数据分析能力的计算机系统模型，被广泛应用于计算机系统各个组成部分之间的异步、并发通信中。但是Petri网作为一种理论工具难以描述不确定性知识的问题。因此，在本实施例中，利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型。
其中，模糊产生式规则是目前人工智能领域应用最主流的一种知识表示模式之一，被广泛运用于描述专家系统中的不确定性知识。模糊产生式规则包括简单规则、与规则以及或规则。模糊产生式的基本形式形如：A→B或者IF A THEN B。其中，A是产生式的前提，用于指出该产生式是否可用的条件。B是一组结论或者是操作，用于指出当前提A被满足时，应该得到的结论或者应该执行的操作。整个产生式的含义为：如果前提A被满足，则可推出结论B或执行B所规定的操作。
将模糊产生式规则形式化描述如下：ifD(λ)thenQ(CF,μ,w)，其中，D是有限的前提条件集合，D＝{D1,D，2,...，,Dn}；Q是有限的结论集合，Q＝{Q1,，Q2,...,Qn}；λ是各个前提条件的真实程度，λ∈[0，1]；CF是该条规则的可信程度，CF∈(0,1]是指该条规则被执行后得到结论的可信程度；μ是该条规则的阈值，μ∈(0,1]；w是各个前提条件的权重，w∈(0,1]。
本实施例中，基于上述的模糊产生式规则对构建的Petri网模型进行模糊处理，得到的模糊Petri网模型为一个八元组，包括库所、变迁、确信度、阈值以及权值五部分，模糊产生式规则与Petri网模型中的元素具有一一对应的关系，模糊Petri网模型中的每一个变迁与一个模糊产生式相对应。建立的模糊Petri网模型具体如下：
FPN＝{P,T,I,O,M,CF,W,U}
其中，P＝{p1,p2,......,pn}为库所的有限集合，T＝{t1,t2,......,tn}为变迁的有限集合，I(O)为输入(输出)函数，反映变迁到库所输入(输出)映射关系，M是一个映射，每一库所结点Pi∈P(i＝1,2,......n)对应一标记值M(pi)，CF＝{CF1,CF2,......,CFm}，CFj为变迁tj的阈值，tj∈t(j＝1,2,......m)，W＝{w1,w2,......,wn}是规则的权值集合，反映规则中前提条件对结论支持程度，U＝{μ1,μ2,......,μn}，μj为变迁tj的确信度，μj∈(0,1](j＝1,2,......m)。
在模糊产生式规则中当多个简单问题的解同时成立的时候，原问题才有解，则该多个简单问题为与关系。若多个简单问题成立均可使得原问题成立，则该多个简单问题间的关系就是或关系。只由一个子问题成立便能使原问题成立的成为简单关系。不能再被分解的问题称为本原问题。
其中，简单规则可表示为：ifD(λ)thenQ(CF,μ,w＝1)，与规则可表示为：ifD1(λ1)andD2(λn)thenQ(CF,μ,∑wi＝1)，或规则可表示为：ifD1(λ1)orD2(λn)oeLorDn(λn)thenQ(CFi,μi,wi＝1)。模糊产生式规则中的简单规则、与规则以及或规则对应的模糊Petri网模型分别如图3(a)、(b)、(c)所示。
在本实施例中，利用模糊产生式规则构建的待优化的模糊Petri网模型可如图4中所示，其中，待优化参数为变迁的确信度U、变迁的阈值CF以及规则的权值w。
步骤S120，基于蛙跳算法创建所述待优化参数的初始种群。
步骤S130，针对所述初始种群中的各个个体，计算各所述个体的适应度。
在蛙跳算法中，一个种群里有很多的个体，每一个个体代表算法的一个解。一个种群由很多个子种群组成，一定数量的个体构成了一个子种群。每一个子种群都是具有自己文化的个体种群。在该算法中，首先，分别在各子种群内进行局部搜索。在一个子种群中，每个个体都具有自己的文化值，个体的文化值都能受到其他个体的影响。随着子种群的进化，个体的文化值也会随之进化。每个子种群经过一定的进化后，种群也会进行全局进化。然后，子种群继续进行局部搜索优化，直到迭代结束。
初始化种群参数，其中，G为总迭代次数，M为子种群数，I为一个子种群中的个体数，d为个体维数，N为子种群内更新次数，pmax为文化值的最大值，pmin为文化值的最小值，D为个体移动的最大值，个体总数P＝M*I。
设i＝1，i在1到P之间，为个体的计数，每次循坏，i＝i+1。在可行解空间内，生成P个个体的初始适应度，即U(1)，U(2)，...U(P)，在这里，每一个个体代表优化问题中的一个候选解，第i个个体的性能表示为U(i)＝(Ui 1,Ui 2,Ui 3...Ui d)，其中d代表个体维数，U(i)的适应度为fitnessSFLA(i)。
