CN109857937A - 一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法 - Google Patents
一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法 Download PDFInfo
- Publication number
- CN109857937A CN109857937A CN201910073892.0A CN201910073892A CN109857937A CN 109857937 A CN109857937 A CN 109857937A CN 201910073892 A CN201910073892 A CN 201910073892A CN 109857937 A CN109857937 A CN 109857937A
- Authority
- CN
- China
- Prior art keywords
- value
- stage
- optimizing
- data processing
- mapping
- 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
- 238000013507 mapping Methods 0.000 title claims abstract description 25
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 2
- 238000010845 search algorithm Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法,包括以下步骤:S1:利用Sline映射生成初始寻优候选成员;S2:采用分段式搜索生成领域及领域候选解;S3:以禁忌准则比较判断每次并行框架下迭代的目标函数适应度值;S4:当寻优迭代次数大于全局控制迭代数时,停止迭代输出CNOP最优解,否则跳至步骤S2继续寻优。与现有技术相比,本发明基于避免使用伴随模式的考虑,利用Sine映射、分阶段寻优以及并行技术改进了连续禁忌搜索算法,提高CNOP求解的效率,并扩展了其应用领域。
Description
技术领域
本发明涉及计算机科学与气象科学的交叉学科研究领域,用于求解条件非线性最优扰动CNOP(Conditional Nonlinear Optimal Perturbation,CNOP)的优化求解,尤其是涉及一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法(Parallel ContinuousTabu Search Algorithm with Sine Maps and Staged Strategy,CTS-SS)。
背景技术
CNOP一般应用于气象科学中进行天气或气候的可预报性研究,其求解最常用的方法是谱投影梯度方法。
该方法基于气象数值模式的伴随模式提供梯度信息进行寻优,但伴随模式求解梯度的计算量巨大、耗时较长,且谱投影梯度方法无法并行。此外,不是所有的数值模式都开发了相应的伴随模式,且伴随模式的开发工程量巨大,尤其对于很多复杂的大模式来说,该过程可能会消耗数年时间。本发明基于避免使用伴随模式的考虑,利用Sine映射、分阶段寻优以及并行技术改进了连续禁忌搜索算法,提高CNOP求解的效率,并扩展了其应用领域。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法,本发明的CTS-SS方法主要包括三方面改进:Sine映射优化初始寻优候选解、分阶段寻优、并行化框架。
本发明的目的可以通过以下技术方案来实现:
一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法,包括以下步骤:
S1:利用Sline映射生成初始寻优候选成员;
S2:采用分段式搜索生成领域及领域候选解;
S3:以禁忌准则比较判断每次并行框架下迭代的目标函数适应度值;
S4:当寻优迭代次数大于全局控制迭代数时,停止迭代输出CNOP最优解,否则跳至步骤S2继续寻优。
进一步地,所述步骤S1包括以下分步骤:
S11:在(-1,1)区间内随机生成初始个体X0,随后对其进行迭代K次的混沌计算;
S12:通过K次迭代将初始个体X0变成Xk;
S13:将迭代后的值赋值给初始候选寻优个体Ci;
S14:用Sine映射方法生成了pop个初始候选寻优个体,从中选出一个具有最佳适应度函数值的寻优个体C作为初始寻优候选解。
进一步地,所述步骤S1的过程描述公式为:
x0,j=rand(-1,1),j=1,2,...,n
xk+1,j=sin(πxk,j),xk,j∈(-1,1),k=0,1,2...K
Ci.j=xK,j,i=1,2,...,pop。
C=min{C1,C2,...,Cpop}i=1,2,...,pop
进一步地,所述步骤S2包括以下分步骤:
S21:设定第一领域半径值和第一领域候选解个数进行第一阶段全局搜索;
S22:设定第二领域半径值进行第二阶段局部搜索。
进一步地,所述步骤S21,其描述公式为:
式中,R1为第一阶段领域半径,Si1为第一阶段候选解,j=1,2,...,n,i1=1,2,...,m1,m1为第一阶段候选解个数。
进一步地,所述步骤S22,其描述公式为:
式中,R2为第二阶段领域半径,Si2为第二阶段候选解,j=1,2,...,n,i2=1,2,...,m2,m2为第二阶段候选解个数。
进一步地,所述步骤S3包括以下分步骤:
S31:针对第一搜索阶段,如果Si1不在禁忌表内,判断适应度函数值f(Si1)-best_value>=ε是否为真,若为真,则将当前最优解C列入禁忌表,同时更新best_value=f(Si1),C=Si1,其中best_value是当前最优解C的适应度函数值,ε是禁忌判定参数,第一阶段共运行maxcycle1次。
