CN112785407B - 一种基于多种群遗传算法的网点分配比例寻优方法及装置 - Google Patents
一种基于多种群遗传算法的网点分配比例寻优方法及装置 Download PDFInfo
- Publication number
- CN112785407B CN112785407B CN202110183539.5A CN202110183539A CN112785407B CN 112785407 B CN112785407 B CN 112785407B CN 202110183539 A CN202110183539 A CN 202110183539A CN 112785407 B CN112785407 B CN 112785407B
- Authority
- CN
- China
- Prior art keywords
- variable
- fitness
- optimal
- individuals
- gene
- 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
- 230000002068 genetic effect Effects 0.000 title claims abstract description 141
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000009826 distribution Methods 0.000 title claims abstract description 64
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 147
- 230000004927 fusion Effects 0.000 claims abstract description 62
- 238000006243 chemical reaction Methods 0.000 claims description 106
- 238000013507 mapping Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- 230000035772 mutation Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 239000000872 buffer Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Technology Law (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于多种群遗传算法的网点分配比例寻优方法及装置,涉及人工智能领域,也可用于金融领域,包括:利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对应的适应度;其中,各所述个体由产品待调度网点的一组分配比例组成;将各所述适应度对应的初始适应度变量转换为初始基因变量;利用所述初始基因变量完成对所述子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量;根据预设的融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,得到最优网点分配比例。本申请能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例。
Description
技术领域
本申请涉及人工智能领域,可以用于金融领域,具体是一种基于多种群遗传算法的网点分配比例寻优方法及装置。
背景技术
实际业务中,金融机构各网点所需的现钞及实物产品等经常会因调度不均,使得一些网点出现短时期内现钞储量不足或产品滞销的问题。假设以上现钞或实物产品均称为产品1、产品2、产品3、……,则对于产品1而言,设有n个待调度的网点,A1,A2…An,各网点之间的分配比例为(a1,a2…an),在约束条件其中(0≤aj≤1)存在的前提下,可利用遗传算法寻找最优的(a1,a2…an)以达到最佳的产品供需匹配度,即最优网点分配比例。
所谓遗传算法是指模拟达尔文生物进化论中自然选择过程的一种计算模型,该计算模型能够通过模拟自然进化过程搜索最优解。该计算模型通过数学方式,利用计算机实现仿真运算,将问题的求解过程转换为类似生物进化中染色体基因交叉及变异等的过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,往往能够较快地获得较好的优化结果。利用遗传算法求取最优解时,需要预设一初始种群,通过对初始种群中各个体适应度的计算,找到优势个体,再对优势个体进行交叉及变异等进化繁衍,最终得出最优个体,即最优解。
用现有的遗传算法进行上述寻优时,罚函数的引入是一种常见的技术手段,但其存在效率低下等诸多问题。为了解决引入罚函数所带来的效率低下的问题,业界也提出有针对不同应用场景设计不同遗传算子以求出可行解,从而绕过罚函数弊端的方法。但在待调度的网点较多且所涉及的产品较多的情况下,现有技术只能利用遗传算法进行串行计算,无法实现“高性能计算节点”与“多种群遗传算法”并发设计。因此,目前尚无一种可以通过并行计算方式利用遗传算法增强全局求解能力的成熟方案。
发明内容
针对现有技术中的问题,本申请提供一种基于多种群遗传算法的网点分配比例寻优方法及装置,能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种基于多种群遗传算法的网点分配比例寻优方法,包括:
利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对应的适应度;其中,各所述个体由产品待调度网点的一组分配比例组成;
将各所述适应度对应的初始适应度变量转换为初始基因变量;
利用所述初始基因变量完成对所述子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量;
根据预设的融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,得到最优网点分配比例。
进一步地,构建适应度预测模型的步骤,包括:
根据产品待调度网点的历史调度数据获取训练种群;
将所述训练种群输入时间循环神经网络模型进行训练,得到适应度预测模型。
进一步地,所述将各所述适应度对应的初始适应度变量转换为初始基因变量,包括:
将所述初始适应度变量输入第一转换队列;