在本实施例中，基于蛙跳算法创建待优化参数的初始种群，针对初始种群中的各个个体，计算各个个体的适应度。其中，适应度的大小代表了该个体的优劣，适应度越高表示个体越好，适应度越小表示个体越差。
步骤S140，根据所述适应度检测所述初始种群是否满足预设优化规则，若不满足预设优化规则，则利用遗传算法对所述初始种群进行优化处理直至处理后的初始种群满足所述预设优化规则为止。
在本实施例中，基于产生的初始种群计算初始种群中各个个体的适应度，并检测适应度是否满足预设优化规则。例如，可统计初始种群中的个体的适应度之和，并检测所述适应度之和是否大于预设阈值，若大于预设阈值，则表明产生的初始种群中的个体整体较为优秀，可继续执行后续的蛙跳算法的优化。而若计算得到的适应度值之和小于预设阈值，则表明整体适应度较低，此时，采用遗传算法对初始种群进行优化，直至得到的用于蛙跳算法优化的初始种群达到预设优化规则为止。
可选地，在本实施例中，请参阅图5，利用遗传算法对所述初始种群进行优化处理的步骤可通过以下过程实现：
步骤S131，根据所述初始种群中各个个体的适应度值，利用遗传算法的选择机制从所述初始种群中选择出满足预设条件的个体。
步骤S132，对选择出的个体采用遗传算法中的交叉机制以对各个个体中的部分染色体进行交叉处理以得到新的个体。
步骤S133，针对交叉处理后的各个个体，采用遗传算法中的变异机制改变所述个体的染色体以得到变异后的新的个体。
在本实施例中，基于所述初始种群中各个个体的适应度值利用遗传算法的选择机制从初始种群中选择出满足预设条件的个体。其中，适应度值越大的个体被选择的几率越大，例如，fitness(i)为个体i的适应度，sumfitness为多个个体适应度之和那么个体i被选择的概率为：
如此，通过遗传算法的选择机制选择出初始种群中的适应度值较大的个体以复制给下一代个体。通过以上过程根据个体的适应度进行选择，将适应度值较低的个体从种群中淘汰。
可选地，将选择出的个体的染色体进行交叉处理，例如，将当前群体中的个体随机搭配成一对，根据预设的交叉概率交换它们的部分染色体，如此产生下一代的新的个体。
进一步地，根据遗传算法的变异机制，利用预设的变异概率，使用Mutation()函数，改变新的个体中的某一个或者某一些基因为其他的基因值，产生下一代的新的变异的个体。
通过以上过程对初始种群中的个体分别进行选择、交叉、变异处理以得到新的种群。再检测新种群是否满足预设优化规则，若不满足，则继续对种群进行选择、交叉以及变异处理直至得到的种群满足预设优化规则为止。
步骤S150，初始化迭代次数，利用蛙跳算法对满足所述预设优化规则的初始种群进行优化处理以得到新种群。
本实施例中，在通过遗传算法对初始种群进行优化处理以得到满足预设优化规则的初始种群后，初始化迭代次数，利用蛙跳算法对初始种群进行优化处理。
可选地，请参阅图6，在本实施例中，步骤S150可以包括步骤S151、步骤S152、步骤S153以及步骤S154四个子步骤。
步骤S151，针对满足所述预设优化规则的初始种群中的各个个体，按其对应的适应度将各个个体按降序顺序进行排序。
步骤S152，将排序后的多个个体划分成多个子种群。
步骤S153，针对各个子种群，对所述子种群中的个体进行局部优化处理。
步骤S154，将多个子种群中经过局部优化处理后的个体进行汇总以及排序以得到新种群。
经过遗传算法对初始种群的优化处理之后，此时的迭代次数初始化为i1＝1，i1在1到G之间，为全局迭代次数的计数，每次循坏，i1＝i1+1。
设i2＝1，i2在1到P之间，也为个体的计数，每次循坏，i2＝i2+1，用于个体适应度的排序。将P个个体的适应度按照从高到低的顺序。利用bestOne矩阵存放每次全局优化后所有个体中最优的个体。
设i3＝1，i3在1到M之间，为子种群的计数，每次循坏，i3＝i3+1。将排序后的第1个个体放入第1个子种群，第2个个体放入第2个子种群，第M个个体放入第M个子种群，第M+1个个体放入第1个子种群，第M+2个个体放入第2个子种群，依次类推，直到所有的个体全部划分进入子种群，且满足P＝M*I。
将所有的个体划分至子种群之后，个体在子种群内部进行局部优化处理。可选地，该步骤可通过以下过程实现：
针对各个子种群，确定所述子种群中的多个个体所对应的最优位置Pb和最差位置Pw，并按以下公式对最差位置Pw对应的个体的位置进行更新处理：
