CN113191088A - 基于纳什博弈的可外挂式智能排序方法及装置 - Google Patents

基于纳什博弈的可外挂式智能排序方法及装置 Download PDF

Info

Publication number
CN113191088A
CN113191088A CN202110552721.3A CN202110552721A CN113191088A CN 113191088 A CN113191088 A CN 113191088A CN 202110552721 A CN202110552721 A CN 202110552721A CN 113191088 A CN113191088 A CN 113191088A
Authority
CN
China
Prior art keywords
sorting
learning
sample set
result
rule
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
CN202110552721.3A
Other languages
English (en)
Inventor
常松
盛建东
陈冰
石书兵
康定明
马英杰
张红忠
程军回
张凯
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.)
Xinjiang Beaver Agriculture And Animal Husbandry Software Co ltd
Original Assignee
Xinjiang Beaver Agriculture And Animal Husbandry Software Co ltd
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 Xinjiang Beaver Agriculture And Animal Husbandry Software Co ltd filed Critical Xinjiang Beaver Agriculture And Animal Husbandry Software Co ltd
Priority to CN202110552721.3A priority Critical patent/CN113191088A/zh
Publication of CN113191088A publication Critical patent/CN113191088A/zh
Pending legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种人工智能技术领域，是一种基于纳什博弈的可外挂式智能排序方法及装置，包括：获取原始数据；确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则；采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，输出对应的模型。本发明是一个人工智能软件应用库，具有独立性，能运行在各种操作系统和软件架构上，并且操作简单，操作人员无需学习编程知识，无需超参数的设置、无需人工干预。同时本发明使用纳什博弈论作为理论基础，通过有边界的搜索学习机制来发现学习样本的最简排序操作，完成有限博弈，再采用递归排序对测试样本集执行最简优化规则，完成有限策略。

Description

基于纳什博弈的可外挂式智能排序方法及装置
技术领域
本发明涉及一种人工智能技术领域，是一种基于纳什博弈的可外挂式智能排序方法及装置。
背景技术
现在随着人工智能，神经网络技术的发展，越来越多的计算能力被用来解决普通的问题，这是一个浪费。比如在农业领域或者大多数工业领域，只需要数百至数千个输入矢量，每个输入矢量包含数十列数据，总共几千至一万个数据是最常用的，此时用大型人工智能系统对这些应用就是一个浪费。同时现有人工智能机器学习系统多需要人工进行数据预处理及复杂参数的设置，故而对操作人员要求较高。
发明内容
本发明提供了一种基于纳什博弈的可外挂式智能排序方法及装置，克服了上述现有技术之不足，其能有效解决现有人工智能机器学习系统多依托于大型系统，存在资源浪费，且需要专业工作人员进行数据预处理、复杂参数设置的问题。
本发明的技术方案之一是通过以下措施来实现的：一种基于纳什博弈的可外挂式智能排序方法，包括：
获取原始数据，将原始数据分为学习样本集和测试样本集；
确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；
采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据。
下面是对上述发明技术方案的进一步优化或/和改进：
上述还包括将最优测试结果与测试样本集中的结果数据进行对比，响应于大于设定误差，则重新根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则。
上述还包括将最优测试结果与测试样本集中的结果数据进行对比，响应于大于设定误差，则将该最优测试结果对应的规则作为初始规则，对学习样本集进行重新排序学习。
上述确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，包括：
确定有限条件，并生成初始随机规则，有限条件包括内存限制、速度要求、时间限制、执行次数限制、最大排序总次数、单一方向排序总次数、评估预设值、评估误差设定值；
根据该初始随机规则对学习样本进行N次递归排序，输出初始排序；
获得初始排序的评估结果与评估预设值的差值，并与评估误差设定值比较；
响应于大于误差，则双向爬山算法对学习样本进行随机排序，输出符合有限条件的最简优化规则。
上述双向爬山算法包括正向排序和反向排序，具体过程包括：
随机选择一个方向进行排序，生成排序结果；
获得该次排序的评估结果，判断该次排序的评估结果是否小于初始排序的评估结果；
响应于是，则判断该次排序的评估结果是否小于评估误差设定值，响应于是，则输出该次排序对应的规则，响应于否，则继续沿该方向进行排序；
响应于否，则按反方向进行排序；
循环上述过程，在排序次数大于最大排序总次数或沿一个方向的排序次数大于单一方向排序总次数时，则输出评估结果最好的排序对应的规则。
上述采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于不大于设定误差，则输出对应的模型，包括：
将学习获得的规则作为正向规则，并根据正向规则确定反向规则；
通过反向搜索执行反向规则进行搜索初始条件的计算，通过正向搜索执行正向规则，获得所有测试样本对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于不大于设定误差，则输出对应的模型。
本发明的技术方案之二是通过以下措施来实现的：一种基于纳什博弈的可外挂式智能排序装置，包括：
数据获取单元，获取原始数据，将原始数据分为学习样本集和测试样本集；
最优排序库，确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；
递归排序库，采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据。
本发明使用纳什博弈论作为理论基础，根据有限条件对学习样本集进行排序学习，即通过有边界的搜索学习机制来发现学习样本的最简排序操作，完成有限博弈，再采用递归排序对测试样本集执行最简优化规则，实现最简优化规则的测试，输出对应的模型，完成有限策略，获得满足需求的最优结果。并且本发明是一个人工智能软件应用库，具有独立性，能运行在各种操作系统和软件架构上，既可以支持各种PC及其操作系统，也可以支持可编辑计算器和结构简单的工业控制器，如PC机、服务器，并行计算机、FPGA、单片机、可编程计算器等，并且操作简单，操作人员无需学习编程知识，无需超参数的设置、无需人工干预，同时本发明装置没有自己的安全设置，能与各种系统进行兼容，而不影响系统本身的运行。
附图说明
附图1为本发明实施例1的方法流程图。
附图2为本发明实施例2的方法流程图。
附图3为本发明实施例3的方法流程图。
附图4为本发明实施例4的方法流程图。
附图5为本发明实施例5的方法流程图。
附图6为本发明实施例6的装置结果示意图。
附图7为本发明实施例9的学习样本示意图。
附图8为本发明实施例9的测试样本示意图。
附图9为本发明实施例9的初始排序示意图。
附图10为本发明实施例9的初始排序结果示意图。
附图11为本发明实施例9中学习获得的规则示意图。
附图12为本发明实施例9的反向规则示意图。
附图13为本发明实施例9中递归排序后的最优测试结果示意图。
附图14为本发明实施例9中递归排序后最优测试结果的模型示意图。
附图15为本发明实施例9中递归排序模型输出的模型的图像文件示意图。
附图16为本发明实施例9中BP反向学习算法输出的模型的图像文件示意图。
附图17为本发明实施例9中的结果对比示意图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
名词解释：
纳什博弈是一种非合作博弈，在其中达到一个状态，无论博弈任一方，都不会随意改变博弈策略，以达到最优结果，就是纳什均衡(即Δf(x)<0)。纳什已经证明，在一个有限的博弈下，不断以有限的策略递归执行可以达到不动点，最后达到纳什均衡。它之所以可以成立，是由于存在一个有界且连续效用函数，其在搜寻最优解过程中存在不动点(角谷静夫不动点定理)，f(x)＝x。不动点是一个动态的过程，由不动点可以得到在该处无论往任何方向偏离Δx，结果都将以更快的速度偏离上一个平衡点，即
Figure BDA0003076026370000031
Figure BDA0003076026370000032
这就保证该递归的博弈过程必定带来一个不断深入广泛的搜索过程，可以让系统寻找到最后需要的优化的结果。
该博弈的过程包括四大要素，参与者，规则，结局和效用函数。在这个系统里，学习用输入数据向量为博弈参与者，n行数据代表n个参与者，博弈规则为排序规则，博弈结局为寻找到的一个输入向量或者几个向量叠加的结果，效用函数为欧氏空间或者多次多项式，也可以递归定义，由前面排序的结果定义效用函数，或者由一次博弈的结果计算二次博弈的效用函数，直到产生收敛一致的排序。
下面结合实施例及附图对本发明作进一步描述：
实施例1：如附图1所示，本发明实施公开了一种基于纳什博弈的可外挂式智能排序方法，包括：
步骤S101，获取原始数据，将原始数据分为学习样本集和测试样本集；
步骤S102，确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；
步骤S103，采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据。
本发明实施例公开了一种基于纳什博弈的可外挂式智能排序方法，使用纳什博弈论作为理论基础，根据有限条件对学习样本集进行排序学习，即通过有边界的搜索学习机制来发现学习样本的最简排序操作，完成有限博弈，再采用递归排序对测试样本集执行最简优化规则，实现最简优化规则的测试，输出对应的模型，完成有限策略，获得满足需求的最优结果。并且本发明实施例无需对数据进行预处理、无需检查数据除零的可能性、无需对输出做复杂的变换，使得应用更加便捷。
实施例2：如附图2所示，本发明实施公开了一种基于纳什博弈的可外挂式智能排序方法，包括：
步骤S201，获取原始数据，将原始数据分为学习样本集和测试样本集。
步骤S202，确定有限条件，并生成初始随机规则，有限条件包括内存限制、速度要求、时间限制、执行次数限制、最大排序总次数、单一方向排序总次数、评估预设值、评估误差设定值；
上述最大排序总次数根据需求进行设定，一般为学习样本总数的2倍或者学习列数*log2(学习列数)，学习列数即为学习样本数；随机规则为随机生成。
步骤S203，根据该初始随机规则对学习样本进行N次递归排序，输出初始排序；
上述根据该随机规则对学习样本进行N次递归排序，N次递归排序根据实际情况设定，在经多次模拟后N次递归排序设置为2次时，初始排序的效果最好。
步骤S204，获得初始排序的评估结果与评估预设值的差值，并与评估误差设定值比较；
上述排序的评估结果计算包括：首先，将排序中的相邻两个节点进行比较，判断是降序还是升序，若为降序，则标注错误，若为升序，则不进行标注；最后将所有标注错误的节点对应的结果相加，输出评估结果。
步骤S205，响应于大于误差，则利用双向爬山算法对学习样本进行随机排序，输出符合有限条件的最简优化规则；
上述双向爬山算法包括正向排序和反向排序，具体过程包括：
1、随机选择一个方向进行排序，生成排序结果；
2、获得该次排序的评估结果，判断该次排序的评估结果是否小于初始排序的评估结果；
3、响应于是，则判断该次排序的评估结果是否小于评估误差设定值，响应于是，则输出该次排序对应的规则，响应于否，则继续沿该方向进行排序；
4、响应于否，则按反方向进行排序；
5、循环2至4，在排序次数大于最大排序总次数或沿一个方向的排序次数大于单一方向排序总次数时，则输出评估结果最好的排序对应的规则。
上述两个方向排序分别为正向排序和反向排序，正向排序通过正向随机寻找进行，即从前往后随机尝试各种重新排序，首先计算评估结果，如果评估结果增加则为失败，取消此次排序，变为反向排序；反向排序通过后序随机寻找进行，即从后往前随机尝试各种重新排序，计算评估结果，如果评估结果增加则为失败，取消此次排序，变为正向向排序，不断往返，一直到排序评估结果小于评估误差设定值时，或在排序次数大于最大排序总次数，或沿一个方向的排序次数大于单一方向排序总次数时，输出对应排序对应的规则。
步骤S206，采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据。
上述实施例中除了使用双向爬山算法排序也可对数据进行其它排序操作，比如深度学习方法BP(Back Propagation)，在排序后使用总结该最优排序对应规则的过程包括：
首先定义两个字典对象，一个字典对象存储计算位置A，另一个字典对象储存计算数目B和结果缓存C；然后，确定排序的结果中自始至终的每一个值是否在计算位置A中，若是，则在结果缓存C中加入该值，且计算数目B加1，若否，则在该计算数目B中存入该值的数目，且在该值计算位置A存储第一个位置，在结果缓存C中加入该值，在该值计算位置A加1；最后，得到排序后的结果，再根据排序前的结果和排序后的结果，输出对应额排序规则。
例如，排序前的结果为0.12，0.15，0.11，0.16，排序成为0.11，0.12，0.15，0.16，即建立排序规则P(0)＝1，P(1)＝2，P(2)＝0，P(3)＝3。
实施例3：如附图3所示，本发明实施公开了一种基于纳什博弈的可外挂式智能排序方法，包括：
步骤S301，获取原始数据，将原始数据分为学习样本集和测试样本集。
步骤S302，确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据。
步骤S303，将学习获得的规则作为正向规则，用来搜索定位结果，并根据正向规则确定反向规则，用来扩大搜索范围。
步骤S304，通过反向搜索执行反向规则进行搜索初始条件的计算，通过正向搜索执行正向规则，获得所有测试样本对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于不大于设定误差，则输出对应的模型。
上述通过反向搜索和正向搜索进行递归排序，执行优化规则，输出最优测试结果，为现有公知过程。其中反向搜索反向执行最简优化规则，搜索递增的系统起始空间，按照输入的测试样本在最后排序中的位置反向搜索它可能的初始位置；正向搜索正向执行最简优化规则，搜索数据递减的收敛点，计算输入的测试样本在最后排序中的位置。
例如，具体实现如下所示：
1、反向搜索
计算具有最短距离的输入矢量(k1，k2)(即为测试样本(k1，k2))；
对(k1-MAX_SEARCH_SCOPR/2，k2+MAX_SEARCH_SCOPR/2)中的任何输入向量对(i，j)计算排序结果(f-1(i)，f-1(j))，即结果(i1，j1)满足f(i1)＝i，f(j2)＝j；递归执行直到(f-1(i)，f-1(j))出现循环，则结果被存到m_listOfReverseMinimum和m_listOfReverseMaximum。
每次循环，计算f-1(i)和f-1(j)到f-1((i+j)/2)的距离，选择最大者继续上述过程，即(f-1(i)，f-1((i+j)/2))或者f-1(j)，f-1((i+j)/2)其中距离最大者。
2、初始化
计算任何输入向量对(f-1(i)，f-1(j))的排序结果(m_listOfReverseMinimum(i)，m_listOfReverseMaximum(j))，递归执行(f(listOfReverseMinimum(i)),f(listOfReverseMaximum(j)))收敛到常数MAX_MIN_DISTANCE，或者出现循环，结果被存到m_listOfMinimum和m_listOfMaximum。如果出现循环，从下至上，寻找最接近的向量对，存放为(Minimum+Maximum)/2。这里m_listOfMinimum和m_listOfMaximum以-1为结尾。
3、正向搜索
输入向量对(i，j)，枚举搜索m_listOfMinimum和m_listOfMaximum对，直到发现m_listOfMinimum包含i，m_listOfMaximum包含j，或者搜索至-1项，发现-1项，返回上一项。每次循环，计算f(i)和f(j)到f((i+j)/2)的距离，选择最小者继续上述过程，即(f(i)，f((i+j)/2))或者f(j)，f((i+j)/2)其中距离最小者。
4、计算过程
对发现的每一对m_listOfMinimum和m_listOfMaximum，存放至m_iResults，即收敛的结果。搜索m_iResults。这里最简单的办法是枚举m_iResults，发现最适合的结果。还有一个通用办法是建立输入数据与m_iResults的映射联系，然后进行搜索。以到输入向量的最短距离输出m_iResults作为结果。另一个通用办法是输出具有最短距离的学习集合，进行加权平均，即为混合策略。
上述步骤3中记录搜索过的节点和次数，计算前向搜索节点函数
Figure BDA0003076026370000071
和后向搜索节点函数
Figure BDA0003076026370000072
其中i为第i个节点的序数，Ci为第i个前向节点搜索过的次数，C'i为第i个后向节点搜索过的次数，n为搜索过的空间的总节点数。多次模拟发现A与B的数值和学习期望值有很好的平滑拟合效果，可以用来计算最终结果。
上述计算距离的距离函数可使用欧氏距离运算、高斯距离运算、朴素贝叶斯分类距离运算、PageRank距离运算、MC2多项式距离运算、勒贝格距离运算、NlogN距离运算、傅里叶变换距离运算等。
实施例4：如附图4所示，本发明实施公开了一种基于纳什博弈的可外挂式智能排序方法，包括：
步骤S401，获取原始数据，将原始数据分为学习样本集和测试样本集；
步骤S402，确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；
步骤S403，采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据；
步骤S404，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，响应于大于设定误差，则重新根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则。
实施例5：如附图5所示，本发明实施公开了一种基于纳什博弈的可外挂式智能排序方法，包括：
步骤S501，获取原始数据，将原始数据分为学习样本集和测试样本集；
步骤S502，确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；
步骤S503，采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据；
步骤S504，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，响应于大于设定误差，则将该最优测试结果对应的规则作为初始规则，对学习样本集进行重新排序学习。
实施例6：如附图6所示，本发明实施公开了一种基于纳什博弈的可外挂式智能排序装置，包括：
数据获取单元，获取原始数据，将原始数据分为学习样本集和测试样本集；
最优排序库，确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；
递归排序库，采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于不大于设定误差，则输出对应的模型，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据。
本发明装置是一个人工智能软件应用库，具有独立性，能运行在各种操作系统和软件架构上，既可以支持各种PC及其操作系统，也可以支持可编辑计算器和结构简单的工业控制器，如PC机、服务器，并行计算机、FPGA、单片机、可编程计算器等，并且操作简单，操作人员无需学习编程知识，无需超参数的设置、无需人工干预，同时本发明装置没有自己的安全设置，能与各种系统进行兼容，而不影响系统本身的运行。
本发明装置可以选择调用外挂系统进行有限条件设置，外挂系统可包括外部API接口、数据库、AI系统等，也能进行人工干预；递归排序库中预设有自动递归运算、高斯递归运算、贝叶斯分类运算等，并且也能进行人工干预。由于本装置的操作只使用排序和排序组成的搜索操作，用户手动操作相对简单自动，无需复杂编程和人工干预，也没有安全性的后顾之忧，而且系统运行非常稳定，可执行任意长的时间而不宕机。
实施例7，本发明实施公开了一种存储介质，所述存储介质上存储有能被计算机读取的计算机程序，所述计算机程序被设置为运行时执行基于纳什博弈的可外挂式智能排序方法。
上述存储介质可以包括但不限于：U盘、只读存储器、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
实施例8，本发明实施公开了一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，计算机程序由处理器加载并执行以实现基于纳什博弈的可外挂式智能排序方法。
上述电子设备还包括传输设备、输入输出设备，其中，传输设备和输入输出设备均与处理器连接。
实施例9，本实施例选用同一组数据，数据为TDR测量法和土壤土柱的称重测量法所得的含水量结果，即环刀取样法的结果，其中学习样本如图7所示(最后一列为称重测量法的含水量结果)，测试样本如图8所示(最后一列为称重测量法的含水量结果)。然后通过本发明的方法和BP反向学习算法进行结果预测。
(一)利用本发明的方法输出最终的模型：
1、导入学习样本，设置有限条件，并生成随机规则；
2、根据该随机规则对学习样本进行2次递归排序，输出如附图9所示的初始排序及如附图10所示对应的排序结果；
3、获得初始排序的评估结果与评估预设值的差值，这里评估结果为1122，大于评估预设值1，利用双向爬山算法对学习样本进行随机排序，输出如附图11所示的符合有限条件的最简优化规则；
4、将学习获得的规则作为正向规则，并根据正向规则确定如附图12所示的反向规则；
5、通过反向搜索和正向搜索分别执行反向规则和正向规则，获得所有测试样本对应的如附图13所示的最优测试结果，对应的模型如附图14所示；
6、不断换用不同的策略，获得所有测试样本对应的多个最优测试结果，比较找出最优模型(模型包括模型文件、如附图15所示的图像文件、如表1所示的数据文件)；
(二)利用BP反向学习算法输出最终的模型，对应的图像文件如附图16所示，数据文件如表2所示。
(三)如附图17所示为本发明的方法和BP反向学习算法的结果比较图，可见二者拟合的差异还是很大的。相比较而言，本发明的拟合结果趋于线性、收敛和45度角，要优于BP反向学习算法。
以上技术特征构成了本发明的最佳实施例，其具有较强的适应性和最佳实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
表1本发明输出的模型对应的数据文件
0.0825 0
0.165 0.0825
0.2475 0.2475
0.33 0.33
0.0675 0
0.135 0.0825
0.2025 0.165
0.2 0.2025
0.27 0.2475
表2 BP反向学习算法输出的模型对应的结果数据文件
0.0825 0.182304003
0.165 0.18233993
0.2475 0.182349727
0.33 0.182372502
0.0675 0.182304335
0.135 0.182341001
0.2025 0.182367535
0.2 0.182393232
0.27 0.182405086