利用第一转换线程,根据初始适应度变量与初始基因变量之间的第一映射关系将所述第一转换队列中的所述初始适应度变量转换为初始基因变量。
进一步地,所述利用所述初始基因变量完成对所述子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量,包括:
对基因变量进行模拟二进制交叉及高斯变异,得到优秀个体及其对应的优秀基因进一步地,所述根据预设的融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,得到最优网点分配比例,包括:
根据所述融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,确定多个最优新生个体及其对应的最优新生基因变量;
将所述最优新生基因变量输入第二转换队列;
利用第二转换线程,根据最优新生适应度变量与最优新生基因变量之间的第二映射关系将所述第二转换队列中的所述最优新生基因变量转换为最优新生适应度变量;
根据所述最优新生适应度变量,利用所述适应度预测模型确定各所述最优新生个体对应的适应度,并从中选取适应度最高的一个最优新生个体作为所述最优网点分配比例。
进一步地,所述根据所述融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,确定多个最优新生个体及其对应的最优新生基因变量,包括:
当完成进化的子种群的数量达到预设的融合繁衍数量时,对各所述子种群中的所述优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异,得到优秀新生个体及优秀新生基因变量;
将所述优秀新生基因变量输入第三转换队列;
利用第三转换线程,根据优秀新生适应度变量与优秀新生基因变量之间的第三映射关系将所述第三转换队列中的所述优秀新生基因变量转换为优秀新生适应度变量;
根据所述优秀新生适应度变量,利用所述适应度预测模型确定各所述优秀新生个体对应的适应度,并从中选取适应度较高的前L个优秀新生个体作为多个最优新生个体,所述适应度较高的多个优秀新生个体对应的优秀新生基因变量作为对应的最优新生基因变量;其中,L为正整数,且小于所述优秀新生个体的总数。
第二方面,本申请提供一种基于多种群遗传算法的网点分配比例寻优装置,包括:
适应度确定单元,用于利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对应的适应度;其中,各所述个体由产品待调度网点的一组分配比例组成;
初始基因变量确定单元,用于将各所述适应度对应的初始适应度变量转换为初始基因变量;
子种群进化单元,用于利用所述初始基因变量完成对所述子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量;
最优分配比例确定单元,用于根据预设的融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,得到最优网点分配比例。
进一步地,所述的基于多种群遗传算法的网点分配比例寻优装置,还包括:
训练种群获取单元,用于根据产品待调度网点的历史调度数据获取训练种群;
预测模型训练单元,用于将所述训练种群输入时间循环神经网络模型进行训练,得到适应度预测模型。
进一步地,所述初始基因变量确定单元,包括:
第一转换队列输入模块,用于将所述初始适应度变量输入第一转换队列;
初始基因变量转换模块,用于利用第一转换线程,根据初始适应度变量与初始基因变量之间的第一映射关系将所述第一转换队列中的所述初始适应度变量转换为初始基因变量。
进一步地,所述子种群进化单元,具体用于:
对基因变量进行模拟二进制交叉及高斯变异,得到优秀个体及其对应的优秀基因变量。
进一步地,所述最优分配比例确定单元,包括:
最优新生确定模块,用于根据所述融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,确定多个最优新生个体及其对应的最优新生基因变量;
第二转换队列输入模块,用于将所述最优新生基因变量输入第二转换队列;
适应度变量转换模块,用于利用第二转换线程,根据最优新生适应度变量与最优新生基因变量之间的第二映射关系将所述第二转换队列中的所述最优新生基因变量转换为最优新生适应度变量;
最优分配比例确定模块,用于根据所述最优新生适应度变量,利用所述适应度预测模型确定各所述最优新生个体对应的适应度,并从中选取适应度最高的一个最优新生个体作为所述最优网点分配比例。
进一步地,所述最优新生确定模块,包括:
优秀新生确定子模块,用于当完成进化的子种群的数量达到预设的融合繁衍数量时,对各所述子种群中的所述优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异,得到优秀新生个体及优秀新生基因变量;
第三转换队列输入子模块,用于将所述优秀新生基因变量输入第三转换队列;
优秀新生基因变量转换子模块,用于利用第三转换线程,根据优秀新生适应度变量与优秀新生基因变量之间的第三映射关系将所述第三转换队列中的所述优秀新生基因变量转换为优秀新生适应度变量;
最优新生确定子模块,用于根据所述优秀新生适应度变量,利用所述适应度预测模型确定各所述优秀新生个体对应的适应度,并从中选取适应度较高的前L个优秀新生个体作为多个最优新生个体,所述适应度较高的多个优秀新生个体对应的优秀新生基因变量作为对应的最优新生基因变量;其中,L为正整数,且小于所述优秀新生个体的总数。
第三方面,本申请提供一种电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述基于多种群遗传算法的网点分配比例寻优方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述基于多种群遗传算法的网点分配比例寻优方法的步骤。
针对现有技术中的问题,本申请提供的基于多种群遗传算法的网点分配比例寻优方法及装置,能够在高性能的计算体系下实现基于多种群遗传算法的并发设计,提高算法性能及全局最优解搜索能力,更高效地调度分配金融机构各网点所需的资源及产品。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本申请实施例中基于多种群遗传算法的网点分配比例寻优方法的流程图;
图2为本申请实施例中构建适应度预测模型的流程图;
图3为本申请实施例中将初始适应度变量转换为初始基因变量的流程图;
图4为本申请实施例中得到最优网点分配比例的流程图;
图5为本申请实施例中确定最优新生个体及最优新生基因变量的流程图;
图6为本申请实施例中基于多种群遗传算法的网点分配比例寻优装置的结构图之一;