S32:针对第二搜索阶段,如果Si2不在禁忌表内,判断适应度函数值f(Si2)-best_value>=ε是否为真,若为真,则将当前最优解C列入禁忌表,同时更新best_value=f(Si2),C=Si2,其中best_value是当前最优解C的适应度函数值,ε是禁忌判定参数,第一阶段共运行maxcycle2次。
与现有技术相比,本发明具有以下优点:
(1)求解效率高,速度快,本发明基于避免使用伴随模式的考虑,利用Sine映射、分阶段寻优以及并行技术改进了连续禁忌搜索算法,提高CNOP求解的效率,并扩展了其应用领域。
(2)精确度高,稳定性好,本发明通过本发明在气象数值模式中进行条件非线性最优扰动(CNOP)的优化求解。首先使用Sine映射生成初始寻优候选解,设置两次分阶段寻优过程中的领域半径及其候选解个数,根据当前的硬件资源设置并行计算核心数,再进行主进程和子进程的分配,完成基于Sine映射和分段式策略的并行连续禁忌搜索算法(CTS-SS)高效求解CNOP,精确度高,稳定性好。
附图说明
图1为本发明的方法流程示意图;
图2为本发明的分段式流程示意图。
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,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如附图1所示,左侧是CTS-SS算法的整体流程,由Master进程(主进程控制):包括Sine映射生成较优初始成员(初始寻优候选解)、生成邻域及邻域候选解(包括第一阶段和第二阶段)、并行计算各候选解的适应度函数值(目标函数适应度值)、判断是否程序是否终止,若是,输出CNOP;否则更新成员(当前最优解),再进行阶段性寻优。附图1的右侧为Master-Slaver并行结构计算各候选解适应度值的示意图,两次阶段性寻优的计算过程均如图中所示,区别在于每个Slaver进程所计算的候选解的个数。
附图1中Sine映射生成初始寻优候选解的过程如下:
x0,j=rand(-1,1),j=1,2,...,n
xk+1,j=sin(πxk,j),xk,j∈(-1,1),k=0,1,2...K
Ci.j=xK,j,i=1,2,...,pop
C=min{C1,C2,...,Cpop}i=1,2,...,pop
以上四个式子对应具体步骤过程如下:
1:在(-1,1)区间内随机生成初始个体X0,随后对其进行迭代K次的混沌计算;
2:通过K次迭代将初始个体X0变成Xk;
3:将迭代后的值赋值给初始候选寻优个体Ci;
4:用Sine映射方法生成了pop个初始候选寻优个体,从中选出一个具有最佳适应度函数值的寻优个体C作为初始寻优候选解。
附图2展示了CTS-SS算法的分段式搜索策略,即将原连续禁忌搜索算法(CTS)的计算过程分为两个阶段:第一阶段选用较大的邻域半径值并设定较小的邻域候选解个数,增大全局搜索力度,此阶段的处理按照下式:
式中,R1为第一阶段领域半径,Si1为第一阶段候选解,j=1,2,...,n,i1=1,2,...,m1,m1为第一阶段候选解个数。
在第一阶段邻域半径R1生成m1候选解个数{S1,S2,…,Si1,…,Sm1},当满足第一个条件时,说明Si1在半径为R1的领域内,无需调整;当满足第二个条件时,将Si1的每一维调整至半径为R1的领域内。计算Si1的适应度函数值f(Si1),如果Si1不在禁忌表内,判断f(Si1)-best_value>=ε是否为真,若为真,则将当前最优解C列入禁忌表,同时更新best_value=f(Si1),C=Si1,其中best_value是当前最优解C的适应度函数值,ε是禁忌判定参数,第一阶段共运行maxcycle1次。
第二阶段的邻域半径值会被减小,相应的候选解个数增多,加大局部搜索力度,其描述处理描述公式如下:
式中,R2为第二阶段领域半径,Si2为第二阶段候选解,j=1,2,...,n,i2=1,2,...,m2,m2为第二阶段候选解个数。
在第二阶段邻域半径R2生成m2候选解个数{S1,S2,…,Si2,…,Sm2},当满足第一个条件时,说明Si2在半径为R2的领域内,无需调整;当满足第二个条件时,将Si2的每一维调整至半径为R2的领域内。计算Si2的适应度函数值f(Si2),如果Si2不在禁忌表内,判断f(Si2)-best_value>=ε是否为真,若为真,则将当前最优解C列入禁忌表,同时更新best_value=f(Si2),C=Si2,其中best_value是当前最优解C的适应度函数值,ε是禁忌判定参数,第一阶段共运行maxcycle2次。
如附图1所示,假设有S个进程可供并行计算,其中1个作为Master进程(主进程),S-1个作为Slave进程(子进程)。在CTS-SS寻优的第一阶段,每个Slave进程将计算m1/(S-1)个个体的适应度函数值;在CTS-SS寻优的第二阶段,每个Slave进程将计算m2/(S-1)个个体的适应度函数值。
当迭代次数大于全局控制迭代数时,程序终止,CNOP的最优解为C,其适应度函数值为best_value,否则跳至分段式搜索阶段继续寻优。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法,其特征在于,包括以下步骤:
S1:利用Sline映射生成初始寻优候选成员;
S2:采用分段式搜索生成领域及领域候选解;
S3:以禁忌准则比较判断每次并行框架下迭代的目标函数适应度值;
S4:当寻优迭代次数大于全局控制迭代数时,停止迭代输出CNOP最优解,否则跳至步骤S2继续寻优。
2.根据权利要求1所述的一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法,其特征在于,所述步骤S1包括以下分步骤:
S11:在(-1,1)区间内随机生成初始个体X0,随后对其进行迭代K次的混沌计算;
S12:通过K次迭代将初始个体X0变成Xk;
S13:将迭代后的值赋值给初始候选寻优个体Ci;
