CN111581812B - 一种目标驱动、基于遗传算法的自适应系统规划生成方法 - Google Patents
一种目标驱动、基于遗传算法的自适应系统规划生成方法 Download PDFInfo
- Publication number
- CN111581812B CN111581812B CN202010373135.8A CN202010373135A CN111581812B CN 111581812 B CN111581812 B CN 111581812B CN 202010373135 A CN202010373135 A CN 202010373135A CN 111581812 B CN111581812 B CN 111581812B
- Authority
- CN
- China
- Prior art keywords
- target
- targets
- graph
- model
- observable
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种目标驱动、基于遗传算法的自适应系统规划生成方法,应用于软件系统自适应规则生成机制技术领域,具体包括以下内容:基于图的自适应系统建模;面向图匹配的目标建模;目标驱动的运行时规划生成。本发明面向目标模型的适应度函数设计,其中包含了两方面的可变性:一是目标粒度的选择,二是是否对观测函数进行松弛;根据规划问题的目标特点不同和时间约束的不同,通过上述配置,可以提升规划生成算法的效果。
Description
技术领域
本发明属于针对软件系统自适应规则生成机制技术领域,具体涉及一种目标驱动、基于遗传算法的自适应系统规划生成方法。
背景技术
泛在计算模式下,软件已渗入到人类社会和物理环境的各个层面,与环境和用户发生愈来愈密切的交互。环境与用户需求的不断变化可能会导致软件系统的目标不再被满足,这就要求系统在部署后能够持续监测环境与需求的变化,并对这些变化做出响应,以保障系统能够持续满足用户需求。为此,软件系统应具备自我监测和我调整的能力,亦即自适应软件系统。
自适应系统的规划方法包括基于规则的方法、基于目标的方法和模型检验方法。基本规则的方法需预先定义自适应规则来描述系统处于何种条件下执行何种操作,导致其缺乏灵活性且不易表达有些较为复杂的自适应逻辑,也难以应对不确定;基于模型验证的方法通常采用马尔可夫模型或状态及来表示环境和自适应系统的行为,采用时序逻辑等来表示需求,通过模型验证方法生成规划,受限于模型验证的时间开销,此类方法多难以满足实时性的要求;基于目标的方法需要对系统的目标进行明确定义和建模,将规则问题转化未可满足问题或优化问题。
规划是系统自适应的关键。一方面,规划单元负责系统的自适应决策,直接影响自适应的效果;另一方面,规划需要根据自适应系统自身、环境和用户目标决定系统的行为,具有高复杂性。自适应系统规划需要面临两方面的问题,一是如何建模和表示自适应系统、环境和目标。二是如何以建模得到的模型作为输入,生成有效的规划,即规划单元的行为逻辑。规划的目标是使得系统到达一个尽可能满足用户需求的状态。同时,规划单元在生成规划时应满足一定的约束,即系统反馈的时间不宜过长,否则在系统响应期间环境或需求可能再次变化。不同类型不同场景的自适应系统对于时间的要求不尽相同,因此要求系统规划方法能够在时间和质量上达到平衡。
目标作为自适应系统的关键要素,存在两方面的复杂性:其一,用户的需求数量繁多,关系复杂;其二,需求在系统运行时动态变化。通常采用目标模型来织和管理高层需求。而现有目标模型多限于需求的分析和推理,难以直接用于指导系统的规划。
因此,如何提供一种目标驱动、基于遗传算法的自适应系统规划生成方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种目标驱动、基于遗传算法的自适应系统规划生成方法。
为了实现上述目的,本发明采用如下技术方案:
一种目标驱动、基于遗传算法的自适应系统规划生成方法,包括以下步骤:
S1:基于图的自适应系统建模,包括系统结构建模和环境建模;
S2:基于步骤S1中的系统结构模型和环境模型,采用带标签有向结构表示,将两者模型转换为通用图模型--系统状态模型,表示系统和环境的当前状态;
S3:在步骤S2中系统状态模型的基础上,采用图变换规则对基于图的自适应系统的行为进行建模,获得系统行为模型;
S4:基于图的自适应系统建模还包括面向图匹配的目标建模,目标模型中,从根目标开始,目标可被递归精化,直至无法再精化,无法再精化的目标称为可观测目标,可被精化的目标则称为非可观测目标;可观测目标的满足与否可直接在系统运行时观测得到,非可观测目标的满意度依赖于其子目标的满意度;
S5:目标驱动的规划生成,基于遗传算法,利用目标模型结构信息和语义信息驱动规划的生成。
优选的,所述步骤S1中,环境是指系统无法控制却又会对系统功能和性能产生影响的因素;在一些自适应系统中,环境与系统相对独立,通常将系统结构与环境分别建模。
优选的,所述步骤S2中,无论采用何种系统结构和环境建模方式,以及两者是否统一,都将两者模型转换为通用图模型;转换方法,采用带有标签有向图结构:由节点和带标签边组成,其中节点表示实体及其状态,边表示对象/状态间的关系,标的标签表示关系类型。
此技术方案的有益效果是:采用统一而非独立的建模方式更有利于表示系统和环境之间的关系。
优选的,所述步骤S3中的图变换规则,是指从原始图像创建出新图的技术,采用图表示系统操作的前置条件和后置条件,并可以通过参数化对行为进一步抽象,用图表示计算的当前状态,后续的计算则被表示为图变换规则。
优选的,图变换规则由用于匹配当前状态子图的原始图和用于替换被匹配子图的替换图组成。
优选的,所述步骤S4中,目标模型为一单源有向无环图,节点表示目标,节点之间的有向边表示目标间的精化关系,边起始节点与终结节点为父子关系,分别称父目标和子目标;父目标可被分解为子目标,子目标的满足对父目标的满足产生贡献;一个子目标可以有多个父目标;没有父目标的唯一节点为根目标,代表了系统的整体目标。
