CN115238434A - 信息处理方法及计算设备 - Google Patents
信息处理方法及计算设备 Download PDFInfo
- Publication number
- CN115238434A CN115238434A CN202110438014.1A CN202110438014A CN115238434A CN 115238434 A CN115238434 A CN 115238434A CN 202110438014 A CN202110438014 A CN 202110438014A CN 115238434 A CN115238434 A CN 115238434A
- Authority
- CN
- China
- Prior art keywords
- model
- sub
- optimized
- result
- condition
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 28
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 112
- 230000009021 linear effect Effects 0.000 claims abstract description 86
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims description 129
- 238000012545 processing Methods 0.000 claims description 38
- 230000011218 segmentation Effects 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000009977 dual effect Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 11
- 230000003190 augmentative effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种信息处理方法及计算设备,该方法包括:检测目标用户提供的待优化问题;基于预设线性惩罚项,生成所述待优化问题对应的待优化模型;对所述待优化模型进行求解计算,获得所述待优化模型的目标解;为所述目标用户输出所述目标解。本申请实施例提高了优化问题的求解效率以及准确性。
Description
技术领域
本申请涉及电子设备技术领域,尤其涉及一种信息处理方法及计算设备。
背景技术
混合整数线性规划(MILP,Mixed-integer linear programming)模型是一类要求问题中的全部或一部分变量为整数的数学约束公式。MILP模型可以应用于各类需要进行优化的领域中,诸如可以应用于金融、物流、制造、航空、石油石化、商业服务等领域,作为核心优化引擎为诸多应用系统提供优化服务。
现有技术中,针对需要优化的数学问题,可以进行数学建模,获得问题模型,该问题模型可以包括用户提供的数学问题对应的变量、约束条件以及优化目标。MILP即可以对用户提供的问题模型进行优化,获得问题模型的目标解,目标解即可以为解决数学问题的优化结果。
但是,对现有的MILP问题进行建模以求解时,获得的目标解准确性不能保障,不能有效解决MILP问题的优化。
发明内容
有鉴于此,本申请实施例提供一种信息处理方法及计算设备,用以解决现有技术中不能有效解决MILP精准优化的技术问题。
第一方面,本申请实施例提供一种信息处理方法,包括:
检测目标用户提供的待优化问题;
基于预设线性惩罚项,生成所述待优化问题的待优化模型;
对所述待优化模型进行求解计算,获得所述待优化模型的目标解;
为所述目标用户输出所述目标解。
第二方面,本申请实施例提供一种信息处理方法,包括:
检测目标用户提供的电力优化问题;
基于预设线性惩罚项,生成所述电力优化问题对应的待优化模型;
为所述待优化模型进行求解计算,获得所述待优化模型的目标解;
为所述目标用户输出所述目标解。
第三方面,本申请实施例提供一种计算设备,包括:存储组件以及处理组件;所述存储组件用于存储一条或多条计算机指令;所述一条或多条计算机指令被所述处理组件调用;所述处理组件用于:
检测目标用户提供的待优化问题;基于预设线性惩罚项,生成所述待优化问题对应的待优化模型;对所述待优化模型进行求解计算,获得所述待优化模型的目标解;为所述目标用户输出所述目标解。
本申请实施例,在检测到目标用户提供的待优化问题时,可以基于预设的线性惩罚项,生成该待优化问题的待优化模型,也即在对待优化问题进行数学建模过程中,增加线性惩罚项,以对待优化模型的求解过程进行线性约束。进而再通过对待优化模型进行求解计算,获得待优化模型的目标解,以为目标用户输出该目标解。通过对待优化模型增加线性惩罚项,可以对待优化模型的优化过程进行线性约束,以使得待优化模型对待优化问题进行更准确的数学定义,进而在对待优化模型进行求解计算之后,获得准确的目标解。提高待优化问题的目标解的准确性,以提高现有MILP问题的优化有效性。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请实施例提供的一种信息处理方法的一个实施例的流程图;
图2为本申请实施例提供的一种信息处理方法的又一个实施例的流程图;
图3为本申请实施例提供的一种信息处理方法的又一个实施例的流程图;
图4为本申请实施例提供的一种信息处理方法的示例图;
图5为本申请实施例提供的一种信息处理方法的又一个实施例的流程图;
图6为本申请实施例提供的一种信息处理方法的又一个实施例的流程图;
图7为本申请实施例提供的一种计算设备的一个实施例的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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作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。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于识别”。类似地,取决于语境,短语“如果确定”或“如果识别(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当识别(陈述的条件或事件)时”或“响应于识别(陈述的条件或事件)”。
还需要说明的是,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商品或者系统不仅包括那些要素,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商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的商品或者系统中还存在另外的相同要素。
本申请实施例的技术方案可以应用于规划场景中,用以解决诸多应用领域,例如金融、物流、航空等领域的优化问题。通过对用户的待优化问题进行检测并建模,并特别增加线性惩罚项,以对待优化问题的数学模型进行准确定义,模型被求解以获得准确的目标解,并为目标用户输出。