图7为本申请实施例中基于多种群遗传算法的网点分配比例寻优装置的结构图之二;
图8为本申请实施例中初始基因变量确定单元的结构图;
图9为本申请实施例中最优分配比例确定单元的结构图;
图10为本申请实施例中最优新生确定模块的结构图;
图11为本申请实施例中的电子设备的结构示意图;
图12为本申请实施例中的高性能计算节点的一种可行架构;
图13为本申请实施例中的网点分配比例寻优方法的实际执行的时序示例图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,本申请提供的基于多种群遗传算法的网点分配比例寻优方法及装置,可用于金融领域,也可用于除金融领域之外的任意领域,本申请提供的基于多种群遗传算法的网点分配比例寻优方法及装置的应用领域不做限定。
参见图1,为了能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例,在高性能的计算体系下实现基于多种群遗传算法的并发设计,提高算法性能及全局最优解搜索能力,更高效地调度分配金融机构各网点所需的资源及产品,本申请提供一种基于多种群遗传算法的网点分配比例寻优方法,包括:
S101:利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对应的适应度;其中,各个体由产品待调度网点的一组分配比例组成;
可以理解的是,本申请实施例中所采用的多种群遗传算法执行于高性能的计算体系下,在进行适应度变量与基因变量之间转换以及进行进化融合繁衍时,均可采用高性能的计算体系下的并发执行机制。
具体地,在实际业务场景中,金融机构管理人员希望待分配的产品能够按最优的分配比例配给待调度网点。为求得最优网点分配比例,需要在本申请所述的多种群遗传算法中设立一的初始种群。为可以在不断的进化融合繁衍中获得更优的新生个体,可以将初始种群划分为若干个子种群,使子种群分别完成进化,而子种群中的个体则由产品待调度网点的一组分配比例组成。这些分配比例均满足相同的约束条件,在本申请的一实施例中,该约束条件为各网点分配比例之和为1。
假设现有n个待调度网点,那么这一组分配比例应有n个组成元素,而初始种群中则包含m组分配比例,从而构成一个m×n的初始种群矩阵。该初始种群矩阵的每一行可以理解为一个初始适应度变量。将一组分配比例,也就是一个初始适应度变量输入预先构建的适应度预测模型,可以得到该组分配比例对应的适应度。
S102:将各适应度对应的初始适应度变量转换为初始基因变量;
可以理解的是,通过S101中的计算,各初始适应度变量分别对应有适应度,利用初始适应度变量与初始基因变量之间的映射关系,可以将各适应度对应的初始适应度变量转换为初始基因变量。
S103:利用初始基因变量完成对子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量;
可以理解的是,利用多种群遗传算法可以根据初始基因变量完成对初始种群中各子种群的进化,具体的进化方法包括交叉及变异。典型的交叉方法包括但不限于模拟二进制交叉;典型的变异方法包括但不限于高斯变异以及柯西变异。完成交叉及变异后,可以得到各子种群对应的优秀个体及优秀个体对应的优秀基因变量。
S104:根据预设的融合繁衍轮次,利用优秀基因变量对优秀个体进行融合繁衍,得到最优网点分配比例。
可以理解的是,本申请实施例中会根据实际业务需要以及高性能计算体系的计算能力预设融合繁衍轮次。需要说明的是,融合繁衍轮次越多,进化后形成的个体就越优秀,也就是说更加接近最优网点分配比例。
具体地,在得到各子种群对应的优秀个体及优秀个体对应的优秀基因变量以后,需要对各子种群中的优秀个体进行进一步地进化融合繁衍,从中得到最优秀的新生个体,将其作为最优网点分配比例。
从上述描述可知,本申请提供的基于多种群遗传算法的网点分配比例寻优方法,能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例,在高性能的计算体系下实现基于多种群遗传算法的并发设计,提高算法性能及全局最优解搜索能力,更高效地调度分配金融机构各网点所需的资源及产品。
参见图2,构建适应度预测模型的步骤,包括:
S201:根据产品待调度网点的历史调度数据获取训练种群;
S202:将训练种群输入时间循环神经网络模型进行训练,得到适应度预测模型。
可以理解的是,产品待调度网点的历史调度数据保存有产品待调度网点的各历史调度比例以及按照各历史调度比例进行调度后各网点对产品的利用情况。如果利用情况较佳,则说明适应度较高。历史调度比例以及各网点对产品的利用情况可以组成训练种群,以供时间循环神经网络模型训练。
从上述描述可知,本申请提供的基于多种群遗传算法的网点分配比例寻优方法,能够构建适应度预测模型。
参见图3,将各适应度对应的初始适应度变量转换为初始基因变量,包括:
S301:将初始适应度变量输入第一转换队列;
可以理解的是,在多种群遗传算法中,需要将初始适应度变量转换为初始基因变量后才能进行进化融合繁衍。为此,需要将初始适应度变量输入第一转换队列。这些初始适应度变量对应于S101中所述的初始种群中的子种群中的个体的适应度。
S302:利用第一转换线程,根据初始适应度变量与初始基因变量之间的第一映射关系将第一转换队列中的初始适应度变量转换为初始基因变量。
可以理解的是,在转换时,高性能计算体系中的高性能计算节点会设置多个第一转换线程,这些第一转换线程采用并行执行方式在计算机后台循环处理第一转换队列中的初始适应度变量,将初始适应度变量转成为初始基因变量。
需要说明的是,在转换前,首先要将初始种群划分为多个子种群,再分别针对各子种群中的每一个体进行从初始适应度变量到初始基因变量的转换,划分时,每个子种群中所包括的个体最好近似相等。另外,划分子种群只是为了方便线程进行调度,从而实现并行计算操作,子种群在各自分配的转换线程中执行转换任务。子种群除了可作为线程调度基本单位以外,还可作为执行进化中交叉及变异等步骤的最小单元。
另需说明的是,在一优选的实施例中,初始基因变量从第一转换队列出来之后,累计到F个,则可以组成新的子种群,调起进化线程,可以参见图12中的“转换队列1”到“转换累计到一个子种群即调起”的图示。其中,F作为参数值,可视并行度要求灵活而定。
还需说明的是,初始适应度变量与初始基因变量之间存在某种映射关系,本申请不对映射关系本身进行限定,但为了说明本申请所述方法的可行性,现举一实施例。一实施例中,设初始基因变量b=(b1,b2,…,bn),其中(0≤bj≤1);则初始适应度变量对应向量/>记为(a1,a2,…,an),其中其中,上述初始适应度变量所对应的向量(a1,a2,…,an)表征n个网点之间的网点分配比例;n表示待分配网点数量,k与j都可以表示其中某一网点。
