CN110097088A - 一种基于迁移学习与特殊点策略的动态多目标进化方法 - Google Patents
一种基于迁移学习与特殊点策略的动态多目标进化方法 Download PDFInfo
- Publication number
- CN110097088A CN110097088A CN201910274372.6A CN201910274372A CN110097088A CN 110097088 A CN110097088 A CN 110097088A CN 201910274372 A CN201910274372 A CN 201910274372A CN 110097088 A CN110097088 A CN 110097088A
- Authority
- CN
- China
- Prior art keywords
- particular point
- optimization
- obtains
- subsequent time
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
Abstract
本发明实施例提供了一种基于迁移学习与特殊点策略的动态多目标进化方法,涉及进化计算领域。该方法包括:对动态多目标优化场景分析,获取所述优化场景的初始种群;采用多目标估计分布方法优化所述初始种群,获取所述初始种群的前端优化集;根据所述前端优化集获取特殊点;当所述决策变量发生变化时,基于联合分布适配的迁移学习方法将所述特殊点映射到高维空间,得到下一时刻的所述特殊点;采用多目标估计分布方法优化下一时刻所述初始种群,获取下一时刻所述初始种群的前端优化集。通过所述特殊点,实现对新环境下所述特殊点的准确预测,随机产生其他个体,增加种群多样性,从而提高算法在新环境下的收敛速度和收敛精度。
Description
技术领域
本发明涉及进化计算领域,特别是涉及一种基于协同进化算法的月度集中竞价机制求解方法。
背景技术
在生产调度、人工智能、组合优化、工程设计、大规模数据处理、城市运输、水库管理、网络通信、数据挖掘和资本预算等诸多优化领域,常常会遇到许多复杂的更为接近现实生活的动态和静态优化问题。在过去的几十年,人们大多致力于静态目标问题的研究,直到近几年,动态目标问题才引起越来越多研究者的兴趣。
目前,对动态多目标问题的研究成果还不多,国际上也才刚刚起步,可见到的理论较少。这些成果大多针对离散时间变量设计算法,或者把一些静态多目标优化算法直接用于动态多目标的求解。然而,对于动态多目标而言,因其具有多个依赖时间的相互冲突的目标,加之其Pareto最优解(Pareto efficiency,也称为帕累托效应,是指资源分配的一种理想状态)随时间的变化会发生改变。因此,对动态多目标的优化显得比较困难。对于动态优化问题,目前主要分为下面3种类型。1)保持种群的多样性:如Grefenstette提出的随机迁移进化策略、Morrison提出的超变异法及GanRuan等人提出的多样性维持策略都是用来提高种群多样性的有效方法;2)基于记忆的方法:对于动态进化算法,增加历史获得的较好解,并在需要的时候重新启动这些解并将其用于进化,在环境变化的情况下,这样会大大提高算法对问题求解的效率和搜索能力。记忆通常分为2种:利用冗余表示的隐式记忆和通过引入额外记忆集存储的显式记忆。如Ryan提出的利用额外二倍体隐式记忆方法,Collins提出的基因分级结构记忆方法等。尽管上述各种隐式记忆的方法能够使进化算法间接地存储一些有效信息,但并不确定算法能否有效地使用这些信息。3)基于预测的方法:如IasonH等人在求解动态单目标优化进化算法基础上提出了一种向前估计方法(Forward-LookingApproach),Aimin Zhou等人提出一种基于种群预测的动态多目标进化算法,ArrchanaMuruganantham等人提出一种基于卡尔曼滤波预测的算法,Juan Zou等人提出的基于中心点和拐点预测策略等方法可以在环境变化之后做出快速响应,但预测的准确性是其主要难点。
目前,大多数动态多目标优化算法预测模型的不同环境下的解集遵循独立同分布,这个假设无疑简化了问题的复杂度,但是前沿的变化可能会导致不同环境下的解集分布的不同,这对于传统的机器学习的求解十分困难, Min Jiang等人提出基于迁移学习的动态多目标优化算法,利用传输成分分析(TCA)的迁移学习方法,将当前时刻的前沿映射到高维空间,得到下一时刻的初始种群,这个方法有效提高了获得解的质量,但计算十分复杂。
