CN115994578B - 一种基于萤火虫算法的关联方法及系统 - Google Patents

Abstract

本发明公开了一种基于萤火虫算法的关联方法及系统，该方法包括：根据关联任务确定目标函数和约束空间并输入参数初值；基于萤火虫算法求解区间划分阈值局部最优解，得到已知局部最优解集合；人工标定区间划分阈值局部最优解，得到人工局部最优解；屏蔽已知局部最优解和人工局部最优解，迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集；根据置信度选择解集中的最优解并指导关联任务进行区间划分。该系统包括：初始模块、萤火虫求解模块、标定模块、屏蔽迭代模块和应用模块。通过使用本发明，能够获得更优的区间划分阈值局部最优解，更精准的挖掘图像关联规则。本发明可广泛应用于数据关联领域。

Description

一种基于萤火虫算法的关联方法及系统

技术领域

本发明涉及数据关联领域，尤其涉及一种基于萤火虫算法的关联方法及系统。

背景技术

关联规则主要应用于挖掘频繁项集，其主要原理在于统计同时出现的两个事务的统计数据从而而得出他们的依存关系，关联规则映一个事物与其他事物之间的相互依存性和关联性。因此被广泛地购物篮分析、推荐系统、图像关联规则等领域。而在图像关联规则识别中，其不同的的事物代表的就是不同特征数值在不同区间的取值。其关联规则挖掘使得我们可以利用关联规则进行高精度的图像识别。但是如何划分这个区间以达到可以由特征落在不同区间以输出关联规则是一个高维的问题，故我们需要引入萤火虫算法进行启发式求解。但是，在图像关联规则挖掘中，传统萤火虫算法在有限的个体数量下，无法更好地求得区间划分阈值中更优的局部优解；传统萤火虫算法法并没有很好的利用迭代过程中或生活中的信息对区间划分阈值进行优化。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于萤火虫算法的关联方法及系统，通过对图像特征区间分解阈值的局部最优解的识别与逐步屏蔽、使得达到局部最优的萤火虫种群重新参与到寻优的过程中，绕开局部最优解。对图像关联规则识别的精度提升有着重要作用。

本发明所采用的第一技术方案是：一种基于萤火虫算法的关联方法，包括以下步骤：

根据关联任务确定目标函数和约束空间并输入参数初值；

基于萤火虫算法，根据参数初值、目标函数和约束空间求解区间划分阈值局部最优解，得到已知局部最优解集合；

人工标定区间划分阈值局部最优解，得到人工局部最优解；

屏蔽已知局部最优解和人工局部最优解，迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集；

根据置信度选择解集中的最优解并指导关联任务进行区间划分。

进一步，所述参数初值包括萤火虫移动步长、局部解作用半径、迭代次数、函数最低要求、屏蔽函数系数、光照影响系数、随机化参数和光照削弱系数。

进一步，所述屏蔽已知局部最优解和人工局部最优解，迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集这一步骤，其具体包括：

计算萤火虫个体与已知局部最优解集合中每个解的距离范数；

判断到距离范数小于参数局部解作用半径，设定局部凸函数以削减对应优解附近的萤火虫亮度；

构建屏蔽函数和定义解的合作用区间以跳出附近的区间划分阈值局部最优解；

迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集。

进一步，所述距离范数的计算公式如下：

上式中，p_ij表示距离范数，x_i表示第i个萤火虫个体，x^j表示局部最优解集合中第j个解个体，x_ik表示第i个萤火虫个体向量的第k个分量的取值，表示局部最优解集合中第j解个体的第k维向量分量的取值，|·|p表示两个向量分量相减的p次方。

进一步，设定的局部凸函数公式表示如下：

上式中，f^j(x₁,x₂,x₃,…,x_n)表示局部凸函数，f(x₁,x₂,x₃,…,x_n)表示多变量的目标函数，表示局部最优解集合中第j解个体的第i维向量分量的取值，c₁表示设定的用于平衡模型数量级的参数。

进一步，定义解的合作用区间公式表示如下：

上式中，d表示常数，x^k表示局部最优解集合中第k解个体。

进一步，所述屏蔽函数的公式表示如下：

上式中，表示局部最优解集合中第k解个体的第i维向量分量的取值，/>表示局部最优解集合中第j解个体的第i维向量分量的取值，c表示设定的用于平衡模型数量级的参数，ε表示加权系数。