举例而言,假设初始基因变量b=(0.7,0.6,0.3,0.36),为了进行映射转换,0.7,0.6,0.3,0.36这些十进制数字需要进行二进制转换,得到b基因组编码,b1’、b2’、b3’及b4’,进制转换方法可为现有技术。为了举例读取方便,本例中的表1不用二进制数字表示。利用上述映射关系,可以求得对应的适应度0.9345,对应的初始适应度变量为a=(0.3571,0.3061,0.1531,0.1837)。
表1
需要说明的是,将初始适应度变量转换为初始基因变量与将初始基因变量转换为初始适应度变量,二者运算方向相反,但运算关系相同。
从上述描述可知,本申请提供的基于多种群遗传算法的网点分配比例寻优方法,能够将各适应度对应的初始适应度变量转换为初始基因变量。
在本申请实施例中,利用初始基因变量完成对子种群的进化,得到子种群对应的优秀个体及优秀个体对应的优秀基因变量,包括:
对初始基因变量进行模拟二进制交叉及高斯变异,得到优秀个体及其对应的优秀基因变量。
需要说明的是,种群的进化方法包括交叉及变异,交叉及变异所采用的具体算法多种多样,本申请不对此做出限定。为了说明本申请所述方法的可行性,一实施例中,可对初始基因变量进行模拟二进制交叉及高斯变异,得到优秀个体及其对应的优秀基因变量。
从上述描述可知,本申请提供的基于多种群遗传算法的网点分配比例寻优方法,能够利用初始基因变量完成对子种群的进化,得到子种群对应的优秀个体及优秀个体对应的优秀基因变量。
参见图4,根据预设的融合繁衍轮次,利用优秀基因变量对优秀个体进行融合繁衍,得到最优网点分配比例,包括:
S401:根据融合繁衍轮次,利用优秀基因变量对优秀个体进行融合繁衍,确定多个最优新生个体及其对应的最优新生基因变量;
可以理解的是,前文已经提及,在本申请实施例中会根据实际业务需要以及高性能计算体系的计算能力预设融合繁衍轮次。需要说明的是,本申请实施例中的初始种群被划分为多个子种群,在分别完成对各子种群的进化后,可以得到各子种群对应的优秀个体以及优秀基因变量。此时,需要将各子种群对应的优秀个体以及优秀基因变量进行融合繁衍,以求更优的进化效果,在融合繁衍时,仍然可以采用模拟二进制交叉及高斯变异的进化方法,最终获得多个最优新生个体及其对应的最优新生基因变量。
需要说明的是,每个子种群进化完成后产生的优秀个体可以为多个,本申请不以此为限。
S402:将最优新生基因变量输入第二转换队列;
可以理解的是,找到多个最优新生个体及其对应的最优新生基因变量后,可以将最优新生基因变量输入第二转换队列。所谓第二转换队列是指将最优新生基因变量转换为最优新生适应度变量的队列。
S403:利用第二转换线程,根据最优新生适应度变量与最优新生基因变量之间的第二映射关系将第二转换队列中的最优新生基因变量转换为最优新生适应度变量;
可以理解的是,在转换时,高性能计算体系中的高性能计算节点会设置多个第二转换线程,这些第二转换线程采用并行执行方式在计算机后台循环处理第二转换队列中的最优新生基因变量,将最优新生基因变量转成为最优新生适应度变量。
需要说明的是,在转换时,各子种群对应的最优新生基因变量可以利用第二转换线程,实现并行计算操作,提高转换效率。
另需说明的是,最优新生基因变量与最优新生适应度变量之间存在某种映射关系,本申请不对映射关系本身进行限定。其映射关系可与本申请实施例中S302中所述的映射关系类似。
S404:根据最优新生适应度变量,利用适应度预测模型确定各最优新生个体对应的适应度,并从中选取适应度最高的一个最优新生个体作为最优网点分配比例。
从上述描述可知,本申请提供的基于多种群遗传算法的网点分配比例寻优方法,能够根据预设的融合繁衍轮次,利用优秀基因变量对优秀个体进行融合繁衍,得到最优网点分配比例。
参见图5,根据融合繁衍轮次,利用优秀基因变量对优秀个体进行融合繁衍,确定多个最优新生个体及其对应的最优新生基因变量,包括:
S501:每当完成进化的子种群的数量达到预设的融合繁衍数量时,就对各所述子种群中的优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异,得到优秀新生个体及优秀新生基因变量;
可以理解的是,每个子种群在进化完成后,都会生成优秀个体以及对应的优秀基因变量。假设共有R个子种群,这些子种群在并行计算体系下的高性能计算节点中进化时,完成进化的时间点可能存在差异,也就是说,R个子种群的进化是陆陆续续完成的,而非同时完成的。这样当完成进化的子种群的数量达到预设的融合繁衍数量K时,就可以对这些子种群中的优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异,得到这些子种群对应的优秀新生个体及优秀新生基因变量;然后,再当完成进化的另外一些子种群的数量达到预设的融合繁衍数量K时,就可以对这另外一些子种群中的优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异,得到这另外一些子种群对应的优秀新生个体及优秀新生基因变量;以此类推可以将所有子种群对应的优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异,得到R个子种群整体对应的优秀新生个体及优秀新生基因变量。这样做的优点在于可以提高融合繁衍效率。需要说明的是,本申请实施例可以采用计数器统计完成融合繁衍的子种群数量何时达到融合繁衍数量K。
S502:将优秀新生基因变量输入第三转换队列;
S503:利用第三转换线程,根据优秀新生适应度变量与优秀新生基因变量之间的第三映射关系将第三转换队列中的优秀新生基因变量转换为优秀新生适应度变量;
可以理解的是,在转换时,高性能计算体系中的高性能计算节点会设置多个第三转换线程,这些第三转换线程采用并行执行方式在计算机后台循环处理第三转换队列中的优秀新生基因变量,将优秀新生基因变量转成为优秀新生适应度变量。
需要说明的是,在转换时,各子种群对应的优秀新生基因变量可以利用第三转换线程,实现并行计算操作,提高转换效率。
另需说明的是,优秀新生基因变量与优秀新生适应度变量之间存在某种映射关系,本申请不对映射关系本身进行限定。其映射关系可与本申请实施例中S302中所述的映射关系类似。
还需说明的是,在一优选的实施例中,初始基因变量从第三转换队列出来之后,累计到F个,则可以组成新的子种群,调起适应度计算线程,可以参见图12中的“转换队列2”到“转换累计到一个子种群即调起”的图示。其中,F作为参数值,可视并行度要求灵活而定。
S504:根据优秀新生适应度变量,利用适应度预测模型确定各优秀新生个体对应的适应度,并从中选取适应度较高的前L个优秀新生个体作为多个最优新生个体,所述适应度较高的多个优秀新生个体对应的优秀新生基因变量作为对应的最优新生基因变量;其中,L为正整数,且小于所述优秀新生个体的总数。