设计求解动态多目标优化问题的进化算法首先需考虑以下关键问题:1) 如何使算法能有效跟踪不同时间(环境)下的Pareto最优解集;2)如何使算法快速准确求得不同时间(环境)下多目标问题的Pareto最优解。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于迁移学习与特殊点策略的动态多目标进化方法。
为了解决上述问题,本发明实施例公开了一种基于迁移学习与特殊点策略的动态多目标进化方法,包括:
对动态多目标优化场景分析,获取所述优化场景的初始种群,所述初始种群包含动态目标,决策变量和约束条件;
采用多目标估计分布方法优化所述初始种群,获取所述初始种群的前端优化集;
根据所述前端优化集获取特殊点;
当所述决策变量发生变化时,基于联合分布适配的迁移学习方法将所述特殊点映射到高维空间,得到下一时刻的所述特殊点;
以下一时刻的所述特殊点中的最小值为下限,以下一时刻所述特殊点中的最大值为上限,产生下一时刻的所述初始种群;
采用多目标估计分布方法优化下一时刻所述初始种群,获取下一时刻所述初始种群的前端优化集。
优选地,所述基于联合分布适配的迁移学习方法将所述特殊点映射到高维空间,得到下一时刻的所述特殊点的步骤,包括:
获取所述初始种群的特殊点为源数据,下一时刻的所述特殊点为目标数据;
采用主成分分析方法根据所述源数据和所述目标数据获取高维空间,建立第一优化目标;
采用最大值差异作为距离度量所述源数据和所述目标数据的不同分布,构建边缘分布适配,获取第二优化目标;
根据所述源数据建立模型,构建出所述目标数据对应的伪标签,根据伪标签,构建条件分布适配,获取第三优化目标;
联合所述第一优化目标,第二优化目标和第三优化目标,获取最终优化目标;
对所述最终优化目标进行收敛,获取所述源数据与所述目标数据的最佳适配矩阵;
根据所述最佳适配矩阵和所述特殊点,得到下一时刻的所述特殊点。
优选地,所述采用多目标估计分布方法优化所述初始种群,获取所述初始种群的前端优化集的步骤,包括:
提取所述初始化种群中的信息构建概率模型;
对所述概率模型进行高斯采样,获取解集;
对所述初始化种群与所述解集进行选择操作,获取所述初始化种群的前端优化集。
本发明实施例包括以下优点:
本发明实施例基于迁移学习与特殊点策略的方法,假设不同时刻的种群遵循相关但不同的条件分布与概率分布,引入基于联合分布适配的迁移学习方法,根据当前时刻的特殊点,实现对新环境下特殊点的准确预测,随机产生其他个体,增加种群多样性,从而提高算法在新环境下的收敛速度和收敛精度。
附图说明
图1是本发明的一种基于迁移学习与特殊点策略的动态多目标进化方法的步骤流程图;
图2是本发明的一种本发明实施例得到下一时刻的所述特殊点的步骤流程图;
图3是本发明的一种二维目标空间的特殊点;
图4是本发明的一种C1参数设置下FDA4、FDA5iso算法反向世代距离评价指标IGD变化趋势图;
图5是本发明的一种C1参数设置下dMOP2iso与dMOP2dec真实前沿与获得前沿对比图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参照图1,示出了本发明的一种基于迁移学习与特殊点策略的动态多目标进化方法的步骤流程图,具体可以包括如下步骤:
步骤S101,对动态多目标优化场景分析,获取所述优化场景的初始种群,所述初始种群包含动态目标,决策变量和约束条件;
对动态多目标场景进行分析,如动态路径规划,在规划方案中,优化目标一般要考虑路程最短,时间最短,道路状况良好等,而在车辆行进过程中,影响优化目标的决策变量交通事故、交通管制等情况都是随机发生的,这就要求优化算法根据实时信息对优化结果作出调整,进行动态的在线优化,使行车路线最优。
动态多目标优化问题普遍存在于各个领域,而最终这类问题均可抽象为以下数学模型,以最小化为例:
s.t.ai≤xi≤bi
其中,F(x,t)为目标函数,t∈[t0,ts]为时间变量,x=(x1,x2,…,xn)∈Rn为n维决策变量,ai bi为决策变量x在第i维的上下限,i=1,2,…,n。
步骤S102,采用多目标估计分布方法优化所述初始种群,获取所述初始种群的前端优化集;
采用基于规则模型的多目标估计分布算法(RM-MEDA)优化所述初始种群,获取所述初始种群的前端优化集;本发明实施例获取所述前端优化集包含但不限于RE-MEDA算法。
步骤S1021,提取所述初始化种群中的信息构建概率模型;
获取所述初始化种群中的个体,随机选取K个所述个体,并基于所述个体产生K个多维空间;
将所述初始化种群聚类成K个子种群;根据所述子种群点集的均值和协方差进行收敛,获取所述概率模型;