Di＝rand*(Pb-Pw)
temp＝Pw+Di(D≥Di≥-D)
其中，Di为个体移动的距离，temp为个体从最差位置Pw进行移动后的新的位置，D为个体移动的最大步长，rand为[0,1]之间的随机数。
检测移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则按以下公式重新计算得到移动后的新的位置temp：
temp＝Pg+Di
其中，Pg为当前全局最优位置。
检测重新计算得到的移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则随机产生一个个体，并以该个体对应的位置替代所述移动前的最差位置Pw。
如此，将多个子种群中经过局部优化处理后的个体进行汇总以及排序以得到新种群。
步骤S160，更新迭代次数，对所述新种群进行优化处理直至所述新种群满足预设停止条件或迭代次数达到预设最大次数时停止迭代。
步骤S170，从停止迭代后所得到的新种群中获得最优解，并将所述最优解输出。
在预设的局部优化次数迭代结束之后，得到新的种群，并更新全局迭代次数，以得到的新种群再循环执行上述的优化处理过程直至新种群满足预设停止条件(即达到预设的期望值)或者是达到预设最大次数为止，即跳出优化进程。此时，从得到的最终的新种群中获得其中的最优解，即最终的全局最优解。该全局最优解即为模糊Petri网模型中的待优化参数的最优值，该最优值有利于提高模糊Petri网模型的输出结果的精度。
请参阅图7，本申请实施例还提供一种模糊Petri网参数优化系统110，该优化系统应用于上述的电子设备100，所述优化系统包括模型建立模块111、初始种群建立模块112、适应度计算模块113、第一优化处理模块114、第二优化处理模块115、更新模块116以及最优解获取模块117。
所述模型建立模块111用于利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型，并获得所述模糊Petri网模型中的待优化参数。
所述初始种群建立模块112用于基于蛙跳算法创建所述待优化参数的初始种群。
所述适应度计算模块113用于针对所述初始种群中的各个个体，计算各所述个体的适应度。
所述第一优化处理模块114用于根据所述适应度检测所述初始种群是否满足预设优化规则，若不满足预设优化规则，则利用遗传算法对所述初始种群进行优化处理直至处理后的初始种群满足所述预设优化规则为止。
所述第二优化处理模块115用于初始化迭代次数，利用蛙跳算法对满足所述预设优化规则的初始种群进行优化处理以得到新种群。
所述更新模块116用于更新迭代次数，对所述新种群进行优化处理直至所述新种群满足预设停止条件或迭代次数达到预设最大次数时停止迭代。
所述最优解获取模块117用于从停止迭代后所得到的新种群中获得最优解，并将所述最优解输出。
可选地，请参阅图8，在本实施例中，所述第二优化处理模块115包括排序单元1151、划分单元1152、局部优化单元1153以及新种群获取单元1154。
所述排序单元1151用于针对满足所述预设优化规则的初始种群中的各个个体，按其对应的适应度将各个个体按降序顺序进行排序。
所述划分单元1152用于将排序后的多个个体划分成多个子种群。
所述局部优化单元1153用于针对各个子种群，对所述子种群中的个体进行局部优化处理。
所述新种群获取单元1154用于将多个子种群中经过局部优化处理后的个体进行汇总以及排序以得到新种群。
可选地，请参阅图9，在本实施例中，所述局部优化单元1153包括更新子单元11531、计算子单元11532以及替代子单元11533。
所述更新子单元11531用于针对各个子种群，确定所述子种群中的多个个体所对应的最优位置Pb和最差位置Pw，并按以下公式对最差位置Pw对应的个体的位置进行更新：
Di＝rand*(Pb-Pw)
temp＝Pw+Di(D≥Di≥-D)
其中，Di为个体移动的距离，temp为个体从最差位置Pw进行移动后的新的位置，D为个体移动的最大步长，rand为[0,1]之间的随机数。
所述计算子单元11532用于检测移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则按以下公式重新计算得到移动后的新的位置temp：
temp＝Pg+Di
其中，Pg为当前全局最优位置。