优选的,所述步骤S4中,Go表示目标模型中的观测目标集合,S表示自适应系统的状态集合态,将目标集合中的可观测目标组通过观测函数obs衡量可观测目标满意度,定义函数值在[0,1]区间,函数值为1表示需求被完全满足,函数值为0表示没有被满足,函数值在(0,1)间则表示部分满足;其中观测函数obs为
obs(g,s)=v|vin[0,1]
其中,g∈Go,g为可观测目标,s∈S,s为自适应状态,v为满意度,其取值区间为[0,1]。
优选的,所述步骤S4中,非可观测目标通过目标满意度函数sat衡量非可观测目标的满意度,定义函数值在[0,1]区间,函数值为1表示需求被完全满足,函数值为0表示没有被满足,函数值在(0,1)间则表示部分满足;其中目标满意度函数sat为
其中,R代表目标之间的精化关系,g为可观测目标,g'为g的子目标,w代表精化关系到权重值之间的函数,∩代表与,∪代表或。
优选的,所述步骤S5中遗传算法操作主要包括选择、交叉和变异。
经由上述的技术方案可知,与现有技术相比,本发明提供了一种目标驱动、基于遗传算法的自适应系统规划生成方法,提出了面向目标模型的适应度函数设计,其中包含了两方面的可变性。一是目标粒度的选择,二是是否对观测函数进行松弛;根据规划问题的目标特点不同和时间约束的不同,通过上述配置,可以提升规划生成算法的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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,还可以根据提供的附图获得其他的附图。
图1为本发明采用基于遗传算法搜索机制流程图;
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。
实施例1
本发明实施例公开了一种目标驱动、基于遗传算法的自适应系统规划生成方法,包括以下步骤:
S1:基于图的自适应系统建模,包括系统结构建模和环境建模;
S2:基于步骤S1中的系统结构模型和环境模型,采用带标签有向结构表示,将两者模型转换为通用图模型--系统状态模型,表示系统和环境的当前状态;
S3:在步骤S2中系统状态模型的基础上,采用图变换规则对基于图的自适应系统的行为进行建模,获得系统行为模型;
S4:基于图的自适应系统建模还包括面向图匹配的目标建模,目标模型中,从根目标开始,目标可被递归精化,直至无法再精化,无法再精化的目标称为可观测目标,可被精化的目标则称为非可观测目标;可观测目标的满足与否可直接在系统运行时观测得到,非可观测目标的满意度依赖于其子目标的满意度;
S5:目标驱动的规划生成,基于遗传算法,利用目标模型结构信息和语义信息驱动规划的生成。
在步骤S1中,环境是指系统无法控制却又会对系统功能和性能产生影响的因素;在一些自适应系统中,环境与系统相对独立,通常将系统结构与环境分别建模。以智能房屋为例,灯的状态、房间的亮度、人的位置都是系统的状态。其中,灯是系统结构的一部分,而房间的亮度是环境的一部分。两者之间存在着密切的联系,对灯的操作会对房间亮度产生影响,房间的亮度也会影响灯对操作的效果。采用统一而非独立的建模方式更有利于表示系统和环境之间的关系。
在步骤S2中,无论采用何种系统结构和环境建模方式,以及两者是否统一,都将两者模型转换为通用图模型;转换方法,采用带有标签有向图结构:由节点和带标签边组成,其中节点表示实体及其状态,边表示对象/状态间的关系,标的标签表示关系类型。
步骤S3中的图变换规则,是指从原始图像创建出新图的技术,采用图表示系统操作的前置条件和后置条件,并可以通过参数化对行为进一步抽象,用图表示计算的当前状态,后续的计算则被表示为图变换规则。图变换规则由用于匹配当前状态子图的原始图和用于替换被匹配子图的替换图组成。
在步骤S4中,目标模型为一单源有向无环图,节点表示目标,节点之间的有向边表示目标间的精化关系,边起始节点与终结节点为父子关系,分别称父目标和子目标;父目标可被分解为子目标,子目标的满足对父目标的满足产生贡献;一个子目标可以有多个父目标;没有父目标的唯一节点为根目标,代表了系统的整体目标。
Go表示目标模型中的观测目标集合,S表示自适应系统的状态集合,将目标集合中的可观测目标组通过观测函数obs衡量可观测目标满意度,定义函数值在[0,1]区间,函数值为1表示需求被完全满足,函数值为0表示没有被满足,函数值在(0,1)间则表示部分满足;其中观测函数obs为
obs(g,s)=v|vin[0,1]
其中,g∈Go,g为可观测目标,s∈S,s为自适应状态,v为满意度,其取值区间为[0,1]。
通过目标满意度函数sat衡量非可观测目标的满意度,定义函数值在[0,1]区间,函数值为1表示需求被完全满足,函数值为0表示没有被满足,函数值在(0,1)间则表示部分满足;其中目标满意度函数sat为
其中,R代表目标之间的精化关系,g为可观测目标,g'为g的子目标,w代表精化关系到权重值之间的函数,∩代表与,∪代表或。
在步骤S5中遗传算法操作主要包括选择、交叉和变异。
其中,选择操作基于每个候选解的适应度来筛选保留至下一代的个体,适应度衡量了一个候选解距离最优解的距离;交叉是通过交换两个个体的染色体中基因片段来生成新的个体的过程,交叉的好处是子代可能同时继承父母双方的优秀基因片段,从而获得更高的适应度。对于待变异的个体,算法随机选择一个基因作为变异基因,然后从所有图变换规则中随机选择一个替换该基因的规则;其二是位置变异,对于待变异的个体,算法随机选择一个位置将染色体切开,然后交换两侧的基因片段产生新的染色体。与交叉不同,变异发生的概率不能过高,否则将导致算法难以收敛。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (5)