现有技术中,对于复杂的优化问题,例如,对于电力优化场景中,根据电力传输路程、电机功耗、电力产生量等变量对电力生成进行总体规划,以获得某机电配置下的最大发电量。目前,为了解决各种复杂的线性规划问题,特别是混合整数线性规划问题,可以采用增广拉格朗日等算法进行问题分解,以产生较小的子问题。但是采用增广拉格朗日等算法进行分解,并不能获得问题的准确解,也即最终获得的目标解实际可能并非原有问题的最好结果,现有方案并不能保障问题的正确性。
本申请实施例中,在检测到目标用户提供的待优化问题时,可以基于预设的线性惩罚项,生成该待优化问题的待优化模型,也即在对待优化问题进行数学建模过程中,增加线性惩罚项,以对待优化模型的求解过程进行线性约束。进而再通过对待优化模型进行求解计算,获得待优化模型的目标解,以为目标用户输出该目标解。通过对待优化模型增加线性惩罚项,可以对待优化模型的优化过程进行线性约束,以使得待优化模型对待优化问题进行更准确的数学定义,进而在对待优化模型进行求解计算之后,获得准确的目标解。提高待优化问题的目标解的准确性,以提高现有MILP问题的优化有效性。
下面将结合附图对本申请实施例进行详细描述。
如图1所示,为本申请实施例提供的一种信息处理方法的一个实施例的流程图,方法可以包括以下几个步骤:
101:检测目标用户提供的待优化问题。
本申请实施例提供的技术方案可以应用于计算设备中,该计算设备可以包括个人计算机、超级笔记本、云服务器、普通服务器等,本申请实施例中对计算设备的具体类型并不作出过多限定。
待优化问题可以由目标用户提供。用户端可以检测目标用户提供的待优化问题。在实际应用中,若本申请实施例的技术方案的计算设备与目标用户的用户端不一致,用户端可以将检测目标用户提供的待优化问题发送至计算设备。计算设备可以接收用户端发送的待优化问题。若本申请实施例的技术方案的计算设备与目标用户的用户端一致,计算设备可以直接检测目标用户提供的待优化问题。
待优化问题可以为目标用户需要进行规划计算以获得目标解的问题信息,可以包括目标用户提供的变量、约束条件以及优化目标。在实际应用中,变量、约束条件以及优化目标可以以公式形式表示。
为了高效获取目标用户提供的待优化问题,对目标用户进行身份验证、环境检测成功之后,可以提供变量、约束条件以及优化目标的输入界面或者输入接口,以通过输入界面或者输入接口,获取目标用户提供的待优化问题。
102:基于预设线性惩罚项,生成待优化问题对应的待优化模型。
在对待优化问题生成待优化模型时是将待优化问题进行整合,按照一定的转换规则转换为综合的数学模型。通常,该数学模型是在待优化问题的变量的基础上,基于约束条件以及优化目标组合以形成一数学公式,也就是使用变量按照约束条件以及优化目标组合以形成公式,该公式一般以约束条件为优化目标,例如,可以设置约束条件最小化求解,当数学公式取得最小值时获得的目标解即可以满足约束条件又可以达到优化目标。
在实际应用中,待优化问题可以混合整数线性规划(MILP,Mixed-integer linearprogramming)问题。混合整数线性规划问题本质上属于线性规划问题,现有技术中,多使用非线性的惩罚项对问题模型进行约束,导致问题模型自身的线性属性被破坏,如果继续使用线性规划的优化算法,并不能获得模型的准确全局解。因此,为了解决模型的非线性破坏问题,本申请实施例中采用线性惩罚项,对问题模型进行约束,以获得待优化模型,此时待优化模型的非线性属性未被破坏,可以获得准确的解。
103:对待优化模型进行求解计算,获得待优化模型的目标解。
对待优化模型进行求解计算具体可以包括:对待优化模型进行极值求解,在变量的取值输入到待优化模型计算获得的结果,为该模型的极大值或者极小值,此时该变量的取值,即可以为待优化模型的目标解。
104:为目标用户输出目标解。
目标解为目标用户输入的待优化问题的求解结果,通过将目标解为目标用户输出,提供一与目标用户交互,实现待优化问题的准确结果展示。
本申请实施例中,检测目标用户提供的待优化问题时,可以基于预设线性惩罚项,生成待优化问题对应的待优化模型。对待优化模型进行建模的过程中,可以增加线性惩罚项,以对待优化模型的求解过程进行线性约束,进而再通过对待优化模型进行求解计算,获得待优化模型的目标解,以对目标用户输出该目标解。通过对待优化模型增加线性惩罚项,可以对待优化模型的优化过程进行线性约束,以使得待优化模型对待优化问题进行更准确的数学定义,进而在对待优化模型进行求解计算之后,获得准确的目标解。提高待优化问题的目标解的准确性,以提高现有MILP问题的优化有效性。
在实际应用中,线性惩罚项的定义可以预先设置。在实际应用中线性惩罚项可以包括多种,例如可以包括:1范数惩罚项。此外,除一范数惩罚项之外,线性惩罚项还可以包括无穷范数等线性惩罚项。
为了进行约束惩罚的准确度进行提升,作为一个实施例,线性惩罚项可以包括1范数惩罚项。
可选地,基于预设线性惩罚项,为待优化问题生成待优化模型可以包括:
按照预设模型转换算法,将待优化问题转换为候选优化模型。
为候选优化模型增加1范数惩罚项,获得待优化模型。
在实际应用中,可以直接将待优化问题综合以生成一个模型,例如使用拉格朗日算法将待优化问题转换为拉格朗日模型。假设,待优化问题可以使用以下公式表示:
约束于Ax+Bz=0;
x∈X,z∈Z;其中,变量有理参数 并且设置紧集(Compact sets)在Ax+Bz=0一式中,0为零向量。x可以使用块坐标形式表示为:假设A是方块对角线(block diagonal)同时,X=X1×…×Xp。
由于以上待优化问题的表达方式是分散的,问题收到约束条件Ax+Bz=0的限制,为了对待优化问题整体进行求解,可以使用拉格朗日算法将待优化问题件转换为拉格朗日模型,候选优化模型即可以为拉格朗日模型。但是拉格朗日模型求解较为困难,增广拉格朗日方法,是在拉格朗日方法的基础上增加了二次惩罚项,使得转换后的模型更容易求解。但是,二次惩罚项是非线性的,在线性规划的优化计算中,如果增加二次惩罚项会破坏原有问题的线性属性,因此,本案中采用增加线性惩罚项的方式,在拉格朗日模型上增加约束项,获得待优化模型。通过增加线性惩罚项可以确保待优化模型的可解性,确保能够获得准确的全局解,且由于增加的惩罚项是线性的,并不破坏问题原有的线性属性,实现模型的准确求解。
在某些实施例中,按照预设模型转换算法,将待优化问题转换为候选优化模型可以包括:
按照拉格朗日算法,将待优化问题转换为候选优化模型。
在一种可能的设计中,使用拉格朗日算法将问题转换为候选优化模型,也即拉格朗日模型之后,可以增加线性惩罚项,假设增加的线性惩罚项为一范数惩罚项,获得的待优化模型可以表示如下:
L(x,z,λ,ρ)∶=cTx+gTz+〈λ,Ax+Bz>+ρ‖Ax+Bz‖1
以上获取待优化模型的问题转换算法可以称为AUSAL(Alternating UpdateScheme for the Sharp AL(Augmented Lagrangian,增广拉格朗日)function,利用紧增广拉格朗日的交替更新)算法。
在实际应用中,通常可以为待优化模型定义一个对偶函数,可以定义该模型的对偶函数如下:
对偶函数是原问题的取值下界,每确定一组乘子参数(λ,ρ)的取值,就可以找到一个x使得L最小。对偶函数与待优化模型由于具有对偶性,因此,对偶函数的目标解即可以作为待优化模型的目标解。假设给定一组(λ*,ρ*)是对偶函数的可行解,则可以称(λ*,ρ*)是一组目标解对应的拉格朗日乘子。
此时,对待优化模型进行求解计算,获得待优化模型的目标解具体可以包括:对待优化模型的对偶函数进行求解计算,获得待优化模型的目标解。
在实际应用中,待优化问题通常较为复杂,如果直接对待优化问题对应的待优化问题进行求解,可能会因待优化模型过于复杂,导致模型不能求解或者获得的解不够准确。为了解决该问题,本申请实施例中,可以对待优化模型进行分割,以将待优化模型转换为多个子模型进行求解,以获得满足约束条件且达到优化目标的目标解。
如图2所示,为本申请实施例提供的一种信息处理方法的又一个实施例的流程图,该方法可以包括以下几个步骤:
201:检测目标用户提供的待优化问题。
需要说明的是,本申请实施例中与图1所示实施例中部分步骤相同,为了描述的简洁性考虑,在此不再赘述。
202:基于预设线性惩罚项,生成待优化问题对应的待优化模型。
203:将待优化模型转换为至少两个子模型。
204:对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果。
205:基于至少两个子模型分别对应的子结果,确定待优化模型的计算结果。
206:判断计算结果是否满足预置结果条件,如果是,执行步骤207;如果否,返回执行步骤204。
207:获取取得计算结果时的目标解。
208:为目标用户输出目标解。
本申请实施例中,检测目标用户提供的待优化问题时,可以基于预设线性惩罚想,生成该待优化问题对应的待优化模型。然后将待优化模型转换为至少两个子模型,以对至少两个子模型进行交替求解计算,获得该至少一两个子模型分别对应的子结果。进而基于至少两个子模型分别对应的子结果,确定待优化模型的计算结果。如果该计算结果满足预置结果条件,可以确定该计算结果对应的目标解,并为目标用户输出目标解。如果计算结果不满足预置结果条件,可以返回至求解步骤重新求解。通过对至少两个子模型进行交替求解计算,可以对至少两个子模型进行交替计算,并不切断子模型之间的关联。进而基于至少两个子模型分别对应的子结果,确定待优化模型的计算结果,实现模型的全局求解。通过对待优化模型进行分解,以分别对模型进行求解计算,可以减少模型计算的复杂度,在计算结束时,可以采用至少两个子模型分别对应子结果进行综合,获得此次分割计算的计算结果,当计算结果满足预置结果条件时,可以获得目标解。即降低模型求解复杂度,又确保能够获得全局目标解,提高模型的求解准确度以及效率。
在对待优化模型进行模型分割时,可以对待优化模型是否满足分割条件进行预判断,以确认该待优化模型是否可以分割,实现准确分割,提高计算准确度。作为一个实施例,将待优化模型转换为至少两个子模型可以包括:
判断待优化模型是否满足模型分割条件;
如果是,将待优化模型转换为至少两个子模型;
如果否,输出待优化模型不满足分解条件的分解提示信息。
在一些实施例中,待优化模型是否满足模型分割条件可以通过以下方式判断:
确定待优化模型的模型矩阵;其中,模型矩阵以待优化问题的变量信息为坐标轴,约束信息为行变量组建获得;
判断模型矩阵是否存在块对角结构;
如果是,则待优化模型满足模型分割条件;
如果否,则待优化模型不满足模型分割条件。
在实际应用中,待优化问题的模型是否具有可分割性,可以利用模型矩阵的可分块性进行分割。可分块性具体以块对角结构体现。待优化问题由用户输入之后,可以以矩阵的形式表示。参考前述实施例中的描述。变量x可以表示为:具有可分块性,约束条件的系数矩阵A和B可以具有经典的块结构,具体可以表示为:
模型矩阵通常可以包括系数矩阵A和B,系数矩阵A和B存在块对角结构。
当检测待优化模型的模型矩阵具有块对角结构时,可以认为待优化模型满足分割条件。例如具备前述实施例中定义的变量或者系数矩阵的结构。当检测待优化模型的模型矩阵不具有块对焦结构,可以认为待优化模型不满足分割条件,也即待优化模型此时不可以采用子模型划分,并分别计算子结果的方式进行模型求解计算。针对不可分割的待优化模型,可以对待优化模型整体进行求解计算,获得计算结果。
在实际应用中,线性惩罚项可以包括多个。在基于预设线性惩罚项,生成待优化问题对应的待优化模型之前,该方法还可以包括:
确定多个候选惩罚项;
从多个候选惩罚项中选择与待优化问题相匹配的线性惩罚项。
线性惩罚项的选择可以由用户完成,以通过与用户交互实现用户对线性惩罚项的自定义选项。作为一种可能的实现方式,从多个候选惩罚项中选择与待优化问题相匹配的线性惩罚项可以包括:为目标用户输出多个候选惩罚项,检测目标用户从多个候选惩罚项中选择的与待优化问题相匹配的线性惩罚项。
线性惩罚项的选择还可以参考历史处理的优化问题所使用的线性惩罚项。作为又一种可能的实现方式,从多个候选惩罚项中选择与待优化问题相匹配的线性惩罚项可以包括:确定多个历史优化问题以及多个历史优化问题分别对应的线性惩罚项;从多个历史优化问题中确定与待优化问题相匹配的目标历史优化问题,以确定该目标历史优化问题对应的线性惩罚项为待优化问题的线性惩罚项。
在一些可能的应用中,优化问题的变量数量、约束条件或者优化目标可能被更改,以进行问题更新,为了提高模型构建步骤,可以参考同类型的优化问题所使用的线性约束项来作为新问题的线性优化项,以减少线性优化项的选择成本。
在实际应用中,由于待优化问题的种类非常多,例如待优化问题可以包括电力优化问题、金融优化问题、航空优化问题或者交通优化问题等。对于不同的优化问题而言,可能使用某个线性惩罚项的惩罚效果更好,可以获得更高效或者更准确的优化结果,此时,可以针对不同类型的待优化问题,记录对应的线性惩罚项,以便于提高待优化问题的惩罚项的有效应用。
作为又一种可能的实现方式,从多个候选惩罚项中选择与待优化问题相匹配的线性惩罚项可以包括:确定多个问题类型以及多个问题类型分别对应的线性惩罚项,从多个问题类型中确定待优化问题所属目标问题类型,确定目标问题类型对应的线性惩罚项为该待优化问题相匹配的线性惩罚项。
其中,多个问题类型以及多个问题类型分别对应的线性惩罚项可以根据历史优化结果确定。多个问题类型以及多个问题类型分别对应的线性惩罚项可以预先设置。
问题类型可以按照问题所属应用领域进行划分,可以包括金融领域、电力领域、智能交通领域、航空领域、医疗领域、机械领域等等。本申请实施例中对问题类型并不作出过多限定,具体可以根据实际的优化需求确定。
在实际应用中,可以先对待优化模型进行分割条件的判断,再进行模型分割。参考图3,为本申请实施例提供的一种信息处理方法的又一个实施例的流程图,该方法可以包括以下几个步骤:
301:检测目标用户提供的待优化问题。
需要说明的是,本申请实施例中部分步骤与前述实施例中部分步骤相同,为了描述的简洁性考虑在此不再赘述。
302:基于预设线性惩罚项,生成待优化问题对应的待优化模型。
303:判断待优化模型是否满足模型分割条件;如果是执行步骤304,如果否,执行步骤310。
304:将待优化模型转换为至少两个子模型。
305:对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果。
306:基于至少两个子模型分别对应的子结果,确定待优化模型的计算结果。
307:判断计算结果是否满足预置结果条件,如果是,执行步骤38;如果否,返回执行步骤305。
308:获取取得计算结果时的目标解。
309:为目标用户输出目标解。
310:为目标用户输出待优化模型不满足分解条件的分解提示信息。
本申请实施例中,可以检测目标用户提供的待优化问题,以基于预设线性惩罚项,生成待优化问题对应的待优化模型。对待优化模型进行分割判断,以将满足模型分割条件的待优化模型进行模型分割,获得至少两个子模型。通过对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果。并基于至少两个子模型分别对应的子结果,确定待优化模型的计算结果。当计算结果满足预置结果条件时,可以确定该计算结果对应的目标解,从而为目标用户输出目标解。对于不满足分解条件的待优化模型可以输出分解提示信息,以进行分解提示。通过对待优化模型进行准确的分解条件判断对待优化模型进行准确分解,并在后续对分解的两个子模型进行交替求解计算,获得至少两个子模型各自的子结果,进而确定待优化模型的计算结果。通过对计算结果进行结果条件的判断可以提高结果的准确度,获得准确的目标解。
在实际应用中,待优化模型可以包括多个变量,进而在对待优化模型进行模型分割时,可以采用不同分割算法。
作为一个实施例,将待优化模型转换为至少两个子模型可以包括:
基于第一分割算法,将待优化模型的对偶函数划分为第一变量对应的第一子模型以及第二变量对应的第二子模型。
可选地,对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果可以包括:
基于第一子模型对应的子结果序列,预估第二变量在第二子模型对应的第二子结果。其中,第二子结果满足第二优化条件。
确定取得第二子结果时第二变量对应的第二取值。
基于第二取值,计算第一子模型的第一子结果。其中,第一子结果满足第一优化条件。
此时,若计算结果满足预置结果条件,获取取得计算结果时的目标解包括:
若计算结果满足预置结果条件,确定第一变量对应第一取值以及第二变量对应第二取值构成的目标解。
子结果序列可以包括第一变量的多个历史取值以及多个历史取值分别在第一子模型对应的历史子结果。
基于至少两个子模型分别对应的子结果,确定待优化模型的计算结果包括:综合第一子结果以及第二子结果,获得待优化模型的计算结果。
可选地,第一分割算法可以包括:增广拉格朗日的分割算法。也即可以采用增广拉格朗日的分割算法将待优化模型的对偶函数划分为两个子模型。
参考前述实施例中的描述,本申请实施例中采用AUSAL算法,将待优化问题转换为待优化模型,并采用增广拉格朗日的分割算法将转换后的待优化模型划分为两个子模型。但是,为了便于方便计算,将待优化模型转换为至少两个子模型具体可以是将待优化模型对应的对偶函数转换为至少两个子模型。
可选地,第一优化条件可以为第一子结果取得第一子模型的最小值。第二优化条件为第二子结果取得第二子模型的最小值。
在某些实施例中,基于第二子结果,计算获得第一子模型的第一子结果之后,该方法还可以包括:
将第一子结果以及第一取值增加到子结果序列,获得更新后的子结果序列。
可选地,若计算结果不满足结果条件,返回至对至少两个子模型进行交替求解,获得至少两个子模型分别对应的子结果的步骤继续执行包括:
若计算结果不满足结果条件,返回至基于第一子模型对应的子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件的步骤继续执行。
正如上述实施例中,可以采用AUSAL算法将待优化问题转换为待优化模型的对偶函数的优化问题。待优化模型的对偶函数可以表示为:
基于第一分割算法,将待优化模型的对偶函数划分为第一变量对应的第一子模型以及第二变量对应的第二子模型具体可以包括采用增广拉格朗日划分的方式,将待优化模型的对偶函数划分为两个子模型,可以分别表示为,第一变量x对应的第一子模型:
以及第二变量对应的第二子模型:
在对两个子模型进行求解计算时,可以对两个子模型进行交替求解计算,以确保两个子模型之间的关联性,从而确保待优化模型求解过程中的全局特性,获得的计算结果具备全局特性。
在实际的拉格朗日模型转换过程中,会引入两个乘子参数,以对拉格朗日模型进行修正,确保模型的可解性。在实际应用中,可以对两个乘子参数进行更新。
作为一种可能的实现方式,可以在每次进行子模型的迭代计算之前,进行乘子参数的更新。此时,将待优化模型的对偶函数划分为第一子模型以及第二子模型之后,该方法还可以包括:
确定待优化模型中的乘子参数的第二参数取值。
对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果可以包括:
在乘子参数取值为第二参数取值时,对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果;
若计算结果不满足结果条件,返回至对至少两个子模型进行交替求解,获得至少两个子模型分别对应的子结果的步骤继续执行包括:
若计算结果不满足结果条件,基于计算结果,更新乘子参数,获得更新后的第二参数取值,返回至在乘子参数取值为第二参数取值时,对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果的步骤继续执行。
可选地,基于计算结果,更新乘子参数,获得更新后的第二参数取值时,具体可以是基于计算结果对应的第一取值以及第二取值,更新乘子参数的第一参数取值。具体可以采用梯度下降算法,利用第一计算取值以及第二取值,计算乘子参数的更新步长以及更新方向,并在原有第一参数取值的基础上按照更新步长以及更新方向进行更新,获得新的第一参数取值。
从k=1,2,…开始循环
(xk,zk)←AUSAL(λk,ρk,∈p);
λk+1←λk+αk(Axk+Bzk),ρk+1←ρk+αk‖Axk+Bzk‖1;
循环结束。
其中,∈p为一个极小的常数,计算结果是否满足结果条件具体可以为计算结果与常数∈p的和是否大于等于目标解代入优化目标函数计算获得的结果,也即将计算结果代入不等式:cTxk+gTzk≤p*+∈p。
如果计算获得的结果满足该不等式,则计算结果满足结果条件,如果不满足该不等式,则计算结果不满足结果条件。αk为梯度计算公式,具体可以参考前述实施例的描述。
此外,除在每求解一次目标解之后对乘子参数进行参数更新,还可以在求解目标解的过程中,根据实际的第一子结果以及第二子结果对乘子参数进行参数更新。作为又一种可能的实现方式,将待优化模型的对偶函数划分为第一子模型以及第二子模型之后,该方法还可以包括:
确定待优化模型中乘子参数的第一参数取值;
基于第一子模型对应的子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件包括:
基于第一参数取值以及子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件;
基于第二取值,计算第一子模型的第一子结果;其中,第一子结果满足第一优化条件包括:
基于第一参数取值以及第二取值,计算第一子模型的第一子结果;其中,第一子结果满足第一优化条件;
若计算结果不满足结果条件,返回至基于第一子模型对应的子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件的步骤继续执行可以包括:
若计算结果不满足结果条件,基于第一取值以及第二取值,更新乘子参数的第一参数取值,并返回至基于乘子参数取值以及子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件的步骤继续执行。
可选地,基于第一取值以及第二取值,更新乘子参数的第一参数取值时,可以采用梯度下降算法,利用第一计算取值以及第二取值,计算乘子参数的更新步长以及更新方向,并在原有第一参数取值的基础上按照更新步长以及更新方向进行更新,获得新的第一参数取值。
为了便于理解,可以使用以下伪代码求解:
输入∈p≥0;
初始化(λ1,ρ1),与ρ1≥‖λ1‖∞,并且一些τ>0;
从k=1,2,…开始循环
(xk,zk)←AUSAL(λk,ρk,∈p);
如果‖Axk+Bzk‖1≤∈p这时
返回(xk,zk)
结束循环
setαk=τk/(‖Axk+Bzk‖1);
λk+1←λk+αk(Axk+Bzk),ρk+1←max{‖λk+1‖∞,ρk+αk‖Axk+Bzk‖1;
循环结束。
其中,∈p为一个极小的常数,计算结果是否满足结果条件具体可以为计算结果与常数∈p的和是否大于等于目标解代入优化目标函数计算获得的结果,也即将计算结果代入不等式,判断是否满足不等式:cTxk+gTzk≤p*+∈p。如果满足该不等式,则计算结果满足结果条件,如果不满足该不等式,则计算结果不满足结果条件。其中,αk为梯度计算公式,具体可以参考前述实施例中的描述。
除采用增广拉格朗日的划分方式之外,还可以采用基于ADMM(AlternatingDirection Method of Multipliers,交替方向乘子算法)的方法进行模型分割。
作为又一个实施例,将待优化模型转换为至少两个子模型可以包括:
基于第二分割算法,将待优化模型划分为第一变量(X)对应的第三子模型以及第二变量(Z,t)对应的第四子模型;
对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果包括:
基于第二变量对应变量取值序列,计算第一变量在第三子模型对应的第三子结果;其中,第三子结果满足第三优化条件;
确定取得第三子结果时第一变量对应的第三取值;
计算第二变量在第四子模型对应的第四子结果;其中,第四子结果满足第四优化条件;
确定取得第四子结果时第二变量对应的第四取值;
若计算结果满足预置结果条件,获取取得计算结果时的目标解包括:
若计算结果满足预置结果条件,确定第一变量对应第三取值以及第二变量对应第四取值构成的目标解。
可选地,交替方法乘子算法也是在拉格朗日模型的基础上对模型进行分割。采用拉格朗日模型即会涉及到乘子参数的问题。在实际求解过程中,需要对乘子参数进行更新。具体的更新方式与增广拉格朗日的分割方法相同。
作为一种可能的实现方式,作为一种可能的实现方式,可以在每次进行子模型的迭代计算之前,进行乘子参数的更新。此时,基于第二分割算法,将待优化模型划分为第一变量(X)对应的第三子模型以及第二变量(Z,t)对应的第四子模型之后,该方法还可以包括:
确定待优化模型中的乘子参数的第二参数取值。
对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果可以包括:
在乘子参数取值为第二参数取值时,对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果;
若计算结果不满足结果条件,返回至对至少两个子模型进行交替求解,获得至少两个子模型分别对应的子结果的步骤继续执行包括:
若计算结果不满足结果条件,基于计算结果,更新乘子参数,获得更新后的第二参数取值,返回至在乘子参数取值为第二参数取值时,对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果的步骤继续执行。
可选地,采用拉格朗日方式,将待优化问题转换为待优化模型之后可以表示为:
其中,x、z、A、B等参数的具体含义可以参考前述实施例中记载的内容。(μ,β)为乘子参数。
采用ADMM算法,将待优化模型进行划分,获得第一变量(X)对应的第三子模型:
以及第二变量(Z,t)对应的第四子模型:
第二变量对应变量取值序列即为第k次求解之前,第二变量z的k-1个变量取值构成的序列。
可选地,第三优化条件可以为第三子结果取得第三子模型的最小值。第四优化条件为第四子结果取得第四子模型的最小值。
为了便于理解,以目标用户使用计算机M1,配置有本申请实施例技术方案的计算设备为云服务器M2为例详细介绍本申请实施例的技术方案。
在实际应用中,计算机M1可以与云服务器M2进行通信。如图4所示,目标用户可以通过计算机M1将待优化问题传输401至云服务器M2中。
云服务器M2可以接收计算机M1发送的待优化问题。之后,可以基于预设线性惩罚项,生成402待优化问题对应的待优化模型。也即在将待优化问题转换为待优化模型的过程中,同时增加线性惩罚项,以对待优化模型进行准确定义。从而在对待优化模型进行求解计算,获得403待优化模型的目标解;可以为目标用户输出目标解。通过对待优化模型进行准确定义以求解待优化模型,可以获得更准确更高效的目标解。之后云服务器M2可以将目标解发送404至计算机M1,以使得计算机M1为目标用户展示405目标解。
如图5所示,为本申请实施例提供的一种信息处理方法的又一个实施例的流程图,该方法可以包括以下几个步骤:
501:检测目标用户提供的电力优化问题。
其中,电力优化问题可以包括:电力变量,例如可以包括发电量、传输路径、电机功耗量等。电力优化问题的约束条件可以包括:单台电机发电量,优化目标可以为:多台电机发电时,传输路径以及能耗限制下的最小的发电机数量。
电力优化问题可以由变量、约束条件以及优化目标等公式组成。
502:基于预设线性惩罚项,生成电力优化问题对应的待优化模型。
基于线性惩罚项,生成电力优化问题的待优化模型可以包括:按照预设模型转换算法,将电力优化问题转换为候选优化模型;为候选优化模型增加1范数惩罚项,获得待优化模型。
503:为待优化模型进行求解计算,获得待优化模型的目标解。
504:为目标用户输出目标解。
需要说明的是,图1所示实施例中待优化问题可以为电力优化问题,对电力优化问题的具体求解过程可以参考图1等实施例的详细描述,为了描述的简洁性考虑,在此不再赘述。
本申请实施例中,检测目标用户提供的电力优化问题时,可以基于预设线性惩罚项,生成电力优化问题对应的待优化模型。对待优化模型进行建模的过程中,可以增加线性惩罚项,以对待优化模型的求解过程进行线性约束,进而再通过对待优化模型进行求解计算,获得待优化模型的目标解,以对目标用户输出该目标解。通过对待优化模型增加线性惩罚项,可以对待优化模型的优化过程进行线性约束,以使得待优化模型对待优化问题进行更准确的数学定义,进而在对待优化模型进行求解计算之后,获得准确的目标解。提高待优化问题的目标解的准确性,以提高现有MILP问题的优化有效性。
如图6所示,为本申请实施例提供的一种信息处理方法的又一个实施例的流程图,该方法可以包括以下几个步骤:
601:响应于调用信息处理接口的请求,确定信息处理接口对应的处理资源。
利用信息处理接口对应的处理资源执行如下步骤:
602:通过信息处理接口检测目标用户提供的待优化问题。
603:基于预设线性惩罚项,生成待优化问题对应的待优化模型。
604:对待优化模型进行求解计算,获得待优化模型的目标解。
605:为目标用户输出目标解。
本申请实施例中的信息处理接口对应的处理资源所执行的具体步骤与图1所示的信息处理方法所执行的处理步骤相同,各个技术特征的具体实现方式以及技术效果已在图1所示实施例中详细描述,在此不再赘述。
如图7所示,为本申请实施例提供的一种计算设备的一个实施例的结构示意图,该设备可以包括:存储组件701以及处理组件702;存储组件701用于存储一条或多条计算机指令;一条或多条计算机指令被处理组件调用;处理组件702可以用于:
检测目标用户提供的待优化问题;基于预设线性惩罚项,生成待优化问题对应的待优化模型;对待优化模型进行求解计算,获得待优化模型的目标解;为目标用户输出目标解。
本申请实施例中,检测目标用户提供的待优化问题时,可以基于预设线性惩罚项,生成待优化问题对应的待优化模型。对待优化模型进行建模的过程中,可以增加线性惩罚项,以对待优化模型的求解过程进行线性约束,进而再通过对待优化模型进行求解计算,获得待优化模型的目标解,以对目标用户输出该目标解。通过对待优化模型增加线性惩罚项,可以对待优化模型的优化过程进行线性约束,以使得待优化模型对待优化问题进行更准确的数学定义,进而在对待优化模型进行求解计算之后,获得准确的目标解。提高待优化问题的目标解的准确性,以提高现有MILP问题的优化有效性。
作为一个实施例,线性惩罚项可以包括1范数惩罚项;
处理组件基于预设线性惩罚项,为待优化问题生成待优化模型具体可以包括:
按照预设模型转换算法,将待优化问题转换为候选优化模型;
为候选优化模型增加1范数惩罚项,获得待优化模型。
在某些实施例中,处理组件按照预设模型转换算法,将待优化问题转换为候选优化模型具体可以包括:
按照拉格朗日算法,将待优化问题转换为候选优化模型。
作为又一个实施例,处理组件对待优化模型进行求解计算,获得待优化模型的目标解具体可以包括:
将待优化模型转换为至少两个子模型;
对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果;
基于至少两个子模型分别对应的子结果,确定待优化模型的计算结果;
若计算结果满足预置结果条件,获取取得计算结果时的目标解;
若计算结果不满足结果条件,返回至对至少两个子模型进行交替求解,获得至少两个子模型分别对应的子结果的步骤继续执行。
在某些实施例中,处理组件将待优化模型转换为至少两个子模型具体可以包括:
判断待优化模型是否满足模型分割条件;
如果是,将待优化模型转换为至少两个子模型;
如果否,为目标用户输出待优化模型不满足分解条件的分解提示信息。
在一种可能的设计中,处理组件可以通过以下方式判断待优化模型是否满足模型分割条件:
确定待优化模型的模型矩阵;其中,模型矩阵以待优化问题的变量信息为坐标轴,约束信息为行变量组建获得;
判断模型矩阵是否存在块对角结构;
如果是,则待优化模型满足模型分割条件;
如果否,则待优化模型不满足模型分割条件。
作为又一个实施例,处理组件将待优化模型转换为至少两个子模型具体可以包括:
基于第一分割算法,将待优化模型的对偶函数划分为第一变量对应的第一子模型以及第二变量对应的第二子模型;
处理组件对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果具体可以包括:
基于第一子模型对应的子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件;
确定取得第二子结果时第二变量对应第二取值;
基于第二取值,计算第一子模型的第一子结果;其中,第一子结果满足第一优化条件;
确定取得第一子结果时第一变量对应第一取值;
处理组件若计算结果满足预置结果条件,获取取得计算结果时的目标解具体可以包括:
若计算结果满足预置结果条件,确定第一变量对应第一取值以及第二变量对应第二取值构成的目标解。
作为又一个实施例,处理组件还可以用于:
将第一子结果以及第一取值增加到子结果序列,获得更新后的子结果序列;
处理组件若计算结果不满足结果条件,返回至对至少两个子模型进行交替求解,获得至少两个子模型分别对应的子结果的步骤继续执行具体可以包括:
若计算结果不满足结果条件,返回至基于第一子模型对应的子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件的步骤继续执行。
在一种可能的设计中,处理组件还可以用于:
确定待优化模型中乘子参数的第一参数取值;
处理组件基于第一子模型对应的子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件具体可以包括:
基于第一参数取值以及子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件;
处理组件基于第二取值,计算第一子模型的第一子结果;其中,第一子结果满足第一优化条件具体可以包括:
基于第一参数取值以及第二取值,计算第一子模型的第一子结果;其中,第一子结果满足第一优化条件;
处理组件若计算结果不满足结果条件,返回至基于第一子模型对应的子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件的步骤继续执行具体可以包括:
若计算结果不满足结果条件,基于第一取值以及第二取值,更新乘子参数的第一参数取值,并返回至基于乘子参数取值以及子结果序列,预估第二子模型对应的第二子结果;其中,第二子结果满足第二优化条件的步骤继续执行。
在某些实施例中,处理组件还可以用于:
确定待优化模型中的乘子参数的第二参数取值;
处理组件对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果具体可以包括:
在乘子参数取值为第二参数取值时,对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果;
处理组件处理若计算结果不满足结果条件,返回至对至少两个子模型进行交替求解,获得至少两个子模型分别对应的子结果的步骤继续执行具体可以包括:
若计算结果不满足结果条件,基于计算结果,更新乘子参数,获得更新后的第二参数取值,返回至在乘子参数取值为第二参数取值时,对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果的步骤继续执行。
在某些实施例中,处理组件将待优化模型转换为至少两个子模型具体可以包括:
基于第二分割算法,将待优化模型划分为第一变量对应的第三子模型以及第二变量对应的第四子模型;
处理组件对至少两个子模型进行交替求解计算,获得至少两个子模型分别对应的子结果具体可以包括:
基于第二变量对应变量取值序列,计算第一变量在第三子模型对应的第三子结果;其中,第三子结果满足第三优化条件;
确定取得第三子结果时第一变量对应的第三取值;
计算第二变量在第四子模型对应的第四子结果;其中,第四子结果满足第四优化条件;
确定取得第四子结果时第二变量对应的第四取值;
处理组件若计算结果满足预置结果条件,获取取得计算结果时的目标解具体可以包括:
若计算结果满足预置结果条件,确定第一变量对应第三取值以及第二变量对应第四取值构成的目标解。
图7所述的实现计算设备可以执行图1所示实施例所述的信息处理方法,其实现原理和技术效果不再赘述。对于上述实施例中的处理组件所执行的各个步骤的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
此外,本申请实施例还提供一种计算机可读存储介质,该存储介质用于存储计算机程序,所述计算机程序执行时可以执行如前述实施例中信息处理方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助加必需的通用硬件平台的方式来实现,当然也可以通过硬件和软件结合的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以计算机产品的形式体现出来,本申请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。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (12)