S14:用Sine映射方法生成了pop个初始候选寻优个体,从中选出一个具有最佳适应度函数值的寻优个体C作为初始寻优候选解。
3.根据权利要求1所述的一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法,所述步骤S1的过程描述公式为:
4.根据权利要求1所述的一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法,所述步骤S2包括以下分步骤:
S21:设定第一领域半径值和第一领域候选解个数进行第一阶段全局搜索;
S22:设定第二领域半径值进行第二阶段局部搜索。
5.根据权利要求1所述的一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法,所述步骤S21,其描述公式为:
式中,R1为第一阶段领域半径,Si1为第一阶段候选解,j=1,2,...,n,i1=1,2,...,m1,m1为第一阶段候选解个数。
6.根据权利要求1所述的一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法,所述步骤S22,其描述公式为:
式中,R2为第二阶段领域半径,Si2为第二阶段候选解,j=1,2,...,n,i2=1,2,...,m2,m2为第二阶段候选解个数。
7.根据权利要求1所述的一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法,所述步骤S3包括以下分步骤:
S31:针对第一搜索阶段,如果Si1不在禁忌表内,判断适应度函数值f(Si1)-best_value>=ε是否为真,若为真,则将当前最优解C列入禁忌表,同时更新best_value=f(Si1),C=Si1,其中best_value是当前最优解C的适应度函数值,ε是禁忌判定参数,第一阶段共运行maxcycle1次。
S32:针对第二搜索阶段,如果Si2不在禁忌表内,判断适应度函数值f(Si2)-best_value>=ε是否为真,若为真,则将当前最优解C列入禁忌表,同时更新best_value=f(Si2),C=Si2,其中best_value是当前最优解C的适应度函数值,ε是禁忌判定参数,第一阶段共运行maxcycle2次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073892.0A CN109857937A (zh) | 2019-01-25 | 2019-01-25 | 一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073892.0A CN109857937A (zh) | 2019-01-25 | 2019-01-25 | 一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109857937A true CN109857937A (zh) | 2019-06-07 |
Family
ID=66896262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910073892.0A Pending CN109857937A (zh) | 2019-01-25 | 2019-01-25 | 一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109857937A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112235216A (zh) * | 2020-10-16 | 2021-01-15 | 哈尔滨工程大学 | 一种基于禁忌搜索的压缩感知导频设计方法 |
CN112838598A (zh) * | 2019-11-25 | 2021-05-25 | 国家电网公司 | 一种基于自适应连续禁忌搜索算法的优化控制策略 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692491A (zh) * | 2012-06-19 | 2012-09-26 | 中国农业大学 | 基于分阶段禁忌寻优算法的土壤水分特征参数计算方法 |
CN103164709A (zh) * | 2012-12-24 | 2013-06-19 | 天津工业大学 | 一种基于禁忌搜索算法优化支持向量机的方法 |
CN104036379A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 求解带硬时间窗时变关联物流运输车辆路径问题的方法 |
CN104036333A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 求解单车场时变关联物流运输车辆路径问题的算法 |
CN107239661A (zh) * | 2017-06-05 | 2017-10-10 | 中国电子科技集团公司第五十四研究所 | 一种遥感卫星观测任务规划方法 |
CN109192284A (zh) * | 2018-07-13 | 2019-01-11 | 广东工业大学 | 一种带软时间窗的远程健康监护线下服务任务调度的方法 |
-
2019
- 2019-01-25 CN CN201910073892.0A patent/CN109857937A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102692491A (zh) * | 2012-06-19 | 2012-09-26 | 中国农业大学 | 基于分阶段禁忌寻优算法的土壤水分特征参数计算方法 |
CN103164709A (zh) * | 2012-12-24 | 2013-06-19 | 天津工业大学 | 一种基于禁忌搜索算法优化支持向量机的方法 |