从上述描述可知,本申请提供的基于多种群遗传算法的网点分配比例寻优方法,能够根据融合繁衍轮次,利用优秀基因变量对优秀个体进行融合繁衍,确定多个最优新生个体及其对应的最优新生基因变量。
需要说明的是,本发明要解决的技术问题是提供一种带约束条件的多种群遗传算法下的并行计算体系。通过在高性能的并行计算体系下,进行满足约束条件的适应度计算,可以极限提高运算性能以及最优解的全局搜索能力,能够更快更有效地分配金融机构各网点的所需资源及产品。
另需说明的是,图12示出了本申请实施例中高性能计算节点中的软硬件各部分的一种可行架构。在本图中,“任务”为调起的“过程”进入任务队列后的更名。并行的机制是基于任务的。所有的任务,都处于总上下文中。当任务队列中一个任务的依赖条件得到满足,系统又有空余的计算资源(比如线程池有空余线程)时,则该任务可以运行,任务执行完毕后则释放资源。转换过程初始化后,即循环执行相应的任务,处理对应的转换队列中的数据,可以根据转换过程的相对复杂程度设置循环执行的任务数量,以保证时效性。
还需说明的是,“高性能计算节点”的结构图可以参见图13,图13为算法实际执行的时序示例图。本申请实施例中的计算平台由多个高性能计算节点组成,每个节点处理一类产品,比如节点2专门处理某地区内产品2的分配比例计算,其他节点以此类推。通常而言,单一节点的计算性能非常高,可以配置24核-80核的处理器,内存参数可以达到512G-2TB。因为各节点的计算相对独立,所以节点间没有I/O连接需求。通过按列存储方式可以将数据表压缩存放内存,避免数据分析过程中缓慢的I/O过程及格式转换导致效率降低。
此外,计算引擎部分可以通过软件实现,主要组成部分为基于任务的并行调度系统。所有的任务都被置于一个上下文中,每个任务有其依赖的数据并请求一个线程资源。内存计算平台的共享内存机制降低了子种群进行融合的系统开销,也为频繁的任务多线程调度提供了基础。
基于同一发明构思,本申请实施例还提供了一种基于多种群遗传算法的网点分配比例寻优装置,可以用于实现上述实施例所描述的方法,如下面的实施例所述。由于基于多种群遗传算法的网点分配比例寻优装置解决问题的原理与基于多种群遗传算法的网点分配比例寻优方法相似,因此基于多种群遗传算法的网点分配比例寻优装置的实施可以参见基于软件性能基准确定方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的系统较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
参见图6,为了能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例,在高性能的计算体系下实现基于多种群遗传算法的并发设计,提高算法性能及全局最优解搜索能力,更高效地调度分配金融机构各网点所需的资源及产品,本申请提供一种基于多种群遗传算法的网点分配比例寻优装置,包括:
适应度确定单元601,用于利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对应的适应度;其中,各所述个体由产品待调度网点的一组分配比例组成;
初始基因变量确定单元602,用于将各所述适应度对应的初始适应度变量转换为初始基因变量;
子种群进化单元603,用于利用所述初始基因变量完成对所述子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量;
最优分配比例确定单元604,用于根据预设的融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,得到最优网点分配比例。
参见图7,所述的基于多种群遗传算法的网点分配比例寻优装置,还包括:
训练种群获取单元701,用于根据产品待调度网点的历史调度数据获取训练种群;
预测模型训练单元702,用于将所述训练种群输入时间循环神经网络模型进行训练,得到适应度预测模型。
参见图8,初始基因变量确定单元602,包括:
第一转换队列输入模块801,用于将所述初始适应度变量输入第一转换队列;
初始基因变量转换模块802,用于利用第一转换线程,根据初始适应度变量与初始基因变量之间的第一映射关系将所述第一转换队列中的所述初始适应度变量转换为初始基因变量。
在本申请实施例中,子种群进化单元603,具体用于:
对基因变量进行模拟二进制交叉及高斯变异,得到优秀个体及其对应的优秀基因变量。
参见图9,最优分配比例确定单元604,包括:
最优新生确定模块901,用于根据所述融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,确定多个最优新生个体及其对应的最优新生基因变量;
第二转换队列输入模块902,用于将所述最优新生基因变量输入第二转换队列;
适应度变量转换模块903,用于利用第二转换线程,根据最优新生适应度变量与最优新生基因变量之间的第二映射关系将所述第二转换队列中的所述最优新生基因变量转换为最优新生适应度变量;
最优分配比例确定模块904,用于根据所述最优新生适应度变量,利用所述适应度预测模型确定各所述最优新生个体对应的适应度,并从中选取适应度最高的一个最优新生个体作为所述最优网点分配比例。
参见图10,最优新生确定模块901,包括:
优秀新生确定子模块1001,用于当完成进化的子种群的数量达到预设的融合繁衍数量时,对各所述子种群中的所述优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异,得到优秀新生个体及优秀新生基因变量;
第三转换队列输入子模块1002,用于将所述优秀新生基因变量输入第三转换队列;
优秀新生基因变量转换子模块1003,用于利用第三转换线程,根据优秀新生适应度变量与优秀新生基因变量之间的第三映射关系将所述第三转换队列中的所述优秀新生基因变量转换为优秀新生适应度变量;
最优新生确定子模块1004,用于根据所述优秀新生适应度变量,利用所述适应度预测模型确定各所述优秀新生个体对应的适应度,并从中选取适应度较高的前N个优秀新生个体作为多个最优新生个体,所述适应度较高的多个优秀新生个体对应的优秀新生基因变量作为对应的最优新生基因变量;其中,N为正整数,且小于所述优秀新生个体的总数。