1.一种目标驱动、基于遗传算法的自适应系统规划生成方法,其特征在于,包括以下步骤:
S1:基于图的自适应系统建模,包括系统结构建模和环境建模;
S2:基于步骤S1中的系统结构模型和环境模型,采用带标签有向结构表示,将两者模型转换为通用图模型--系统状态模型,表示系统和环境的当前状态;
S3:在步骤S2中系统状态模型的基础上,采用图变换规则对基于图的自适应系统的行为进行建模,获得系统行为模型;
S4:基于图的自适应系统建模包括面向图匹配的目标建模,目标模型中,从根目标开始,目标被递归精化,直至无法再精化,无法再精化的目标称为可观测目标,可被精化的目标则称为非可观测目标;可观测目标的满意度直接在系统运行时观测,非可观测目标的满意度依赖于其子目标的满意度;
S5:目标驱动的规划生成,基于遗传算法搜索机制,利用目标模型结构信息和语义信息驱动规划的生成;
所述步骤S4中,目标模型为一单源有向无环图,节点表示目标,目标包括父目标和子目标;
所述步骤S4中,Go表示目标模型中的观测目标集合,S表示自适应系统的状态集合态,将目标集合中的可观测目标组通过观测函数obs衡量可观测目标满意度,定义函数值在[0,1]区间,函数值为1表示需求被完全满足,函数值为0表示未满足,函数值在(0,1)间则表示部分满足;其中观测函数obs为
obs(g,s)=v|vin[0,1]
其中,g∈Go,g为可观测目标,s∈S,s为自适应状态,v为满意度,其取值区间为[0,1];
所述步骤S4中,通过目标满意度函数sat衡量非可观测目标的满意度,定义函数值在[0,1]区间,函数值为1表示需求被完全满足,函数值为0表示未满足,函数值在(0,1)间则表示部分满足;其中目标满意度函数sat为
其中,R代表目标之间的精化关系,g为可观测目标,g'为g的子目标,w代表精化关系到权重值之间的函数,∩代表与,∪代表或;
其中,自适应系统为智能房屋,
系统状态为灯的状态、房间的亮度、人的位置;
系统结构为灯,环境为房间亮度。
2.根据权利要求1所述的一种目标驱动、基于遗传算法的自适应系统规划生成方法,其特征在于,所述步骤S1中,环境是指系统无法控制、对系统功能和性能产生影响的因素。
3.根据权利要求1所述的一种目标驱动、基于遗传算法的自适应系统规划生成方法,其特征在于,所述步骤S2中,带有标签有向图结构:由节点和带标签边组成,其中节点表示实体和实体状态,边表示对象/状态间的关系,标签表示关系类型。
4.根据权利要求1所述的一种目标驱动、基于遗传算法的自适应系统规划生成方法,其特征在于,所述步骤S3中的图变换规则,是指从原始图像创建出新图的技术,采用图表示系统操作的前置条件和后置条件,通过参数化对行为进一步抽象,用图表示计算的当前状态,后续的计算则被表示为图变换规则。
5.根据权利要求1所述的一种目标驱动、基于遗传算法的自适应系统规划生成方法,其特征在于,所述步骤S5中,遗传算法包括选择、交叉和变异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010373135.8A CN111581812B (zh) | 2020-05-06 | 2020-05-06 | 一种目标驱动、基于遗传算法的自适应系统规划生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010373135.8A CN111581812B (zh) | 2020-05-06 | 2020-05-06 | 一种目标驱动、基于遗传算法的自适应系统规划生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111581812A CN111581812A (zh) | 2020-08-25 |
CN111581812B true CN111581812B (zh) | 2022-05-03 |
Family
ID=72122731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010373135.8A Active CN111581812B (zh) | 2020-05-06 | 2020-05-06 | 一种目标驱动、基于遗传算法的自适应系统规划生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581812B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956680A (zh) * | 2016-04-18 | 2016-09-21 | 北京大学 | 一个基于强化学习的自适应规则的生成和管理框架 |
WO2019051395A2 (en) * | 2017-09-08 | 2019-03-14 | The Johns Hopkins University | SELF-ADAPTABLE BIOINSPIRED MATERIAL SYSTEMS |
-
2020
- 2020-05-06 CN CN202010373135.8A patent/CN111581812B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956680A (zh) * | 2016-04-18 | 2016-09-21 | 北京大学 | 一个基于强化学习的自适应规则的生成和管理框架 |
WO2019051395A2 (en) * | 2017-09-08 | 2019-03-14 | The Johns Hopkins University | SELF-ADAPTABLE BIOINSPIRED MATERIAL SYSTEMS |
Non-Patent Citations (1)
Title |
---|