所述替代子单元11533用于检测重新计算得到的移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则随机产生一个个体，并以将该个体对应的位置替代所述移动前的最差位置Pw。
为了使本领域技术人员更好地理解本申请实施例提供的技术方案，下面结合具体应用场景对本发明实施例提供的技术方案进行说明。
以模糊Petri网模型中的变迁的确信度U＝{μ1,μ2,μ3,μ4,μ5}、变迁的阈值CF＝{CF1,CF2,CF3,CF4,CF5}以及规则的权值W＝{w1,w2,w3,w4,w5}作为待优化参数，利用遗传算法和蛙跳算法对上述参数进行优化。利用模糊产生式规则构建模糊Petri网模型，该模型中库所P1，P2，P3，P4，P5，P6，P7，P8各自对应着一个专家系统中的有关命题d1，d2，d3，d4，d5，d6，d7，d8，各个命题之间存在着以下的模糊产生式规则：
R1:IFd1THENd2(μ2,CF2)
R2:IFd1ord2THENd3(μ1,CF1,μ3,CF3)
R3:IFd3andd4andd5THENd6(w1,w2,w3,μ4,CF4)
R4:IFd6andd7THENd8(w4,w5,μ5,CF5)
根据以上的规则，建立的模糊Petri网模型如图4中所示。此外，在试验时，设定的上述待优化参数的期望值分别为：w1＝0.2、w2＝0.3、w3＝0.4、w4＝0.5、w5＝0.6，μ1＝0.7、μ2＝0.9、μ3＝0.6、μ4＝0.8、μ5＝0.7，CF1＝0.3、CF2＝0.4、CF3＝0.2、CF4＝0.5、CF5＝0.4。种群的规模为50，最大迭代次数为G＝300。为了便于比较，使用Matlab软件分别运行蛙跳算法(SFLA)、遗传算法(GA)以及本申请提供的遗传算法和蛙跳算法结合的改进蛙跳算法(GA-SFLA)，将上述三种算法分别运行五次，每次迭代次数设定为300次，以输出SFLA、GA、GA-SFLA的最优的个体解。5次的结果如表1至表3中所示。
表1 SFLA运行结果
表2 GA运行结果
表3 GA-SFLA运行结果
由上表可知，经过5次数据统计，通过对SFLA、GA和GA-SFLA的w1、w2、w3、w4、w5、μ1、μ2、μ3、μ4、μ5，CF1、CF2、CF3、CF4、CF5进行平均值的计算。如w1的期望值为0.2，经过数据统计，使用SFLA优化后的w1的平均值为0.42068，使用GA优化后的w1的平均值为0.25380，使用GA-SFLA优化后的w1的平均值为0.22086，对比后发现，使用GA-SFLA优化后的w1比使用SFLA、GA优化后的w1更接近期望值0.2。
通过对SFLA、GA和GA-SFLA算法结果的对比，发现GA-SFLA比SFLA和GA的优化后的权值、确信度、阈值更接近于期望值，精度更高。因此，可以断定，GA-SFLA性能要高于SFLA和GA。
综上所述，本申请实施例提供的模糊Petri网参数优化方法、系统及电子设备100，利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型，并基于蛙跳算法创建基于模糊Petri网模型中的待优化参数的初始种群，对初始种群利用遗传算法进行优化处理，并对优化处理后的初始种群利用蛙跳算法进行迭代优化，直至得到的新的种群满足预设的停止条件或迭代次数达到预设最大次数为止即跳出迭代，并从得到的新种群中获得最优解。该优化方案，通过模糊产生式规则对Petri网模型进行模糊处理，使Petri网模型具有更好的知识表达及知识获取能力，并利用蛙跳算法和遗传算法的结合对模糊Petri网模型中的待优化参数进行优化处理，避免了模糊Petri网模型中参数需人为设定所带来的弊端，并且通过蛙跳算法和遗传算法的结合提高了参数优化精度，进一步提高了模糊Petri网模型输出结果的准确性。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

Claims (10)

1.一种模糊Petri网参数优化方法，其特征在于，所述方法包括：
利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型，并获得所述模糊Petri网模型中的待优化参数；
基于蛙跳算法创建所述待优化参数的初始种群；
针对所述初始种群中的各个个体，计算各所述个体的适应度；
根据所述适应度检测所述初始种群是否满足预设优化规则，若不满足预设优化规则，则利用遗传算法对所述初始种群进行优化处理直至处理后的初始种群满足所述预设优化规则为止；