步骤S1022,对所述概率模型进行高斯采样,获取解集;
高斯采样是RM-MEDA算法产生新个体的唯一方式,它的优点是具有旋转不变性,平移不变性,线性不变性以及尺度变换不变性等,在求解复杂变量相关具有很大的优势。
步骤1023,对所述初始化种群与所述解集进行选择操作,获取所述初始化种群的前端优化集。
本发明实施例的选择操作为非支配排序的选择操作,包含两个计算过程,构造偏序集和计算聚集距离。
构造偏序集是将所述初始化种群与所述解集的集合依据个体之间的支配关系划分成互不相交的pareto前沿面;计算所述个体的聚集距离,将优秀的并且聚集密度小的个体保留参与到下一代进行中,其中,各所述优秀的并且聚集密度小的个体组成所述初始化种群的前端优化集。所述个体的聚集距离是通过计算与其相邻的两个个体在每个子目标上的距离差之和来求得。
步骤S103,根据所述前端优化集获取特殊点;
所述特殊点包含边界点和拐点;对于最小化问题而言,边界点指在目标空间中每一维度的最小值,且边界点的个数等于目标空间的维数。
以二维目标空间为例,特殊点如图3所示,假设求得的边界点为A、B,它们构成的直线为L,其他点垂直于直线L的垂线表示距离,到直线L距离最大的点即为拐点;直线L的数学表达式如下公式1所示:
公式1:ax+by+c=0
点(x,y)到直线的距离表达式为公式2所示:
公式2:
步骤S104,当所述决策变量发生变化时,基于联合分布适配的迁移学习将所述特殊点映射到高维空间,得到下一时刻的所述特殊点;
当所述初始种族中的决策变量发生变化,例如在车辆行进过程中,发生交通事故,即所述决策变量发生变化,则需要对所述动态目标,即路程最短,时间最短,道路良好等目标,重新进行预估。
联合分布适配(Joint distribution adaptation,JDA)用于在降维过程中共同适应源数据与目标数据的边缘分布与条件分布。其中,所述源数据为所述特殊点,为已知数据(已知标签的建模数据);所述目标数据为下一时刻的特殊点,为未知的待测数据。其中,所述源数据和所述目标数据边缘分布不同,且所述源数据和所述目标数据条件分布分布不同。
优选地,本发明实施中,参照图2示出了本发明实施例得到下一时刻的所述特殊点的步骤流程图,包含:
步骤S1041,获取所述初始种群的特殊点为源数据,下一时刻的所述特殊点为目标数据;
步骤S1042,采用主成分分析方法根据所述源数据和所述目标数据获取高维空间,建立第一优化目标;
主成分分析(Principal component analysis,PCA)是通过最小化输入数据的重构误差而获得一种新的特征表示。PCA的学习目标是得到一个正交变换矩阵A,使得内嵌数据方差最大,可由第一优化目标表示:
公式3:
其中,X=[x1,…,xn]∈Rm×n是所述源数据矩阵;是中心矩阵,n是所述源数据ns和所述目标数据nt样本数之和,1是n×n的全1矩阵, XHXT协方差矩阵算,tr(·)表示矩阵的迹。
最优问题可通过对XHXTA=AΦ进行特征分解加以计算,其中Φ=diag(φ1,…,φk)∈Rk×k是k个最大特征,可通过Z=[z1,…,zn]=ATX 得到其k维特征表示。
步骤S1043,采用最大值差异作为距离度量所述源数据和所述目标数据的不同分布,通过第一优化目标构建边缘分布适配,获取第二优化目标;
通过PCA降维后的数据,并未消除所述源数据与所述目标数据间的分布差异.为了减小所述源数据Ps(X(s))和所述目标数据Pt(X(t))的分布差异, 使用最大均值差异(maximum mean discrepancy,MMD)作为距离度量来计算所述源数据和所述目标数据k维内嵌数据样本之间的距离,MMD距离表示为:
公式4:
引入核方法,化简公式4,得到第二优化目标公式5
公式5:(Ds,Dt)=tr(ATXM0XTA) (5)
通过最小化式(4)使式(3)被最大化域之间的边缘分布在新的表示 Z=ATX下被拉近,其中A为变换矩阵,X是源域和目标域合并后的数据,M0为MMD矩阵,
公式6:
步骤S1044,根据所述源数据建立模型,构建出所述目标数据对应的伪标签,根据伪标签,根据第一优化目标构建条件分布适配,获取第三优化目标;
减少所述源数据与所述目标数据的边缘分布,并不能保证所述源数据与所述目标数据之间条件分布的差异减小,所述源数据最小化条件分布 Qs(ys|xs)和所述目标数据最小化条件分布Qt(yt|xt)之间的差异对于分布适配至关重要。