本发明所采用的第二技术方案是：一种基于萤火虫算法的关联系统，包括：

初始模块，用于根据关联任务确定目标函数和约束空间并输入参数初值；

萤火虫求解模块，基于萤火虫算法，根据参数初值、目标函数和约束空间求解区间划分阈值局部最优解，得到已知局部最优解集合；

标定模块，人工标定区间划分阈值局部最优解，得到人工局部最优解；

屏蔽迭代模块，用于屏蔽已知局部最优解和人工局部最优解，迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集；

应用模块，用于根据置信度选择解集中的最优解并指导关联任务进行区间划分。

本发明方法及系统的有益效果是：本发明通过迭代过程中不断获得局部最优的区间划分阈值最优解向量，然后在下一次迭代最优解的时候，将人工设置的区间划分局部最优解和迭代过程中生成的区间划分阈值局部最优解记录储存。通过计算初始萤火虫个体一定领域内的局部最优解数量达到最优解识别的效果并对优解附近的函数进行重新定义，使得萤火虫个体的定义域“屏蔽”了已知局部最优解的方向，不向已知区间划分阈值局部最优解的方向进行移动，从而获得更优的区间划分阈值局部最优解，更精准的挖掘图像关联规则，

附图说明

图1是本发明一种基于萤火虫算法的关联方法的步骤流程图；

图2是本发明具体实施例错误率函数随变量变化的示意图；

图3是本发明具体实施例一次迭代中各萤火虫的移动方向示意图；

图4是本发明具体实施例萤火虫算法求得的区间划分阈值局部最优解和人工标定的区间划分阈值最优解的示意图；

图5是本发明具体实施例屏蔽一个局部最优解后移动方向示意图；

图6是本发明具体实施例形成一个假性局部解的示意图；

图7是本发明具体实施例屏蔽两个局部最优解后移动方向示意图；

图8是本发明具体实施例屏蔽三个局部最优解后移动方向示意图；

图9是本发明一种基于萤火虫算法的关联系统的结构框图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

如图1所示，本发明提供了一种基于萤火虫算法的关联方法，该方法包括以下步骤：

S1、根据关联任务确定目标函数和约束空间并输入参数初值；

具体地，设萤火虫移动步长为h，局部解作用半径为d，迭代次数为T，函数最低要求为F，屏蔽函数系数c，光照影响系数γ，随机化参数α，光照削弱系数m。

S2、基于萤火虫算法，根据参数初值、目标函数和约束空间求解区间划分阈值局部最优解，得到已知局部最优解集合；

对于改进区间划分达到错误率最高优化任务，我们在已知他的错误率目标函数后，萤火虫算法会根据可行域随机生成一列初始区间划分阈值解{x_i1,x_i2,x_i3,...,x_in}，他们代表着不同的萤火虫个体。错误率函数随变量变化以及初始解与其对于的函数值如图2所示。

在得到初始区间划分阈值解点x_i后，每个个体间都会计算附近不同个体对其的吸引力,而萤火虫i对萤火虫j的吸引力与两只萤火虫之间的距离与萤火虫吸引别人的萤火虫的“亮度”有关，在优化问题中，以求最小值为例，应为函数值越小亮度越大，i萤火虫的“亮度”反比于函数大小，设定i萤火虫位置为X_i＝{x₁,x₂,...,x_n}于是我们可以如下定义i萤火虫的亮度β_i：

而显然亮度是会与距离相关的，故吸引力不仅会正比于亮度，而且还会反比于两只萤火虫的距离，设定γ为萤火虫i对光照的吸收程度，即对函数值的大小对发光程度的影响系数，m为能见度，即调节距离对亮度的削弱能力的数据。得萤火虫i对于萤火虫j的吸引力：

算法中，除了最亮的萤火虫，每只萤火虫都会朝着对他吸引力最大的萤火虫移动，在对比每个萤火虫对他的吸引力后萤火虫i会选择对他影响力最大的萤火虫j进行一定距离的移动：

上式中，r_ij代表两只萤火虫距离，X_j与X_i分别代表j和i萤火虫的位置中a是随机化参数，rand从[0，1]中随机生成，根据中心极限定理，萤火虫的移动最终会近似于正态分布，该项可以使得萤火虫的移动更贴近实际情况。根据公式迭代，一次迭代中各萤火虫的移动方向可如图3所示。

根据移动原理，一定领域内的萤火虫个体都会向同着一个最有吸引力的萤火虫个体移动。且结合已有的文献实验得知，萤火虫算法最终会收敛到一个或多个局部最优解中，我们一次萤火虫算法收敛得到的区间划分阈值解放入局部解数组中，作为区间划分阈值局部最优解的识别和屏蔽使用。