从硬件层面来说,为了能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例,在高性能的计算体系下实现基于多种群遗传算法的并发设计,提高算法性能及全局最优解搜索能力,更高效地调度分配金融机构各网点所需的资源及产品,本申请提供一种用于实现所述基于多种群遗传算法的网点分配比例寻优方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(Processor)、存储器(Memory)、通讯接口(Communications Interface)和总线;其中,所述处理器、存储器、通讯接口通过所述总线完成相互间的通讯;所述通讯接口用于实现所述基于多种群遗传算法的网点分配比例寻优装置与核心业务系统、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的基于多种群遗传算法的网点分配比例寻优方法的实施例,以及基于多种群遗传算法的网点分配比例寻优装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,基于多种群遗传算法的网点分配比例寻优方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通讯模块(即通讯单元),可以与远程的服务器进行通讯连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通讯链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图11为本申请实施例的电子设备9600的系统构成的示意框图。如图11所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图11是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,基于多种群遗传算法的网点分配比例寻优方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
S101:利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对应的适应度;其中,各所述个体由产品待调度网点的一组分配比例组成;
S102:将各所述适应度对应的初始适应度变量转换为初始基因变量;
S103:利用所述初始基因变量完成对所述子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量;
S104:根据预设的融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,得到最优网点分配比例。
从上述描述可知,本申请提供的基于多种群遗传算法的网点分配比例寻优方法,能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例,在高性能的计算体系下实现基于多种群遗传算法的并发设计,提高算法性能及全局最优解搜索能力,更高效地调度分配金融机构各网点所需的资源及产品。
在另一个实施方式中,基于多种群遗传算法的网点分配比例寻优装置可以与中央处理器9100分开配置,例如可以将数据复合传输装置基于多种群遗传算法的网点分配比例寻优装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现基于多种群遗传算法的网点分配比例寻优方法的功能。
如图11所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图11中所示的所有部件;此外,电子设备9600还可以包括图11中没有示出的部件,可以参考现有技术。
如图11所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通讯功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通讯模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通讯终端的情况相同。
基于不同的通讯技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通讯模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于多种群遗传算法的网点分配比例寻优方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于多种群遗传算法的网点分配比例寻优方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
S101:利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对应的适应度;其中,各所述个体由产品待调度网点的一组分配比例组成;
S102:将各所述适应度对应的初始适应度变量转换为初始基因变量;
S103:利用所述初始基因变量完成对所述子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量;
S104:根据预设的融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,得到最优网点分配比例。
从上述描述可知,本申请提供的基于多种群遗传算法的网点分配比例寻优方法,能够利用多种群遗传算法在并发高性能计算体系中求得最优网点分配比例,在高性能的计算体系下实现基于多种群遗传算法的并发设计,提高算法性能及全局最优解搜索能力,更高效地调度分配金融机构各网点所需的资源及产品。
本领域内的技术人员应明白,本发明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。
本发明是参照根据本发明实施例的方法、设备(装置)、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设备上,使得在计算机或其他可编程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。
本发明中应用了具体实施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 (6)
1.一种基于多种群遗传算法的网点分配比例寻优方法,其特征在于,包括:
利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对应的适应度;其中,各所述个体由产品待调度网点的一组分配比例组成;
将各所述适应度对应的初始适应度变量转换为初始基因变量;
利用所述初始基因变量完成对所述子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量;