1.一种信息处理方法,其特征在于,包括:
检测目标用户提供的待优化问题;
基于预设线性惩罚项,生成所述待优化问题对应的待优化模型;
对所述待优化模型进行求解计算,获得所述待优化模型的目标解;
为所述目标用户输出所述目标解。
2.根据权利要求1所述的方法,其特征在于,所述线性惩罚项包括1范数惩罚项;
所述基于预设线性惩罚项,为所述待优化问题生成待优化模型包括:
按照预设模型转换算法,将所述待优化问题转换为候选优化模型;
为所述候选优化模型增加所述1范数惩罚项,获得所述待优化模型。
3.根据权利要求1所述的方法,其特征在于,还包括:
确定多个候选惩罚项;
从所述多个候选惩罚项中选择与所述待优化问题相匹配的线性惩罚项。
4.根据权利要求1所述的方法,其特征在于,所述对所述待优化模型进行求解计算,获得所述待优化模型的目标解包括:
将所述待优化模型转换为至少两个子模型;
对所述至少两个子模型进行交替求解计算,获得所述至少两个子模型分别对应的子结果;
基于所述至少两个子模型分别对应的子结果,确定所述待优化模型的计算结果;
若所述计算结果满足预置结果条件,获取取得所述计算结果时的目标解;
若所述计算结果不满足所述结果条件,返回至所述对所述至少两个子模型进行交替求解,获得所述至少两个子模型分别对应的子结果的步骤继续执行。
5.根据权利要求4所述的方法,其特征在于,所述将所述待优化模型转换为至少两个子模型包括:
判断所述待优化模型是否满足模型分割条件;
如果是,将所述待优化模型转换为所述至少两个子模型;
如果否,为所述目标用户输出所述待优化模型不满足分解条件的分解提示信息。
6.根据权利要求5所述的方法,其特征在于,所述待优化模型是否满足模型分割条件通过以下方式判断:
确定所述待优化模型的模型矩阵;其中,所述模型矩阵以所述待优化问题的变量信息为坐标轴,约束信息为行变量组建获得;
判断所述模型矩阵是否存在块对角结构;
如果是,则所述待优化模型满足模型分割条件;
如果否,则所述待优化模型不满足模型分割条件。
7.根据权利要求4所述的方法,其特征在于,所述将所述待优化模型转换为至少两个子模型包括:
基于第一分割算法,将所述待优化模型的对偶函数划分为第一变量对应的第一子模型以及第二变量对应的第二子模型;
所述对所述至少两个子模型进行交替求解计算,获得所述至少两个子模型分别对应的子结果包括:
基于所述第一子模型对应的子结果序列,预估第二子模型对应的第二子结果;其中,所述第二子结果满足第二优化条件;
确定取得所述第二子结果时所述第二变量对应第二取值;
基于所述第二取值,计算所述第一子模型的第一子结果;其中,所述第一子结果满足第一优化条件;
确定取得所述第一子结果时所述第一变量对应第一取值;
所述若所述计算结果满足预置结果条件,获取取得所述计算结果时的目标解包括:
若所述计算结果满足预置结果条件,确定所述第一变量对应第一取值以及所述第二变量对应第二取值构成的所述目标解。
8.根据权利要求7所述的方法,其特征在于,还包括:
将所述第一子结果以及所述第一取值增加到所述子结果序列,获得更新后的所述子结果序列;
所述若所述计算结果不满足所述结果条件,返回至所述对所述至少两个子模型进行交替求解,获得所述至少两个子模型分别对应的子结果的步骤继续执行包括:
若所述计算结果不满足所述结果条件,返回至所述基于所述第一子模型对应的子结果序列,预估第二子模型对应的第二子结果;其中,所述第二子结果满足第二优化条件的步骤继续执行。
9.根据权利要求4所述的方法,其特征在于,还包括:
确定所述待优化模型中的乘子参数的第二参数取值;
所述对所述至少两个子模型进行交替求解计算,获得所述至少两个子模型分别对应的子结果包括:
在所述乘子参数取值为所述第二参数取值时,所述对所述至少两个子模型进行交替求解计算,获得所述至少两个子模型分别对应的子结果;
所述若所述计算结果不满足所述结果条件,返回至所述对所述至少两个子模型进行交替求解,获得所述至少两个子模型分别对应的子结果的步骤继续执行包括:
若所述计算结果不满足所述结果条件,基于所述计算结果,更新所述乘子参数,获得更新后的所述第二参数取值,返回至所述在所述乘子参数取值为所述第二参数取值时,所述对所述至少两个子模型进行交替求解计算,获得所述至少两个子模型分别对应的子结果的步骤继续执行。
10.根据权利要求4所述的方法,其特征在于,所述将所述待优化模型转换为至少两个子模型包括:
基于第二分割算法,将所述待优化模型划分为第一变量对应的第三子模型以及第二变量对应的第四子模型;
所述对所述至少两个子模型进行交替求解计算,获得所述至少两个子模型分别对应的子结果包括:
基于所述第二变量对应变量取值序列,计算所述第一变量在所述第三子模型对应的第三子结果;其中,所述第三子结果满足第三优化条件;
确定取得所述第三子结果时所述第一变量对应的第三取值;
计算所述第二变量在所述第四子模型对应的第四子结果;其中,所述第四子结果满足第四优化条件;
确定取得所述第四子结果时所述第二变量对应的第四取值;
所述若所述计算结果满足预置结果条件,获取取得所述计算结果时的目标解包括:
若所述计算结果满足预置结果条件,确定所述第一变量对应第三取值以及所述第二变量对应第四取值构成的所述目标解。
11.一种信息处理方法,其特征在于,包括:
检测目标用户提供的电力优化问题;
基于预设线性惩罚项,生成所述电力优化问题对应的待优化模型;
为所述待优化模型进行求解计算,获得所述待优化模型的目标解;
为所述目标用户输出所述目标解。
12.一种计算设备,其特征在于,包括:存储组件以及处理组件;所述存储组件用于存储一条或多条计算机指令;所述一条或多条计算机指令被所述处理组件调用;所述处理组件用于:
检测目标用户提供的待优化问题;基于预设线性惩罚项,生成所述待优化问题对应的待优化模型;对所述待优化模型进行求解计算,获得所述待优化模型的目标解;为所述目标用户输出所述目标解。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438014.1A CN115238434A (zh) | 2021-04-22 | 2021-04-22 | 信息处理方法及计算设备 |
PCT/CN2022/087371 WO2022222882A1 (zh) | 2021-04-22 | 2022-04-18 | 信息处理方法及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438014.1A CN115238434A (zh) | 2021-04-22 | 2021-04-22 | 信息处理方法及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238434A true CN115238434A (zh) | 2022-10-25 |
Family
ID=83666667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110438014.1A Pending CN115238434A (zh) | 2021-04-22 | 2021-04-22 | 信息处理方法及计算设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115238434A (zh) |