S3、人工标定区间划分阈值局部最优解，得到人工局部最优解；

具体地，在实际的图像识别中会积累许多如一些区间划分阈值局部最优的组合，或者说想避免的划分组合，这是一些可以运用的信息，参照图4，x¹是萤火虫算法求得的区间划分阈值局部最优解，x²是人工标定的区间划分阈值最优解，或者是决策者想避免算法求得的区间划分阈值局部最优解。

人工标定规则：人工标定的局部最优解需要有很大的置信度，故应根据历史记录中已有的解来确定，例如使用未经过改进的其他智能算法得出的一个历史最优解，又或者说是常年的临床经验形成的一个关联规则，如某种正在使用的区间划分阈值可以较大的概率达到识别的目的。

S4、屏蔽已知局部最优解和人工局部最优解，迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集。

在我们使用萤火虫算法迭代出某次收敛的某一组局部区间划分阈值最优解x¹后，很明显函数还具有更大的优化空间。但是因为受初值问题取定的影响，该函数在x¹领域以内取定初值都会导致函数的最优解收敛到x¹。因此我们可以利用萤火虫算法历史运行众多区间划分阈值局部最优解数组中知道x¹是一个区间划阈值分局部最优解的信息，使得萤火虫算法向着别的方法移动，从而达到不同于萤火虫算法第一次收敛的区间划分阈值局部最优解。于是我们可以通过如下方法避免向着x¹方向迭代。设定区间划分阈值局部最优解集(x¹,x²,...,xⁿ)，并设定x^j类似的单个解作用区间为同一个常数d，计算萤火虫个体x_i与最优解集中每个解x^j的距离的p范数p_ij，设k表示解在第k个维度的分量则解与区间划分阈值局部最优解数组中解的距离范数计算如下p_ij：

当p_ij<d的时候，我们就可以识别到萤火虫个进入了解x^j的范围，我们需要跳出这个范围，于是我们设定一个x^j的领域范围内，原函数f(x^j)的值域会被重新赋值，即在以x^j为中心的，p范数d_ij为半径的领域内，原函数将会以如下公式重新定义为一个凸函数f^j(x^j)，该函数应该以x^j为中心向四周递减，即优解附近的萤火虫亮度会被削弱，在计算时附近的萤火虫就会因为其亮度少而不向其移动。这样可以屏蔽x^j附近的领域，使得萤火虫算法朝着更优解收敛：

设x¹为已知最优解，其以x_i为迭代初值，屏蔽了局部优解x¹向着更优解x²移动的效果如图5所示。

当萤火虫个体在以在两个d为作用半径的局部解的领域内时，可能存在两个由x¹与x²局部解构成的屏蔽空间中间存在一个因为函数重新定义造成的假性“局部低谷”时候，其明显不是区间划分阈值局部最优解，但萤火虫向着x³移动时，其仍会被算法搜索到，当多个个体聚集时，便会形成一个假性局部解其原理如图6。

因此我们需要以两个点的加权中心为新的屏蔽中心，构建新的屏蔽屏蔽中心。设x^j与x^k是两个已检索到的区间划分阈值局部最优解k的区间大于0而小于1，则屏蔽函数构建公式如下：

上式中，表示局部最优解集合中第k解个体的第i维向量分量的取值，/>表示局部最优解集合中第j解个体的第i维向量分量的取值，c表示设定的用于平衡模型数量级的参数，ε表示加权系数。

为了避免收敛函数无法跳出该俩最优解，故需要对两个解的合作用区间进行定义：

以距离中心最远的解加上最大的局部解作用范围可以刚好涵盖两个解的作用范围，又可以最大限度的减少损失其他解的存在。当萤火虫个体迭代到新的范围后，以重复上述步骤，先计算在几个解的作用范围，再进行两两合并操作，直至跳出附近的区间划分阈值局部最优解。

S5、根据置信度选择解集中的最优解并指导关联任务进行区间划分。。

每次计算添加解集合中的最优解的时候，都会导出该解对应的关联规则分组的置信度，在解集合中选择解对应置信度最大的解作为关联规则分组模型的区间划分阈值即可，实际应用的时候应该选择解集中的最优解作为应用，输出解集仅为了更好地对比解的好坏。