根据预设的融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,得到最优网点分配比例;
其中,构建适应度预测模型的步骤,包括:
根据产品待调度网点的历史调度数据获取训练种群;
将所述训练种群输入时间循环神经网络模型进行训练,得到适应度预测模型;
所述将各所述适应度对应的初始适应度变量转换为初始基因变量,包括:
将所述初始适应度变量输入第一转换队列;
利用第一转换线程,根据初始适应度变量与初始基因变量之间的第一映射关系将所述第一转换队列中的所述初始适应度变量转换为初始基因变量;
其中,所述根据预设的融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,得到最优网点分配比例,包括:
根据所述融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,确定多个最优新生个体及其对应的最优新生基因变量;
将所述最优新生基因变量输入第二转换队列;
利用第二转换线程,根据最优新生适应度变量与最优新生基因变量之间的第二映射关系将所述第二转换队列中的所述最优新生基因变量转换为最优新生适应度变量;
根据所述最优新生适应度变量,利用所述适应度预测模型确定各所述最优新生个体对应的适应度,并从中选取适应度最高的一个最优新生个体作为所述最优网点分配比例;
其中,所述根据所述融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,确定多个最优新生个体及其对应的最优新生基因变量,包括:
当完成进化的子种群的数量达到预设的融合繁衍数量时,对各所述子种群中的所述优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异,得到优秀新生个体及优秀新生基因变量;
将所述优秀新生基因变量输入第三转换队列;
利用第三转换线程,根据优秀新生适应度变量与优秀新生基因变量之间的第三映射关系将所述第三转换队列中的所述优秀新生基因变量转换为优秀新生适应度变量;
根据所述优秀新生适应度变量,利用所述适应度预测模型确定各所述优秀新生个体对应的适应度,并从中选取适应度较高的前L个优秀新生个体作为多个最优新生个体,所述适应度较高的多个优秀新生个体对应的优秀新生基因变量作为对应的最优新生基因变量;其中,L为正整数,且小于所述优秀新生个体的总数。
2.根据权利要求1所述的基于多种群遗传算法的网点分配比例寻优方法,其特征在于,所述利用所述初始基因变量完成对所述子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量,包括:
对所述初始基因变量进行模拟二进制交叉及高斯变异,得到优秀个体及其对应的优秀基因变量。
3.一种基于多种群遗传算法的网点分配比例寻优装置,其特征在于,包括:
适应度确定单元,用于利用预先构建的适应度预测模型确定初始种群中的子种群中的个体对应的适应度;其中,各所述个体由产品待调度网点的一组分配比例组成;
初始基因变量确定单元,用于将各所述适应度对应的初始适应度变量转换为初始基因变量;
子种群进化单元,用于利用所述初始基因变量完成对所述子种群的进化,得到子种群对应的优秀个体及所述优秀个体对应的优秀基因变量;
最优分配比例确定单元,用于根据预设的融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,得到最优网点分配比例;
其中,所述的基于多种群遗传算法的网点分配比例寻优装置,其特征在于,还包括:
训练种群获取单元,用于根据产品待调度网点的历史调度数据获取训练种群;
预测模型训练单元,用于将所述训练种群输入时间循环神经网络模型进行训练,得到适应度预测模型;
其中,所述初始基因变量确定单元,包括:
第一转换队列输入模块,用于将所述初始适应度变量输入第一转换队列;
初始基因变量转换模块,用于利用第一转换线程,根据初始适应度变量与初始基因变量之间的第一映射关系将所述第一转换队列中的所述初始适应度变量转换为初始基因变量;
其中,所述最优分配比例确定单元,包括:
最优新生确定模块,用于根据所述融合繁衍轮次,利用所述优秀基因变量对所述优秀个体进行融合繁衍,确定多个最优新生个体及其对应的最优新生基因变量;
第二转换队列输入模块,用于将所述最优新生基因变量输入第二转换队列;
适应度变量转换模块,用于利用第二转换线程,根据最优新生适应度变量与最优新生基因变量之间的第二映射关系将所述第二转换队列中的所述最优新生基因变量转换为最优新生适应度变量;
最优分配比例确定模块,用于根据所述最优新生适应度变量,利用所述适应度预测模型确定各所述最优新生个体对应的适应度,并从中选取适应度最高的一个最优新生个体作为所述最优网点分配比例;
其中,所述最优新生确定模块,包括:
优秀新生确定子模块,用于当完成进化的子种群的数量达到预设的融合繁衍数量时,对各所述子种群中的所述优秀个体对应的优秀基因变量进行模拟二进制交叉及高斯变异,得到优秀新生个体及优秀新生基因变量;
第三转换队列输入子模块,用于将所述优秀新生基因变量输入第三转换队列;
优秀新生基因变量转换子模块,用于利用第三转换线程,根据优秀新生适应度变量与优秀新生基因变量之间的第三映射关系将所述第三转换队列中的所述优秀新生基因变量转换为优秀新生适应度变量;
最优新生确定子模块,用于根据所述优秀新生适应度变量,利用所述适应度预测模型确定各所述优秀新生个体对应的适应度,并从中选取适应度较高的前L个优秀新生个体作为多个最优新生个体,所述适应度较高的多个优秀新生个体对应的优秀新生基因变量作为对应的最优新生基因变量;其中,L为正整数,且小于所述优秀新生个体的总数。
4.根据权利要求3所述的基于多种群遗传算法的网点分配比例寻优装置,其特征在于,所述子种群进化单元,具体用于:
对基因变量进行模拟二进制交叉及高斯变异,得到优秀个体及其对应的优秀基因变量。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至2任一项所述的基于多种群遗传算法的网点分配比例寻优方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至2任一项所述的基于多种群遗传算法的网点分配比例寻优方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110183539.5A CN112785407B (zh) | 2021-02-10 | 2021-02-10 | 一种基于多种群遗传算法的网点分配比例寻优方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110183539.5A CN112785407B (zh) | 2021-02-10 | 2021-02-10 | 一种基于多种群遗传算法的网点分配比例寻优方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112785407A CN112785407A (zh) | 2021-05-11 |