WO (1) | WO2022222882A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104113473A (zh) * | 2013-04-19 | 2014-10-22 | 成都赛恩泰科技有限公司 | 一种基于拉格朗日松弛的ip网络层功耗优化方法 |
WO2016081504A1 (en) * | 2014-11-17 | 2016-05-26 | Massachusetts Institute Of Technology | Systems and methods for improving petroleum fuels production |
CN110163450A (zh) * | 2019-05-31 | 2019-08-23 | 国网山东省电力公司经济技术研究院 | 一种基于运行受限的配电网规划双层优化模型构建方法 |
US11132422B2 (en) * | 2019-06-20 | 2021-09-28 | Fujitsu Limited | Automating solving NP problems in annealer systems |
-
2021
- 2021-04-22 CN CN202110438014.1A patent/CN115238434A/zh active Pending
-
2022
- 2022-04-18 WO PCT/CN2022/087371 patent/WO2022222882A1/zh active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022222882A1 (zh) | 2022-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
van Ackooij et al. | Joint chance constrained programming for hydro reservoir management | |
Zheng | Gradient descent algorithms for quantile regression with smooth approximation | |
EP3327582A1 (en) | Method and apparatus for completing a knowledge graph | |
CN110245269B (zh) | 获取关系网络图中节点的动态嵌入向量的方法和装置 | |
JP2014508349A (ja) | 画像を比較するための方法およびシステム | |
Ostromsky et al. | Air pollution modelling, sensitivity analysis and parallel implementation | |
CN113516480A (zh) | 一种支付风险识别方法、装置及设备 | |
Huang et al. | A study of distributionally robust multistage stochastic optimization | |
Rüschendorf et al. | Copulas, Sklar’s theorem, and distributional transform | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
Jeong et al. | Efficient end-to-end learning for quantizable representations | |
CN110337636A (zh) | 数据转换方法和装置 | |
Maragkos et al. | Electric load demand forecasting on greek energy market using lightweight neural networks | |
Smirnov | Guaranteed deterministic approach to superhedging: sensitivity of solutions of the bellman-isaacs equations and numerical methods | |
CN109728958B (zh) | 一种网络节点信任预测方法、装置、设备及介质 | |
Priya et al. | A comparison of prediction capabilities of Bayesian regularization and Levenberg–Marquardt training algorithms for cryptocurrencies | |
Nikulchev et al. | Identification of structural model for chaotic systems | |
Merras et al. | Camera self calibration with varying parameters by an unknown three dimensional scene using the improved genetic algorithm | |
CN115238434A (zh) | 信息处理方法及计算设备 | |
CN116306030A (zh) | 考虑预测误差和波动分布的新能源预测动态场景生成方法 | |
Shin et al. | Reduced‐order multisensory fusion estimation with application to object tracking | |
Ge et al. | From an interior point to a corner point: smart crossover | |
Nikulchev | Geometric method of reconstructing evolution equations from experimental data | |
CN111428741B (zh) | 网络社区的发现方法、装置、电子设备及可读存储介质 | |
Fioretto et al. | A lagrangian dual framework for deep neural networks with constraints |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240315 Address after: # 03-06, Lai Zan Da Building 1, 51 Belarusian Road, Singapore Applicant after: Alibaba Innovation Co. Country or region after: Singapore Address before: Room 01, 45th Floor, AXA Building, 8 Shanton Road, Singapore Applicant before: Alibaba Singapore Holdings Ltd. Country or region before: Singapore |
|
TA01 | Transfer of patent application right |