初始化迭代次数，利用蛙跳算法对满足所述预设优化规则的初始种群进行优化处理以得到新种群；
更新迭代次数，对所述新种群进行优化处理直至所述新种群满足预设停止条件或迭代次数达到预设最大次数时停止迭代；
从停止迭代后所得到的新种群中获得最优解，并将所述最优解输出。
2.根据权利要求1所述的模糊Petri网参数优化方法，其特征在于，所述利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型的步骤，包括：
利用模糊产生式规则中的简单规则、与规则以及或规则分别对构建的Petri网模型进行模糊处理；
获得待优化的模糊Petri网模型如下：
FPN＝{P,T,I,O,M,CF,W,U}
其中，P＝{p1,p2,......,pn}为库所的有限集合，T＝{t1,t2,......,tn}为变迁的有限集合，I(O)为输入(输出)函数，反映变迁到库所输入(输出)映射关系，M是一个映射，每一库所结点Pi∈P(i＝1,2,......n)对应一标记值M(pi)，CF＝{CF1,CF2,......,CFm}，CFj为变迁tj的阈值，tj∈t(j＝1,2,......m)，W＝{w1,w2,......,wn}是规则的权值集合，反映规则中前提条件对结论支持程度，U＝{μ1,μ2,......,μn}，μj为变迁tj的确信度，μj∈(0,1](j＝1,2,......m)。
3.根据权利要求2所述的模糊Petri网参数优化方法，其特征在于，所述待优化参数为所述模糊Petri网模型中的变迁的确信度μ、变迁的阈值CF以及规则的权值w。
4.根据权利要求1所述的模糊Petri网参数优化方法，其特征在于，所述利用蛙跳算法对满足所述预设优化规则的初始种群进行优化处理以得到新种群的步骤，包括：
针对满足所述预设优化规则的初始种群中的各个个体，按其对应的适应度将各个个体按降序顺序进行排序；
将排序后的多个个体划分成多个子种群；
针对各个子种群，对所述子种群中的个体进行局部优化处理；
将多个子种群中经过局部优化处理后的个体进行汇总以及排序以得到新种群。
5.根据权利要求4所述的模糊Petri网参数优化方法，其特征在于，所述针对各个子种群，对所述子种群中的个体进行局部优化处理的步骤，包括：
针对各个子种群，确定所述子种群中的多个个体所对应的最优位置Pb和最差位置Pw，并按以下公式对最差位置Pw对应的个体的位置进行更新处理：
Di＝rand*(Pb-Pw)
temp＝Pw+Di(D≥Di≥-D)
其中，Di为个体移动的距离，temp为个体从最差位置Pw进行移动后的新的位置，D为个体移动的最大步长，rand为[0,1]之间的随机数；
检测移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则按以下公式重新计算得到移动后的新的位置temp：
temp＝Pg+Di
其中，Pg为当前全局最优位置；
检测重新计算得到的移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则随机产生一个个体，并以该个体对应的位置替代所述移动前的最差位置Pw。
6.根据权利要求1所述的模糊Petri网参数优化方法，其特征在于，所述利用遗传算法对所述初始种群进行优化处理直至处理后的初始种群满足所述预设优化规则为止的步骤，包括：
根据所述初始种群中各个个体的适应度值，利用遗传算法的选择机制从所述初始种群中选择出满足预设条件的个体；
对选择出的个体采用遗传算法中的交叉机制以对各个个体中的部分染色体进行交叉处理以得到新的个体；
针对交叉处理后的各个个体，采用遗传算法中的变异机制改变所述个体的染色体以得到变异后的新的个体。
7.一种模糊Petri网参数优化系统，其特征在于，所述系统包括：
模型建立模块，用于利用模糊产生式规则对构建的Petri网模型进行模糊处理以得到待优化的模糊Petri网模型，并获得所述模糊Petri网模型中的待优化参数；
初始种群建立模块，用于基于蛙跳算法创建所述待优化参数的初始种群；
适应度计算模块，用于针对所述初始种群中的各个个体，计算各所述个体的适应度；
第一优化处理模块，用于根据所述适应度检测所述初始种群是否满足预设优化规则，若不满足预设优化规则，则利用遗传算法对所述初始种群进行优化处理直至处理后的初始种群满足所述预设优化规则为止；