所述目标数据为未知的待测数据,没有标记的数据,即Qt(yt|xt)不能直接建模,根据统计学中充分统计量的概念,利用Qt(xt|yt)来近似Qt(yt|xt),并将标记的所述源数据上训练的基分类器应用于未标记的目标数据,得到伪目标标签,进行迭代以提高伪标签的精度,类与类之间的MMD距离为第三优化目标,公式7所示:
公式7:
其中Mc为公式8所示:
公式8:
步骤S1045,将所述第二优化目标和所述第三优化目标合并后,与所述第一优化目标合并,获取最终优化目标;
将公式4与公式7合并,得到联合分布适配的优化目标为公式9,
公式9:
其中是正则项,保证优化问题得到明确定义,
将所述联合分布适配的优化目标公式9和主成分分析的第一优化目标公式3合并,优化目标统一为公式10,
公式10:
基于Rayleigh quotient,将公式10转化为公式11,
公式11:
采用拉格朗日法,公式11转化为公式12,获取最终优化目标,
公式12:
步骤S1046,对所述最终优化目标进行收敛,获取所述源数据与所述目标数据的最佳适配矩阵;
对所述最终优化目标进行收敛的步骤如下:
求解所述公式12的特征值分解问题,选择k个最小的特征向量来构建适应矩阵A,且Z=ATX;
基于训练一个标准分类器f来更新伪标签
根据公式8构建MMD矩阵直至收敛,获取所述最佳适配矩阵。
步骤S1047,根据所述最佳适配矩阵和所述特殊点,得到下一时刻的所述特殊点。
根据下一时刻的所述特殊点为依据,产生下一时刻的初始种群。
步骤S105,以下一时刻的所述特殊点中的最小值为下限,以下一时刻所述特殊点中的最大值为上限,产生下一时刻的所述初始种群;
步骤S106,采用多目标估计分布方法优化下一时刻所述初始种群,获取下一时刻所述初始种群的前端优化集。
采用基于迁移学习与特殊点策略得到下一时刻的特殊点,根据随机初始化得到其他个体,这两部分构成下一时刻的初始种群,实现流程如下:
1、根据t时刻的前沿Ft(·)和t+1时刻测试函数Ft+1(·),随机产生两组解Xs和Yt;
2、计算目标函数值Ft(Xs)and Ft+1(Yt)分别作为源域和目标域的训练样本;
3、根据公式12得到适应矩阵A;
4、for特殊点中的每个点p do
kp←[k(Ft(Xs(1)),p),…,k(Ft+1(Yt(nt)),p)]T
φp←WTkp
将映射解φp放入集合PLS即PLS=PLS∪{φ(p)};
end
5、forPLS中的每个个体ldo
采用内点法找到在映射空间中距离l最近的个体作为下一时刻的解,即
end
6、以得到的特殊点为上下界,随机产生其他个体,即xr=Min+ r*(Max-Min);
7、下一时刻的初始种群Pop-init由步骤5、6中得到的个体组成,即 Pop-init={x}∪{xr}。
由于本发明实施例专注于普遍的动态多目标优化问题,故以国际通用的测试函数来说明算法的优越性。测试函数的具体表达式见表1。表中PF与 PS分别表示Pareto前沿(PF)和Pareto解集(PS)。
表1测试函数
映射种群越接近环境t下的真实Pareto前沿,则算法就能更快的收敛于真实Pareto前沿。
为充分说明算法的有效性,我们在3种不同的环境设置下,对算法进行分析。本发明实施例中所采用的算法环境设置参数如表2所示:
表2算法的参数设置
为定量分析算法的收敛性和分布性两个重要指标,采用动态反向世代距离作为评价准则,表达式如下:
其中,为时刻t下的真实Pareto前沿,Pt为时刻t下算法求得的近似 Pareto前沿,d(v,Pt)表示真实Pareto前沿上的点v与近似Pareto前沿的最
小欧式距离。
在C1参数设置下的120次环境变化过程中,测试函数FDA4、FDA5iso的反向世代距离评价指标(IGD)变化趋势见图4,由图中可以看出,随着环境因子的不断变化,IGD在较小值范围内波动并趋于稳定。
图5给出dMOP2iso在环境t=80,90,100,105,110下和dMOP2dec在t=6,11,20 下的Pareto真实前沿和算法求得的近似前沿的对比图,图中蓝色部分为真实 Pareto前沿,红色部分为近似Pareto前沿。由图中可以清楚的看出,近似前沿几乎和真实前沿重合,说明本专利算法可以达到较高的收敛精度。
为定量说明本专利算法的优越性,表3给出了算法在3种环境设置下不同目标函数的反向世代距离评价指标的平均值(MIGD)值。在每种环境下,算法历经120次环境变化。本专利将120次环境变化平均分为3个阶段,1-40 次环境变化为第一阶段,41-80次环境变化为第二阶段,81-120次环境变化为第三阶段。由表中可以直接看出,专利算法所得MIGD的平均值都很小,并且每个阶段相差很少,说明专利算法具有很高的收敛精度和分布广度,且具有很高的稳定性。
表3不同目标函数在3种环境下MIGD值