CN112785407B true CN112785407B (zh) | 2024-02-06 |
Family
ID=75762195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110183539.5A Active CN112785407B (zh) | 2021-02-10 | 2021-02-10 | 一种基于多种群遗传算法的网点分配比例寻优方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785407B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250650A (zh) * | 2016-08-15 | 2016-12-21 | 北京理工大学 | 高通量仿真中模型的资源分配与优化方法 |
CN107257307A (zh) * | 2017-06-29 | 2017-10-17 | 中国矿业大学 | 一种基于Spark的并行化遗传算法求解多终端协同接入网络方法 |
CN108776461A (zh) * | 2018-05-21 | 2018-11-09 | 北京石油化工学院 | 一种柔性作业车间调度方法及系统 |
CN109523097A (zh) * | 2018-12-29 | 2019-03-26 | 杭州电子科技大学 | 一种改进遗传算法的多微电网优化调度方法 |
CN110809275A (zh) * | 2019-11-08 | 2020-02-18 | 福州大学 | 基于无线城域网的微云节点放置方法 |
-
2021
- 2021-02-10 CN CN202110183539.5A patent/CN112785407B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106250650A (zh) * | 2016-08-15 | 2016-12-21 | 北京理工大学 | 高通量仿真中模型的资源分配与优化方法 |
CN107257307A (zh) * | 2017-06-29 | 2017-10-17 | 中国矿业大学 | 一种基于Spark的并行化遗传算法求解多终端协同接入网络方法 |
CN108776461A (zh) * | 2018-05-21 | 2018-11-09 | 北京石油化工学院 | 一种柔性作业车间调度方法及系统 |
CN109523097A (zh) * | 2018-12-29 | 2019-03-26 | 杭州电子科技大学 | 一种改进遗传算法的多微电网优化调度方法 |
CN110809275A (zh) * | 2019-11-08 | 2020-02-18 | 福州大学 | 基于无线城域网的微云节点放置方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112785407A (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117953B (zh) | 网络参数训练方法和系统、服务器、客户端及存储介质 | |
CN111178507B (zh) | 图谱卷积神经网络数据处理方法及装置 | |
CN106503791A (zh) | 用于有效神经网络部署的系统和方法 | |
Kumar et al. | Federated control with hierarchical multi-agent deep reinforcement learning | |
US20220004858A1 (en) | Method for processing artificial neural network, and electronic device therefor | |
CN112236760B (zh) | 一种图数据的更新方法、系统、计算机可读存储介质及设备 | |
CN111932267A (zh) | 企业金融服务风险预测方法及装置 | |
CN113781002A (zh) | 云边协同网络中基于代理模型和多种群优化的低成本工作流应用迁移方法 | |
CN111800284A (zh) | 边缘云节点集合的选择方法和装置以及电子设备 | |
CN113821330B (zh) | 任务调度方法、装置、计算机设备和存储介质 | |
CN111767953B (zh) | 用于训练物品编码模型的方法和装置 | |
CN109919363A (zh) | 金融产品的价格预测方法、装置及设备 | |
CN112785407B (zh) | 一种基于多种群遗传算法的网点分配比例寻优方法及装置 | |
CN114154392A (zh) | 基于区块链和联邦学习的模型共建方法、装置及设备 | |
CN115292390B (zh) | 负荷信息生成方法、装置、电子设备和计算机可读介质 | |
CN116484906A (zh) | 图神经网络架构搜索方法和装置 | |
CN116452322A (zh) | 信用卡推荐方法及装置 | |
CN109726807A (zh) | 神经网络处理器、运算方法及存储介质 | |
CN114781806A (zh) | 基于多目标进化算法的多组合排课方法及装置及可读介质 | |
CN114881301A (zh) | 生产线的仿真排产方法、系统、终端设备及存储介质 | |
CN115016911A (zh) | 面向大规模联邦学习的任务编排方法、装置、设备和介质 | |
CN112597200A (zh) | 批量与流式结合的数据处理方法及装置 | |
CN112506644A (zh) | 基于云边端混合计算模式系统的任务调度方法和系统 | |
CN114003388A (zh) | 大数据计算引擎任务参数确定方法及装置 | |
CN114356512A (zh) | 一种数据处理方法、设备以及计算机可读存储介质 |
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 |