第二优化处理模块，用于初始化迭代次数，利用蛙跳算法对满足所述预设优化规则的初始种群进行优化处理以得到新种群；
更新模块，用于更新迭代次数，对所述新种群进行优化处理直至所述新种群满足预设停止条件或迭代次数达到预设最大次数时停止迭代；
最优解获取模块，用于从停止迭代后所得到的新种群中获得最优解，并将所述最优解输出。
8.根据权利要求7所述的模糊Petri网参数优化系统，其特征在于，所述第二优化处理模块包括：
排序单元，用于针对满足所述预设优化规则的初始种群中的各个个体，按其对应的适应度将各个个体按降序顺序进行排序；
划分单元，用于将排序后的多个个体划分成多个子种群；
局部优化单元，用于针对各个子种群，对所述子种群中的个体进行局部优化处理；
新种群获取单元，用于将多个子种群中经过局部优化处理后的个体进行汇总以及排序以得到新种群。
9.根据权利要求8所述的模糊Petri网参数优化系统，其特征在于，所述局部优化单元包括：
更新子单元，用于针对各个子种群，确定所述子种群中的多个个体所对应的最优位置Pb和最差位置Pw，并按以下公式对最差位置Pw对应的个体的位置进行更新：
Di＝rand*(Pb-Pw)
temp＝Pw+Di(D≥Di≥-D)
其中，Di为个体移动的距离，temp为个体从最差位置Pw进行移动后的新的位置，D为个体移动的最大步长，rand为[0,1]之间的随机数；
计算子单元，用于检测移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则按以下公式重新计算得到移动后的新的位置temp：
temp＝Pg+Di
其中，Pg为当前全局最优位置；
替代子单元，用于检测重新计算得到的移动后的新的位置temp是否优于移动前的最差位置Pw，若否，则随机产生一个个体，并以将该个体对应的位置替代所述移动前的最差位置Pw。
10.一种电子设备，其特征在于，包括处理器及和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-6任一所述的方法。
CN201810643087.2A 2018-06-21 2018-06-21 模糊Petri网参数优化方法、系统及电子设备 Pending CN108764586A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810643087.2A CN108764586A (zh) 2018-06-21 2018-06-21 模糊Petri网参数优化方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810643087.2A CN108764586A (zh) 2018-06-21 2018-06-21 模糊Petri网参数优化方法、系统及电子设备

Publications (1)

Publication Number Publication Date
CN108764586A true CN108764586A (zh) 2018-11-06

Family

ID=63979737

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810643087.2A Pending CN108764586A (zh) 2018-06-21 2018-06-21 模糊Petri网参数优化方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN108764586A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457545A (zh) * 2019-08-16 2019-11-15 第四范式（北京）技术有限公司 一种确定推荐系统中排序模型的参数的方法及装置
CN112231988A (zh) * 2020-12-14 2021-01-15 中国人民解放军海军工程大学 Ipt系统抗偏移参数优化方法、系统及计算机设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110457545A (zh) * 2019-08-16 2019-11-15 第四范式（北京）技术有限公司 一种确定推荐系统中排序模型的参数的方法及装置
CN112231988A (zh) * 2020-12-14 2021-01-15 中国人民解放军海军工程大学 Ipt系统抗偏移参数优化方法、系统及计算机设备