本发明实施例基于迁移学习与特殊点策略的方法,假设不同时刻的种群遵循相关但不同的条件分布与概率分布,引入基于联合分布适配的迁移学习方法,根据当前时刻Pareto解集的特殊点,实现对新环境下Pareto解集特殊点的准确预测,随机产生其他个体,增加种群多样性,从而提高算法在新环境下的收敛速度和收敛精度。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种基于协同进化算法的月度集中竞价机制求解方法,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 (3)
1.一种基于迁移学习与特殊点策略的动态多目标进化方法,其特征在于,包括:
对动态多目标优化场景分析,获取所述优化场景的初始种群,所述初始种群包含动态目标,决策变量和约束条件;
采用多目标估计分布方法优化所述初始种群,获取所述初始种群的前端优化集;
根据所述前端优化集获取特殊点;
当所述决策变量发生变化时,基于联合分布适配的迁移学习方法将所述特殊点映射到高维空间,得到下一时刻的所述特殊点;
以下一时刻的所述特殊点中的最小值为下限,以下一时刻所述特殊点中的最大值为上限,产生下一时刻的所述初始种群;
采用多目标估计分布方法优化下一时刻所述初始种群,获取下一时刻所述初始种群的前端优化集。
2.根据权利要求1所述的方法,其特征在于,所述基于联合分布适配的迁移学习方法将所述特殊点映射到高维空间,得到下一时刻的所述特殊点的步骤,包括:
获取所述初始种群的特殊点为源数据,下一时刻的所述特殊点为目标数据;
采用主成分分析方法根据所述源数据和所述目标数据获取高维空间,建立第一优化目标;
采用最大值差异作为距离度量所述源数据和所述目标数据的不同分布,构建边缘分布适配,获取第二优化目标;
根据所述源数据建立模型,构建出所述目标数据对应的伪标签,根据伪标签,构建条件分布适配,获取第三优化目标;
联合所述第一优化目标,第二优化目标和第三优化目标,获取最终优化目标;
对所述最终优化目标进行收敛,获取所述源数据与所述目标数据的最佳适配矩阵;
根据所述最佳适配矩阵和所述特殊点,得到下一时刻的所述特殊点。
3.根据权利要求1所述的方法,其特征在于,所述采用多目标估计分布方法优化所述初始种群,获取所述初始种群的前端优化集的步骤,包括:
提取所述初始化种群中的信息构建概率模型;
对所述概率模型进行高斯采样,获取解集;
对所述初始化种群与所述解集进行选择操作,获取所述初始化种群的前端优化集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910274372.6A CN110097088A (zh) | 2019-04-08 | 2019-04-08 | 一种基于迁移学习与特殊点策略的动态多目标进化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910274372.6A CN110097088A (zh) | 2019-04-08 | 2019-04-08 | 一种基于迁移学习与特殊点策略的动态多目标进化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110097088A true CN110097088A (zh) | 2019-08-06 |
Family
ID=67444413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910274372.6A Pending CN110097088A (zh) | 2019-04-08 | 2019-04-08 | 一种基于迁移学习与特殊点策略的动态多目标进化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110097088A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110849625A (zh) * | 2019-10-10 | 2020-02-28 | 淮阴工学院 | 基于混合熵与联合分布适配的变工况下轴承故障诊断方法 |
CN110930068A (zh) * | 2019-12-10 | 2020-03-27 | 安徽新知数媒信息科技有限公司 | 传统读物可视化体验指数预测方法 |
CN111325284A (zh) * | 2020-03-09 | 2020-06-23 | 武汉大学 | 一种基于多目标动态分布自适应学习方法及装置 |