基于验证的自适应系统决策:一种模型驱动的方法;杨卓群 等;《软件学报》;20170220;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111581812A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Evolutionary dynamic multi-objective optimisation: A survey | |
Palomares et al. | Consensus under a fuzzy context: Taxonomy, analysis framework AFRYCA and experimental case of study | |
Liu et al. | Knowledge acquisition and representation using fuzzy evidential reasoning and dynamic adaptive fuzzy Petri nets | |
Jonsbråten et al. | A class of stochastic programs withdecision dependent random elements | |
Lee et al. | An intelligent fuzzy agent for meeting scheduling decision support system | |
Mayrhofer et al. | Recognizing and predicting context by learning from user behavior | |
WO2023040381A1 (zh) | 告警因果关系挖掘方法、告警因果挖掘装置及存储介质 | |
CN109684456B (zh) | 基于物联网能力知识图谱的场景能力智能问答系统 | |
Ren et al. | A reinforcement learning method for constraint-satisfied services composition | |
CN111160484B (zh) | 数据处理方法、装置、计算机可读存储介质及电子设备 | |
Meng et al. | A rule-based service customization strategy for smart home context-aware automation | |
Yaghoobi et al. | A review of modeling techniques for genetic regulatory networks | |
Fakhar et al. | A survey of smart home energy conservation techniques | |
Lison et al. | Belief modelling for situation awareness in human-robot interaction | |
Smith-Miles et al. | A knowledge discovery approach to understanding relationships between scheduling problem structure and heuristic performance | |
Hua et al. | Copi: enabling probabilistic conflict prediction in smart space through context-awareness | |
CN111581812B (zh) | 一种目标驱动、基于遗传算法的自适应系统规划生成方法 | |
Trabelsi et al. | Leveraging evolutionary algorithms for dynamic multi-objective optimization scheduling of multi-tenant smart home appliances | |
Jeon et al. | Ontology-based user intention recognition for proactive planning of intelligent robot behavior | |
Donaj et al. | Extension of HMM-Based ADL Recognition with markov chains of activities and activity transition cost | |
Stenudd | Using machine learning in the adaptive control of a smart environment | |
Smith-Miles et al. | Understanding the relationship between scheduling problem structure and heuristic performance using knowledge discovery | |
Cheng | Coordinating decentralized learning and conflict resolution across agent boundaries | |
Conrady et al. | Tutorial on driver analysis and product optimization with BayesiaLab | |
Montes et al. | Grid global behavior prediction |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |