CN114862031A - 业务全局最优解的获取方法、装置及电子设备 - Google Patents

业务全局最优解的获取方法、装置及电子设备 Download PDF

Info

Publication number
CN114862031A
CN114862031A CN202210543072.5A CN202210543072A CN114862031A CN 114862031 A CN114862031 A CN 114862031A CN 202210543072 A CN202210543072 A CN 202210543072A CN 114862031 A CN114862031 A CN 114862031A
Authority
CN
China
Prior art keywords
solution
population
group
initial
solution group
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
CN202210543072.5A
Other languages
English (en)
Inventor
胡文皓
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.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology 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 Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202210543072.5A priority Critical patent/CN114862031A/zh
Publication of CN114862031A publication Critical patent/CN114862031A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了业务全局最优解的获取方法，涉及数据处理技术领域，尤其涉及大数据、运筹优化、人工智能等领域。具体实现方案为：根据目标业务的描述信息，确定目标搜索空间及目标函数；根据目标搜索空间，生成初始解群体；基于初始解群体，在目标搜索空间进行搜索，以获取初始解群体关联的参考解群体；根据初始解群体及参考解群体，重构新的解群体；基于新的解群体返回执行获取参考解群体的操作，直至获取使目标函数取值最小的最优解。由此，通过对初始解群体进行迭代，获取参考解群体，并基于初始解群体及参考解群体，重构新的解群体，从而增加了解群体的分散性，进而基于新的解群体求解全局最优解，提高了获取全局最优解的可靠性与准确性。

Description

业务全局最优解的获取方法、装置及电子设备
技术领域
本公开涉及数据处理技术领域，尤其涉及大数据、运筹优化、人工智能等领域，具体涉及业务全局最优解的获取方法、装置及电子设备。
背景技术
在工程系统设计、混合产品制作、路径规划等业务场景中，可以基于搜索算法，求解业务的全局最优解。但是，由于现实业务问题通常为非线性、非凸、含多个变量、有一个或几个目标函数的复杂问题。因此，如何获取全局最优解，是目前亟需解决的问题。
发明内容
本公开提供了一种业务全局最优解的获取方法和装置。
根据本公开的一方面，提供了一种业务全局最优解的获取方法，包括：
根据目标业务的描述信息，确定目标搜索空间及目标函数；
根据目标搜索空间，生成初始解群体；
基于初始解群体，在目标搜索空间进行搜索，以获取初始解群体关联的参考解群体；
根据初始解群体及参考解群体，重构新的解群体；
基于新的解群体返回执行获取参考解群体的操作，直至获取使目标函数取值最小的最优解。
根据本公开的另一方面，提供了一种业务全局最优解的获取装置，包括：
确定模块，用于根据目标业务的描述信息，确定目标搜索空间及目标函数；
生成模块，用于根据目标搜索空间，生成初始解群体；
获取模块，用于基于初始解群体，在目标搜索空间进行搜索，以获取初始解群体关联的参考解群体；
重构模块，用于根据初始解群体及参考解群体，重构新的解群体；
上述获取模块，还用于基于新的解群体返回执行获取参考解群体的操作，直至获取使目标函数取值最小的最优解。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述实施例所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据上述实施例所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现上述实施例所述方法的步骤。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例提供的一种业务全局最优解的获取方法的流程示意图；
图2为本公开实施例提供的另一种业务全局最优解的获取方法的流程示意图；
图3为本公开实施例提供的另一种业务全局最优解的获取装置的流程示意图；
图4是用来实现本公开实施例的业务全局最优解的获取方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
大数据，或称巨量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理、并整理成为帮助企业经营决策更积极目的的资讯。
运筹优化，是通过利用数学方法解决现实生活中包含大量决策变量复杂问题，寻找问题的最优解决方案。在现代商业中，运筹学已经广泛应用在各个行业中解决复杂场景下的业务问题，帮助企业实现智能决策。
人工智能，是研究使用计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术领域也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术包括计算机视觉技术、语音识别技术、自然语言处理技术以及深度学习、大数据处理技术、知识图谱技术等几大方向。
通常，初始解群体的分散性较低，会导致搜索算法容易陷入局部最优，因此，本公开通过重构新的分散性较高的解群体，然后基于重构后的解群体重启新的搜索过程，从而避免搜索过程陷入局部最优，提高了搜索业务全局最优解的可靠性与准确性。
下面参考附图，对本公开实施例的业务全局最优解的获取方法、装置、电子设备和存储介质进行详细说明。
图1为本公开实施例提供的一种业务全局最优解的获取方法的流程示意图。
如图1所示，该方法包括：
步骤101，根据目标业务的描述信息，确定目标搜索空间及目标函数。
其中，目标业务可以为需要求解最优解的任一业务，比如，车辆路径规划、混合产品制作、工程系统设计等。
本公开中，可以根据目标业务的描述信息，确定目标业务的需求，之后，可以根据目标业务的需求确定目标搜索空间及目标函数。
其中，目标搜索空间，可以为目标业务对应的各变量的区间等，通过解群体中各解在目标搜索空间内进行突变、交叉、移动等迭代操作，使解向最优解方向靠拢，当最后收敛时，即可获取到最优解。目标函数可以用于指示搜索的收敛方向，即指示业务的最优解，比如，使目标函数取值最小的解为最优解。
举例来说，在车辆路径规划业务中，需要规划一种车辆行驶路径，能够使货物运送到用户所在地的成本最低，则目标函数可以为：
Figure BDA0003650368650000041
其中，n为用户编号，gi为第i个用户的货物需求量，K为可用车辆数，k为车辆编号，q为每辆车的容量，cij为从用户i到用户j的单位费用。yik表示用户i的货物由车辆k运输，当用户i的货物由车辆k运输时，yik＝1，否则yik＝0。xijk表示车辆k由用户i驶向用户j，当车辆k由用户i驶向用户j时，xijk＝1，否则xijk＝0。R＝(1+t)/4，t为当前迭代次数。
公式1中，
Figure BDA0003650368650000042
表示当超出车辆的实际容量限制时，目标函数的惩罚值。
此外，该业务对应的目标搜索空间，可以通过以下约束表示：
Figure BDA0003650368650000043
Figure BDA0003650368650000044
Figure BDA0003650368650000045
Figure BDA0003650368650000046
另外，由于在车辆路径规划业务中，解为车辆的行驶路径，因此，目标搜索空间还可以包含各用户所在区域的可同行路径。
步骤102，根据目标搜索空间，生成初始解群体。
其中，初始解群体中可以包含多个解，每个解为业务(即目标函数)的一个可行解，且可行解可以为多维向量，每一维可以对应与一个变量。
本公开中，可以在目标搜索空间内，通过多次随机为解向量中各维对应的变量生成一个值，确定多个初始解，从而生成初始解群体，或者可以用编码的方式，生成初始解群体。
举例来说，在车辆路径规划业务场景中，假设有6个用户，2个货物运输中心。利用编码的方式生成初始解群体，可以将货物运输中心编码为0，因此，车辆路径规划业务对应的解可以为8维的向量，每一维对应各用户编号及货物运输中心。
之后，可以为各用户及货物运输中心，随机生成一个随机数，然后，可以按照随机数的大小，对各用户及货物运输中心进行排序，以生成用户编码序列，即一个解。
比如，按照用户编号顺序，为用户生成的随机数5.4、2.7、4.6、3.5、1.8、3.9，为两个货物运输中心生成的随机数为2.9、4.1，则按照各随机数从小到大的顺序对对应的用户编号及货物运输中心进行排序，确定的用户编码序列为：5、2、0、4、6、0、3、1。
由此，可以根据用户编码序列，确定车辆的形式路径。比如，上述用户编码序列为：5、2、0、4、6、0、3、1，因为车必须从货物运输中心出发再回到货物运输中心，因此车辆的行驶路径为：0520460310，即车辆1行驶路径为0520，车辆2行驶路径为0460；车辆3行驶路径为0310。
步骤103，基于初始解群体，在目标搜索空间进行搜索，以获取初始解群体关联的参考解群体。
本公开中，可以对初始解群体进行序列二次规划，或者将初始解群体输入到搜索算法，使初始解群体在目标搜索空间中进行迭代。当迭代次数到达第一预设的迭代次数时可以停止解群体迭代，并将进行第一预设的迭代次数后的解群体，确定为参考解群体。
比如，第一预设的迭代次数为1000次，当对初始解群体进行1000次迭代后，可以停止迭代，并将1000次迭代后确定的解群体，确定为参考解群体。
由此，通过对初始解群体进行初步的迭代，确定参考解群体，可以提高参考解群体的有效性。
步骤104，根据初始解群体及参考解群体，重构新的解群体。
本公开中，根据初始解群体中每个初始解与参考解群体中对应的参考解间的第一距离，重构每个初始解对应的新解。
比如，可以计算初始解群体中的解i与参考解群体中的解i之间的欧拉距离，并将该欧拉距离的加权，确定为初始解群体中的解i对应的新的解。新解中各维的值如下公式所示：
Figure BDA0003650368650000051
其中，i,j＝1,2,…,N(N为初始解群体中解的个数)，w为(0,1)，
Figure BDA0003650368650000052
为参考解群体中第i个参考解的第j维的值，
Figure BDA0003650368650000053
为初始解群体中第i个初始解的第j维的值。
需要说明的是，新的解群体中的各新解，实际上对应与初始解群体中对应的解与参考解群体中对应的解连线上的一点，所以，新解相对与初始解群体中的解更为分散。
步骤105，基于新的解群体返回执行获取参考解群体的操作，直至获取使目标函数取值最小的最优解。
本公开中，可以基于新的解群体返回执行获取参考解群体的操作，直至获取到第二预设的迭代次数对应的目标解群体，并可以将目标解群体中使目标函数取值最小的解，确定为最优解，从而可以提高获取最优解的可靠性。其中，第二预设的迭代次数可以为获取最优解设置的解群体需要迭代的次数。
比如，第二预设的迭代次数为10000次，第一预设的迭代次数为1000次。在对初始解群体进行1000次迭代获取参考解群体，并基于参考解群体及初始解群体确定新的解群体后，可以基于新的解群体重新进行10000次迭代，并将10000次迭代后的解群体，确定为目标解群体。由此，目标解群体中使目标函数的取值最小的解，即为该业务对应的全局最优解。
可选的，可以基于新的解群体返回执行获取参考解群体的操作，当迭代次数每次到达第一预设的迭代次数时，可以利用该次进行第一预设的迭代次数后的解群体，替换上次迭代第一预设的迭代次数后确定的参考解群体，作为新的参考群体。之后，可以基于该新的参考群体及上一次重构的解群体再次重构新的解，并基于新的解群体返回执行获取参考解群体的操作，直至完成第二预设的迭代次数的迭代。然后，可以将进行第二预设的迭代次数后的解群体确定为目标解群体，将目标解群体中使目标函数取值最小的解，确定为最优解。
比如，第二预设的迭代次数为10000次，第一预设的迭代次数为1000次。在对初始解群体进行1000次迭代获取参考解群体，并基于该参考解群体及初始解群体确定新的解群体后，可以基于新的解群体进行接下来的9000次迭代。当再次对新的解群体进行1000次迭代时(即共完成了2000次迭代)，可以将进行2000次迭代后的解群体确定为新的参考解群体，并基于该2000次迭代后的参考解群体与1000次迭代后重构的解群体，重构2000次迭代后的新的解群体，并基于该新的解群体进行接下来的8000次迭代，如此循环，直至完成10000迭代，并将10000次迭代后的解群体，确定为目标解群体，将目标解群体中使目标函数取值最小的解，确定为最优解。
本公开中，在根据目标业务的描述信息，确定目标搜索空间及目标函数后，可以根据目标搜索空间，生成初始解群体，并基于初始解群体，在目标搜索空间进行搜索，以获取初始解群体关联的参考解群体，之后，可以根据初始解群体及参考解群体，重构新的解群体，并基于新的解群体返回执行获取参考解群体的操作，直至获取使目标函数取值最小的最优解。由此，通过对初始解群体进行迭代，获取参考解群体，并基于初始解群体及参考解群体，重构新的解群体，从而增加了解群体的分散性，进而基于新的解群体求解全局最优解，提高了获取全局最优解的可靠性与准确性。
图2为本公开实施例提供的一种业务全局最优解的获取方法的流程示意图。
如图2所示，该方法包括：
步骤201，根据目标业务的描述信息，确定目标搜索空间及目标函数。
步骤202，根据目标搜索空间，生成初始解群体。
本公开中，步骤201-步骤202的具体实现过程，可参见本公开任一实施例的详细描述，在此不再赘述。
步骤203，基于初始解群体，在目标搜索空间进行搜索，直至连续获取的解群体对应的目标函数的最小值不变，确定获取到参考解群体。
本公开中，可以对初始解群体进行序列二次规划，或者将初始解群体输入到搜索算法，使初始解群体在目标搜索空间中进行迭代。在迭代的过程中，可以记录基于各解求得的目标函数的值，并确定每次迭代获取的解群体对应的目标函数的最小值。当连续迭代多次获取的解群体对应的目标函数的最小值未发生变化时，可能搜索已经陷入了局部最优。此时，可以进行新的解群体重构，并基于新的解群体再进行搜索，以使搜索跳出局部最优解，获取业务全局最优解。
本公开中，对初始解群体在目标搜索空间进行迭代时，当连续获取的解群体对应的目标函数的最小值不变时，可以将最近一次使目标函数的最小值不变的解群体，确定为参考解群体。
比如，对初始解群体进行迭代时，当第90至第100次迭代确定的解群体对应的目标函数的最小值未发生变化，可以将第100次迭代后的解群体确定为参考解群体。
由此，通过对初始解群体进行初步的迭代，当连续获取的解群体对应的目标函数的最小值不变时，可以将最近一次使目标函数的最小值不变的解群体，确定为参考解群体，从而可以扩大参考解群体与初始解群体距离。
步骤204，根据初始解群体中第i个初始解与参考解群体中第j个参考解间的第二距离，重构第i个初始解及第j个参考解对应的新解，其中，i与j为互不相等，且均小于N的正整数，N为初始解群体及参考解群体中包含的解的数量，且N为大于1的整数。
本公开中，为了增强解群体的分散性，可以根据初始解群体中第i个初始解与参考解群体中第j个参考解间的第二距离，重构第i个初始解及第j个参考解对应的新解。
比如，可以计算初始解群体中的解i与参考解群体中的解j之间的欧拉距离，并将该欧拉距离的加权，确定为初始解群体中的解i对应的新的解。新解中各维的值如下公式所示：
Figure BDA0003650368650000081
其中，i,j＝1,2,…,N，w为(0,1)，
Figure BDA0003650368650000082
为参考解群体中第j个参考解的第j维的值，
Figure BDA0003650368650000083
为初始解群体中第i个初始解的第j维的值。
可以理解的是，初始解群体中第i个初始解对应的参考解群体中第j个参考解为N-1个，所以第i个初始解对应可以生成N-1个新解，重构的新的解群体可以包含N(N-1)个新解。此外，各新解实际上对应与初始解群体中对应的解与参考解群体中对应的解连线上的一点，所以，新解相对与初始解群体中的解更为分散。
步骤205，基于新的解群体返回执行获取参考解群体的操作，直至连续获取的解群体对应的目标函数的最小值不变，将使目标函数取值最小的解，确定为最优解。
本公开中，可以基于新的解群体返回执行获取参考解群体的操作，当连续获取的解群体对应的目标函数的最小值不变时，说明已经求解到业务的最优解，此时可以停止迭代，并将使目标函数取最小值的解确定为最优解，从而可以提高获取最优解的可靠性。
可选的，可以基于新的解群体返回执行获取参考解群体的操作，当再出现连续获取的解群体对应的目标函数的最小值不变时，可以将最近一次使目标函数的最小值不变的解群体，替换上次确定的参考解群体，作为新的参考群体。之后，可以基于该新的参考群体及上一次重构的解群体再次重构新的解群体，并基于新的解群体返回执行获取参考解群体的操作，直至完成第二预设的迭代次数的迭代。然后，可以将进行第二预设的迭代次数后的解群体确定为目标解群体，将目标解群体中对应目标函数取值最小的解，确定为最优解。
比如，第二预设的迭代次数为10000次。当第90至第100次迭代确定的解群体对应的目标函数的最小值未发生变化，可以将第100次迭代后的解群体确定为参考解群体，并基于该参考解群体及初始解群体确定新的解群体后，可以基于新的解群体进行接下来的9900次迭代。当第2000至第2100次迭代确定的解群体对应的目标函数的最小值再次未发生变化时，可以将2100次迭代后的解群体确定为新的参考解群体，并基于该2100次迭代后的参考解群体与100次迭代后重构的新的解群体，确定2100次迭代后的新的解群体，并基于该新的解群体进行接下来的7900次迭代，如此循环，直至完成10000迭代，并将10000次迭代后的解群体，确定为目标解群体。
本公开中，在根据目标业务的描述信息，确定目标搜索空间及目标函数后，可以根据目标搜索空间，生成初始解群体，并基于初始解群体，在目标搜索空间进行搜索，直至连续获取的解群体对应的目标函数的最小值不变，确定获取到参考解群体，之后，可以根据初始解群体中第i个初始解与参考解群体中第j个参考解间的第二距离，重构第i个初始解及第j个参考解对应的新解，并基于新的解群体返回执行获取参考解群体的操作，直至连续获取的解群体对应的目标函数的最小值不变，将使目标函数取值最小的解，确定为最优解。由此，通过对初始解群体进行迭代，获取参考解群体，并基于初始解群体及参考解群体，重构新的解群体，从而增加了初始解群体的分散性，进而基于新的解群体求解全局最优解，提高了获取全局最优解的可靠性与准确性。
为了实现上述实施例，本公开实施例还提出一种业务全局最优解的获取装置。图3为本公开实施例提供的一种业务全局最优解的获取装置的结构示意图。
如图3所示，该业务全局最优解的获取装置300包括：确定模块310、生成模块320、获取模块330、重构模块340。
确定模块310，用于根据目标业务的描述信息，确定目标搜索空间及目标函数；
生成模块320，用于根据所述目标搜索空间，生成初始解群体；
获取模块330，用于基于所述初始解群体，在所述目标搜索空间进行搜索，以获取所述初始解群体关联的参考解群体；
重构模块340，用于根据所述初始解群体及所述参考解群体，重构新的解群体；
所述获取模块330，还用于基于所述新的解群体返回执行所述获取参考解群体的操作，直至获取使所述目标函数取值最小的最优解。
可选的，上述重构模块340，用于：
根据所述初始解群体中每个初始解与所述参考解群体中对应的参考解间的第一距离，重构每个所述初始解对应的新解。
可选的，上述重构模块340，用于：
根据所述初始解群体中第i个初始解与所述参考解群体中第j个参考解间的第二距离，重构所述第i个初始解及所述第j个参考解对应的新解，其中，i与j为互不相等，且均小于N的正整数，N为初始解群体及参考解群体中包含的解的数量，且N为大于1的整数。
可选的，上述获取模块330，用于：
基于所述初始解群体，在所述目标搜索空间进行搜索，直至获取到第一预设的迭代次数对应的参考解群体。
可选的，上述获取模块330，用于：
基于所述初始解群体，在所述目标搜索空间进行搜索，直至连续获取的解群体对应的目标函数的最小值不变，确定获取到所述参考解群体。
可选的，上述获取模块330，用于：
基于所述新的解群体返回执行所述获取参考解群体的操作，直至获取到第二预设的迭代次数对应的目标解群体；
将所述目标解群体中对应目标函数取值最小的解，确定为所述最优解。
可选的，上述获取模块330，用于：
基于所述新的解群体返回执行所述获取参考解群体的操作，直至连续获取的解群体对应的目标函数的最小值不变，将使所述目标函数取值最小的解，确定为所述最优解。
需要说明的是，前述搜索词权重的确定方法实施例的解释说明，也适用于该实施例的装置，故在此不再赘述。
本公开中，在根据目标业务的描述信息，确定目标搜索空间及目标函数后，可以根据目标搜索空间，生成初始解群体，并基于初始解群体，在目标搜索空间进行搜索，以获取初始解群体关联的参考解群体，之后，可以根据初始解群体及参考解群体，重构新的解群体，并基于新的解群体返回执行获取参考解群体的操作，直至获取使目标函数取值最小的最优解。由此，通过对初始解群体进行迭代，获取参考解群体，并基于初始解群体及参考解群体，重构新的解群体，从而增加了解群体的分散性，进而基于新的解群体求解全局最优解，提高了获取全局最优解的可靠性与准确性。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示，设备400包括计算单元401，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)402中的计算机程序或者从存储单元408加载到RAM(Random AccessMemory，随机访问/存取存储器)403中的计算机程序，来执行各种适当的动作和处理。在RAM403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。I/O(Input/Output，输入/输出)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如业务全局最优解的获取方法。例如，在一些实施例中，对业务全局最优解的获取方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的业务全局最优解的获取方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行业务全局最优解的获取方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(VirtualPrivate Server，虚拟专用服务器)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
根据本公开的实施例，本公开还提供了一种计算机程序产品，当计算机程序产品中的指令处理器执行时，执行本公开上述实施例提出的业务全局最优解的获取方法。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (17)

1.一种业务全局最优解的获取方法，包括：
根据目标业务的描述信息，确定目标搜索空间及目标函数；
根据所述目标搜索空间，生成初始解群体；
基于所述初始解群体，在所述目标搜索空间进行搜索，以获取所述初始解群体关联的参考解群体；
根据所述初始解群体及所述参考解群体，重构新的解群体；
基于所述新的解群体返回执行所述获取参考解群体的操作，直至获取使所述目标函数取值最小的最优解。
2.如权利要求1所述的方法，其中，所述根据所述初始解群体及所述参考解群体，重构新的解群体，包括：
根据所述初始解群体中每个初始解与所述参考解群体中对应的参考解间的第一距离，重构每个所述初始解对应的新解。
3.如权利要求1所述的方法，其中，所述根据所述初始解群体及所述参考解群体，重构新的解群体，包括：
根据所述初始解群体中第i个初始解与所述参考解群体中第j个参考解间的第二距离，重构所述第i个初始解及所述第j个参考解对应的新解，其中，i与j为互不相等且均小于N的正整数，N为初始解群体及参考解群体中包含的解的数量，且N为大于1的整数。
4.如权利要求1所述的方法，其中，所述基于所述初始解群体，在所述目标搜索空间进行搜索，以获取所述初始解群体关联的参考解群体，包括：
基于所述初始解群体，在所述目标搜索空间进行搜索，直至获取到第一预设的迭代次数对应的参考解群体。
5.如权利要求1所述的方法，其中，所述基于所述初始解群体，在所述目标搜索空间进行搜索，以获取所述初始解群体关联的参考解群体，包括：
基于所述初始解群体，在所述目标搜索空间进行搜索，直至连续获取的解群体对应的目标函数的最小值不变，确定获取到所述参考解群体。
6.如权利要求1-5任一所述的方法，其中，所述基于所述新的解群体返回执行所述获取参考解群体的操作，直至获取使所述目标函数取值最小的最优解，包括：
基于所述新的解群体返回执行所述获取参考解群体的操作，直至获取到第二预设的迭代次数对应的目标解群体；
将所述目标解群体中对应目标函数取值最小的解，确定为所述最优解。
7.如权利要求1-5任一所述的方法，其中，所述基于所述新的解群体返回执行所述获取参考解群体的操作，直至获取使所述目标函数取值最小的最优解，包括：
基于所述新的解群体返回执行所述获取参考解群体的操作，直至连续获取的解群体对应的目标函数的最小值不变，将使所述目标函数取值最小的解，确定为所述最优解。
8.一种业务全局最优解的获取装置，包括：
确定模块，用于根据目标业务的描述信息，确定目标搜索空间及目标函数；
生成模块，用于根据所述目标搜索空间，生成初始解群体；
获取模块，用于基于所述初始解群体，在所述目标搜索空间进行搜索，以获取所述初始解群体关联的参考解群体；
重构模块，用于根据所述初始解群体及所述参考解群体，重构新的解群体；
所述获取模块，还用于基于所述新的解群体返回执行所述获取参考解群体的操作，直至获取使所述目标函数取值最小的最优解。
9.如权利要求8所述的装置，其中，所述重构模块，用于：
根据所述初始解群体中每个初始解与所述参考解群体中对应的参考解间的第一距离，重构每个所述初始解对应的新解。
10.如权利要求8所述的装置，其中，所述重构模块，用于：
根据所述初始解群体中第i个初始解与所述参考解群体中第j个参考解间的第二距离，重构所述第i个初始解及所述第j个参考解对应的新解，其中，i与j为互不相等，且均小于N的正整数，N为初始解群体及参考解群体中包含的解的数量，且N为大于1的整数。
11.如权利要求8所述的装置，其中，所述获取模块，用于：
基于所述初始解群体，在所述目标搜索空间进行搜索，直至获取到第一预设的迭代次数对应的参考解群体。
12.如权利要求8所述的装置，其中，所述获取模块，用于：
基于所述初始解群体，在所述目标搜索空间进行搜索，直至连续获取的解群体对应的目标函数的最小值不变，确定获取到所述参考解群体。
13.如权利要求8-12任一所述的装置，其中，所述获取模块，用于：
基于所述新的解群体返回执行所述获取参考解群体的操作，直至获取到第二预设的迭代次数对应的目标解群体；
将所述目标解群体中对应目标函数取值最小的解，确定为所述最优解。
14.如权利要求8-12任一所述的装置，其中，所述获取模块，用于：
基于所述新的解群体返回执行所述获取参考解群体的操作，直至连续获取的解群体对应的目标函数的最小值不变，将使所述目标函数取值最小的解，确定为所述最优解。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
CN202210543072.5A 2022-05-18 2022-05-18 业务全局最优解的获取方法、装置及电子设备 Pending CN114862031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210543072.5A CN114862031A (zh) 2022-05-18 2022-05-18 业务全局最优解的获取方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210543072.5A CN114862031A (zh) 2022-05-18 2022-05-18 业务全局最优解的获取方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN114862031A true CN114862031A (zh) 2022-08-05

Family

ID=82639201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210543072.5A Pending CN114862031A (zh) 2022-05-18 2022-05-18 业务全局最优解的获取方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN114862031A (zh)

Similar Documents

Publication Publication Date Title
CN111247532B (zh) 利用多任务学习进行特征提取
CN113963110B (zh) 纹理图生成方法、装置、电子设备及存储介质
CN110995459B (zh) 异常对象识别方法、装置、介质及电子设备
US20210365485A1 (en) Unsupervised text summarization with reinforcement learning
CN114282670A (zh) 神经网络模型的压缩方法、设备和存储介质
CN112580733A (zh) 分类模型的训练方法、装置、设备以及存储介质
CN114202076A (zh) 深度学习模型的训练方法、自然语言处理方法和装置
CN114691148A (zh) 模型推理加速方法、装置、电子设备及存储介质
CN113409898B (zh) 分子结构获取方法、装置、电子设备及存储介质
CN114818913A (zh) 决策生成方法和装置
CN112949433B (zh) 视频分类模型的生成方法、装置、设备和存储介质
CN113657468A (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN110348581B (zh) 用户特征群中用户特征寻优方法、装置、介质及电子设备
CN112966193A (zh) 出行意图推断方法、模型训练方法、相关装置及电子设备
CN114862031A (zh) 业务全局最优解的获取方法、装置及电子设备
CN113742457B (zh) 应答处理方法、装置、电子设备及存储介质
CN113313261B (zh) 函数处理方法、装置及电子设备
CN115186738A (zh) 模型训练方法、装置和存储介质
CN114998649A (zh) 图像分类模型的训练方法、图像分类方法及装置
CN112784967A (zh) 信息处理方法、装置以及电子设备
CN112906723A (zh) 一种特征选择的方法和装置
CN116416500B (zh) 图像识别模型训练方法、图像识别方法、装置及电子设备
EP4202777A1 (en) Method and apparatus for distributing network layers in neural network model
CN117573361A (zh) 工作负载生成的方法及装置、电子设备和存储介质
CN113240082A (zh) 一种迁移学习的方法及装置

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