CN112231988B (zh) * 2020-12-14 2021-03-12 中国人民解放军海军工程大学 Ipt系统抗偏移参数优化方法、系统及计算机设备

Similar Documents

Publication Publication Date Title
He et al. A discrete multi-objective fireworks algorithm for flowshop scheduling with sequence-dependent setup times
Marin et al. Macroevolutionary algorithms: a new optimization method on fitness landscapes
Zhang et al. Feature selection algorithm based on bare bones particle swarm optimization
CN110827924B (zh) 基因表达数据的聚类方法、装置、计算机设备及存储介质
Li et al. Hybrid optimization algorithm based on chaos, cloud and particle swarm optimization algorithm
CN107430704A (zh) 基于与神经网络算法关联的元数据在神经突触基底上实现神经网络算法
Bendtsen et al. Dynamic memory model for non-stationary optimization
CN103678346A (zh) 一种人机识别的方法和系统
CN113409898B (zh) 分子结构获取方法、装置、电子设备及存储介质
Skodawessely et al. Finding attractors in asynchronous Boolean dynamics
CN108764586A (zh) 模糊Petri网参数优化方法、系统及电子设备
CN109543247A (zh) 基于nsga-ⅱ的模拟集成电路参数优化设计方法及装置
Kamiura et al. MOGADES: Multi-objective genetic algorithm with distributed environment scheme
Pillans Efficiency of evolutionary search for analog filter synthesis
CN112070200B (zh) 一种谐波群优化方法及其应用
CN108898227A (zh) 学习率计算方法及装置、分类模型计算方法及装置
CN113205185A (zh) 网络模型优化方法、装置、计算机设备和存储介质
CN114462714A (zh) 信息确定方法、装置及电子设备
CN111291792A (zh) 基于双进化的流量数据类型集成分类方法及装置
Mahajan et al. A genetic approach to standard cell placement using various genetic operators
Gong et al. Research on data filling algorithm based on improved k-means and information entropy
Shiyas et al. A non-linear programming model for the machine grouping and a genetic algorithm based solution methodology
CN111709525B (zh) 一种基于改进遗传算法的武器-目标分配解决方法
CN113626474A (zh) 数据库随机抽取方法、装置及设备
López et al. Genetic Fuzzy C-Means Algorithm for Automatic Generation of Fuzzy Partitions

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: 20181106

RJ01 Rejection of invention patent application after publication