CN111523218A (zh) * | 2020-04-16 | 2020-08-11 | 燕山大学 | 一种基于动态多目标进化的多目标参数优化方法 |
CN113033754A (zh) * | 2020-12-08 | 2021-06-25 | 中国海洋大学 | 基于协同情景进化的高频地波雷达目标跟踪算法测评方法 |
CN113705921A (zh) * | 2021-09-03 | 2021-11-26 | 厦门闽江智慧科技有限公司 | 一种混合充电策略的电动汽车动态路径规划优化求解方法 |
CN114925560A (zh) * | 2022-05-07 | 2022-08-19 | 厦门大学 | 基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法 |
CN115470704A (zh) * | 2022-09-16 | 2022-12-13 | 烟台大学 | 一种动态多目标优化方法、装置、设备和计算机可读介质 |
CN117096070A (zh) * | 2023-10-19 | 2023-11-21 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于领域自适应的半导体加工工艺异常检测方法 |
-
2019
- 2019-04-08 CN CN201910274372.6A patent/CN110097088A/zh active Pending
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110849625A (zh) * | 2019-10-10 | 2020-02-28 | 淮阴工学院 | 基于混合熵与联合分布适配的变工况下轴承故障诊断方法 |
CN110930068A (zh) * | 2019-12-10 | 2020-03-27 | 安徽新知数媒信息科技有限公司 | 传统读物可视化体验指数预测方法 |
CN111325284A (zh) * | 2020-03-09 | 2020-06-23 | 武汉大学 | 一种基于多目标动态分布自适应学习方法及装置 |
CN111523218B (zh) * | 2020-04-16 | 2023-08-11 | 燕山大学 | 一种基于动态多目标进化的多目标参数优化方法 |
CN111523218A (zh) * | 2020-04-16 | 2020-08-11 | 燕山大学 | 一种基于动态多目标进化的多目标参数优化方法 |
CN113033754A (zh) * | 2020-12-08 | 2021-06-25 | 中国海洋大学 | 基于协同情景进化的高频地波雷达目标跟踪算法测评方法 |
CN113033754B (zh) * | 2020-12-08 | 2022-09-13 | 中国海洋大学 | 基于协同情景进化的高频地波雷达目标跟踪算法测评方法 |
CN113705921A (zh) * | 2021-09-03 | 2021-11-26 | 厦门闽江智慧科技有限公司 | 一种混合充电策略的电动汽车动态路径规划优化求解方法 |
CN113705921B (zh) * | 2021-09-03 | 2024-02-27 | 厦门闽江智慧科技有限公司 | 一种混合充电策略的电动汽车动态路径规划优化方法 |
CN114925560A (zh) * | 2022-05-07 | 2022-08-19 | 厦门大学 | 基于迁移学习动态多目标优化的航空发动机轮盘结构优化方法 |
CN115470704B (zh) * | 2022-09-16 | 2023-07-21 | 烟台大学 | 一种动态多目标优化方法、装置、设备和计算机可读介质 |
CN115470704A (zh) * | 2022-09-16 | 2022-12-13 | 烟台大学 | 一种动态多目标优化方法、装置、设备和计算机可读介质 |
CN117096070A (zh) * | 2023-10-19 | 2023-11-21 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于领域自适应的半导体加工工艺异常检测方法 |
CN117096070B (zh) * | 2023-10-19 | 2024-01-05 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 一种基于领域自适应的半导体加工工艺异常检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097088A (zh) | 一种基于迁移学习与特殊点策略的动态多目标进化方法 | |
Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
CN110070117B (zh) | 一种数据处理方法及装置 | |
Le Ray et al. | Online adaptive clustering algorithm for load profiling | |
CN111199016A (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
CN108446741B (zh) | 机器学习超参数重要性评估方法、系统及存储介质 | |
CN111444951B (zh) | 样本识别模型的生成方法、装置、计算机设备和存储介质 | |
CN111339818A (zh) | 一种人脸多属性识别系统 | |
CN114297036A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
Yang et al. | A pattern fusion model for multi-step-ahead CPU load prediction | |
Chow et al. | Reference policies for non-myopic sequential network design and timing problems | |
Sahu et al. | Ensemble deep neural network based quality of service prediction for cloud service recommendation | |
CN116432037A (zh) | 一种在线迁移学习方法、装置、设备和存储介质 | |
Arun Jees et al. | Load forecasting for smart grid using non-linear model in Hadoop distributed file system | |
Ullah et al. | Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids | |
Lee et al. | Cooperating edge cloud-based hybrid online learning for accelerated energy data stream processing in load forecasting | |
Castiglione et al. | Assignment matrix free algorithms for on-line estimation of dynamic origin-destination matrices | |
Shrivastava et al. | Selection of efficient and accurate prediction algorithm for employing real time 5G data load prediction | |
CN117094535A (zh) | 基于人工智能的能源补给管理方法及系统 | |
Jiang et al. | Quantile-based policy optimization for reinforcement learning | |
Zhang et al. | A novel approach of tensor‐based data missing estimation for Internet of Vehicles | |
CN104636489B (zh) | 描述属性数据的处理方法和装置 | |
Steponavičė et al. | Dynamic algorithm selection for pareto optimal set approximation | |
CN113822412A (zh) | 一种图节点标注方法、装置、设备及存储介质 | |
CN117058498B (zh) | 分割图评估模型的训练方法、分割图的评估方法及装置 |
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 |