Claims (9)

1.一种基于纳什博弈的可外挂式智能排序方法，其特征在于，包括：
获取原始数据，将原始数据分为学习样本集和测试样本集；
确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；
采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据。
2.根据权利要求1所述的基于纳什博弈的可外挂式智能排序方法，其特征在于，还包括将最优测试结果与测试样本集中的结果数据进行对比，响应于大于设定误差，则重新根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则。
3.根据权利要求1所述的基于纳什博弈的可外挂式智能排序方法，其特征在于，还包括将最优测试结果与测试样本集中的结果数据进行对比，响应于大于设定误差，则将该最优测试结果对应的规则作为初始规则，对学习样本集进行重新排序学习。
4.根据权利要求1或2或3所述的基于纳什博弈的可外挂式智能排序方法，其特征在于，确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，包括：
确定有限条件，并生成初始随机规则，有限条件包括内存限制、速度要求、时间限制、执行次数限制、最大排序总次数、单一方向排序总次数、评估预设值、评估误差设定值；
根据该初始随机规则对学习样本进行N次递归排序，输出初始排序；
获得初始排序的评估结果与评估预设值的差值，并与评估误差设定值比较；
响应于大于误差，则双向爬山算法对学习样本进行随机排序，输出符合有限条件的最简优化规则。
5.根据权利要求4所述的基于纳什博弈的可外挂式智能排序方法，其特征在于，双向爬山算法包括正向排序和反向排序，具体过程包括：
随机选择一个方向进行排序，生成排序结果；
获得该次排序的评估结果，判断该次排序的评估结果是否小于初始排序的评估结果；
响应于是，则判断该次排序的评估结果是否小于评估误差设定值，响应于是，则输出该次排序对应的规则，响应于否，则继续沿该方向进行排序；
响应于否，则按反方向进行排序；
循环上述过程，在排序次数大于最大排序总次数或沿一个方向的排序次数大于单一方向排序总次数时，则输出评估结果最好的排序对应的规则。
6.根据权利要求1至5中任意一项所述的基于纳什博弈的可外挂式智能排序方法，其特征在于，采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于不大于设定误差，则输出对应的模型，包括：
将学习获得的规则作为正向规则，并根据正向规则确定反向规则；
通过反向搜索执行反向规则进行搜索初始条件的计算，通过正向搜索执行正向规则，获得所有测试样本对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于不大于设定误差，则输出对应的模型。
7.一种基于纳什博弈的可外挂式智能排序装置，其特征在于，包括：
数据获取单元，获取原始数据，将原始数据分为学习样本集和测试样本集；
最优排序库，确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；
递归排序库，采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据。
8.一种存储介质，其特征在于，所述存储介质上存储有能被计算机读取的计算机程序，所述计算机程序被设置为运行时执行如权利要求1至6任一项所述的基于纳什博弈的可外挂式智能排序方法。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，计算机程序由处理器加载并执行以实现如权利要求1至6任一项所述的基于纳什博弈的可外挂式智能排序方法。
CN202110552721.3A 2021-05-20 2021-05-20 基于纳什博弈的可外挂式智能排序方法及装置 Pending CN113191088A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110552721.3A CN113191088A (zh) 2021-05-20 2021-05-20 基于纳什博弈的可外挂式智能排序方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110552721.3A CN113191088A (zh) 2021-05-20 2021-05-20 基于纳什博弈的可外挂式智能排序方法及装置

Publications (1)

Publication Number Publication Date
CN113191088A true CN113191088A (zh) 2021-07-30

Family

ID=76982695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110552721.3A Pending CN113191088A (zh) 2021-05-20 2021-05-20 基于纳什博弈的可外挂式智能排序方法及装置

Country Status (1)

Country Link
CN (1) CN113191088A (zh)

Similar Documents

Publication Publication Date Title
US10776400B2 (en) Clustering using locality-sensitive hashing with improved cost model
JP4509860B2 (ja) データ分割装置、データ分割方法およびプログラム
Zhu et al. A novel approximation to dynamic time warping allows anytime clustering of massive time series datasets
WO2008120072A1 (en) Method and system of classifying, ranking and relating information based on networks
CN109213805A (zh) 一种实现模型优化的方法及装置
Pramanik et al. Rt-gsom: rough tolerance growing self-organizing map
Kyriacou et al. Efficient PCA-driven EAs and metamodel-assisted EAs, with applications in turbomachinery
CN114580747A (zh) 基于数据相关性和模糊系统的异常数据预测方法及系统
US20170364334A1 (en) Method and Apparatus of Read and Write for the Purpose of Computing
CN109074348A (zh) 用于对输入数据集进行迭代聚类的设备和迭代方法
CN107203916B (zh) 一种用户信用模型建立方法及装置
Ibragimova et al. Recognition algorithm models based on the selection of two-dimensional preference threshold functions
CN113191088A (zh) 基于纳什博弈的可外挂式智能排序方法及装置
CN116628136A (zh) 基于声明式推理的协同查询处理方法、系统、电子设备
WO2023123851A1 (zh) 数据可视化方法、装置、电子设备、存储介质和程序
CN116054144A (zh) 分布式光伏接入的配电网重构方法、系统及存储介质
CN106445960A (zh) 一种数据聚类方法和装置
CN114880457A (zh) 工艺推荐模型的训练、工艺推荐方法及电子设备
Hao et al. Multi-attributes risk investment decision making based on dynamic probability rough sets
US9208203B2 (en) High-speed statistical processing in a database
US8271518B2 (en) Nearest neighbor search method
Albertini et al. Energy-based function to evaluate data stream clustering
CN115620807B (zh) 靶点蛋白分子与药物分子之间相互作用强度的预测方法
US11620271B2 (en) Relationship analysis using vector representations of database tables
Chao et al. A clustering based feature selection method using feature information distance for text data

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