CN104036379A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 求解带硬时间窗时变关联物流运输车辆路径问题的方法 |
CN104036333A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 求解单车场时变关联物流运输车辆路径问题的算法 |
CN107239661A (zh) * | 2017-06-05 | 2017-10-10 | 中国电子科技集团公司第五十四研究所 | 一种遥感卫星观测任务规划方法 |
CN109192284A (zh) * | 2018-07-13 | 2019-01-11 | 广东工业大学 | 一种带软时间窗的远程健康监护线下服务任务调度的方法 |
Non-Patent Citations (1)
Title |
---|
SHIJIN YUAN ET AL.: "Paralleled Continuous Tabu Search Algorithm with Sine Maps and Staged Strategy for Solving CNOP", 《ALGORITHMS AND ARCHITECTURES FOR PARALLEL PROCESSING:15TH INTERNATIONAL CONFERENCE, ICA3PP 2015》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112838598A (zh) * | 2019-11-25 | 2021-05-25 | 国家电网公司 | 一种基于自适应连续禁忌搜索算法的优化控制策略 |
CN112235216A (zh) * | 2020-10-16 | 2021-01-15 | 哈尔滨工程大学 | 一种基于禁忌搜索的压缩感知导频设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints | |
Gharehchopogh et al. | A comprehensive survey on symbiotic organisms search algorithms | |
CN110533183B (zh) | 流水线分布式深度学习中异构网络感知的任务放置方法 | |
CN104951425B (zh) | 一种基于深度学习的云服务性能自适应动作类型选择方法 | |
CN105719091B (zh) | 一种梯级水电站群并行多目标优化调度方法 | |
CN104820872B (zh) | 工程项目中利用潜在反关键工序进行项目工期优化的方法 | |
CN106355285B (zh) | 一种基于参数修正的用电负荷预测方法 | |
CN110457369A (zh) | 一种模型的训练方法及相关设备 | |
CN105631528A (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
CN105184398A (zh) | 一种电力最大负荷小样本预测方法 | |
Li et al. | Short term prediction of photovoltaic power based on FCM and CG-DBN combination | |
CN115689069B (zh) | 基于人工智能的电网调度控制方法及系统 | |
CN109857937A (zh) | 一种基于Sine映射和分段式并行连续禁忌搜索数据处理方法 | |
He et al. | Multiobjective reservoir operation optimization using improved multiobjective dynamic programming based on reference lines | |
Qadrdan et al. | Probabilistic wind power forecasting using a single forecast | |
CN110516884A (zh) | 一种基于大数据平台的短期负荷预测方法 | |
CN103763302B (zh) | 一种web服务组合生成方法 | |
Liao et al. | Multicore parallel dynamic programming algorithm for short-term hydro-unit load dispatching of huge hydropower stations serving multiple power grids | |
CN103389964A (zh) | 用于求解数学规划问题的装置和方法 | |
Sferra et al. | Towards optimal 1.5° and 2° C emission pathways for individual countries: A Finland case study | |
Safdarian et al. | Multiclass learning-aided temporal decomposition and distributed optimization for power systems | |
CN104392317A (zh) | 一种基于遗传文化基因算法的项目调度方法 | |
CN108197186B (zh) | 一种应用于社交网络中的动态图匹配查询方法 | |
CN105354298A (zh) | 基于Hadoop的大规模社交网络分析方法及其分析平台 | |
Kumar et al. | A Regression-based Hybrid Machine Learning Technique to Enhance the Database Migration in Cloud Environment |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190607 |