故应该是最优解能够更好的指导关联任务进行区间划分。如对于某类疾病的病灶图像，我们能根据医学图像(CT等)提取出他的n个特征(X₁，X₂，X₃......X_n)每个特征的取值我们可以将其标准化成(0，1)中的分布。我们在带有标签的样本训练的时候，不同特征X_i的取值可能会知识着病变的类型和程度，但因为实数的稠密性，我们无法将不同X_i的取值与病变进行一一对应，但是我们可以将X_i的区间划分成k个，记为(X_i1，X_i2，X_i3......X_ik)，而分割每个区间的点就是所谓的区间阈值。在有标签的医学图像上进行训练时，我们初始化一个原始的区间阈值，然后计算在该阈值下基于统计学的各项统计数值导出的识别概率，即某类带标签疾病大多在特征值表现分布上可以通过一个或多个特征值的区间进行唯一确定。如(X₁₂，X₂₃，X₃₂......X_nk)->肝癌，90％。这表示在一号特征取值落在第二个区间，二号特征取值落在第三个区间，三号特征取值落在第二个区间，n号特征取值落在第k个区间的情况下有百分之90的样本是肝癌样本，但这明显不是特别理想，于是我们可以根据改进的萤火虫算法，对区间划分进行改变，使得针对某种疾病可以有一个特征区间组涵盖大部分该病例的特征样本。

如图7，改进后的算法将会同时屏蔽x¹与x²两个区间划分阈值局部最优解，向着其他更优的区间划分阈值局部最优解前进。

参照图8，同理，算法在发现x³后连同上一步形成的屏蔽中心重新计算屏蔽函数，以越过已知解寻找最新解,即若萤火虫个体存在于多个局部优解的作用领域，可利用公式(6)的求和项对多个最优解的屏蔽范围两两合并，得到他们的合最优解作用范围。

本发明利用了萤火虫算法计算过程中的已知区间划分阈值局部最优解信息，可以达到更好的区间划分阈值局部最优解；另外，本发明中区间划分阈值局部最优解的标定可以解放更多萤火虫个体来进行区间划分阈值局部最优解的搜索。

如图9所示，一种基于萤火虫算法的关联系统，包括：

初始模块，用于根据关联任务确定目标函数和约束空间并输入参数初值；

萤火虫求解模块，基于萤火虫算法，根据参数初值、目标函数和约束空间求解区间划分阈值局部最优解，得到已知局部最优解集合；

标定模块，人工标定区间划分阈值局部最优解，得到人工局部最优解；

屏蔽迭代模块，用于屏蔽已知局部最优解和人工局部最优解，迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集；

应用模块，用于根据置信度选择解集中的最优解并指导关联任务进行区间划分。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

一种基于萤火虫算法的关联装置：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种基于萤火虫算法的关联方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种基于萤火虫算法的关联方法。

上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (3)

1.一种基于萤火虫算法的关联方法，其特征在于，包括以下步骤：

根据关联任务确定目标函数和约束空间并输入参数初值；

基于萤火虫算法，根据参数初值、目标函数和约束空间求解区间划分阈值局部最优解，得到已知局部最优解集合；

人工标定区间划分阈值局部最优解，得到人工局部最优解；

屏蔽已知局部最优解和人工局部最优解，迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集；

根据置信度选择解集中的最优解并指导关联任务进行区间划分；

所述关联任务为根据医学图像的特征在区间的分布进行疾病识别；

所述参数初值包括萤火虫移动步长、局部解作用半径、迭代次数、函数最低要求、屏蔽函数系数、光照影响系数、随机化参数和光照削弱系数；

所述屏蔽已知局部最优解和人工局部最优解，迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集这一步骤，其具体包括：

计算萤火虫个体与已知局部最优解集合中每个解的距离范数；

判断到距离范数小于参数局部解作用半径，设定局部凸函数以削减对应优解附近的萤火虫亮度；

构建屏蔽函数和定义解的合作用区间以跳出附近的区间划分阈值局部最优解；

迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集；

设定的局部凸函数公式表示如下：

其中，d表示常数，f^j(x₁,x₂,x₃,…,x_i)表示局部凸函数，f(x₁,x₂,x₃,…,x_i)表示多变量的目标函数，x_i表示第i个萤火虫个体，p_ij表示距离范数，表示局部最优解集合中第j解个体的第e维向量分量的取值，c表示设定的用于平衡模型数量级的参数；

定义解的合作用区间公式表示如下：

其中，x^k表示局部最优解集合中第k解个体，x^j表示局部最优解集合中第j解个体；

所述屏蔽函数的公式表示如下：

其中，ε表示加权系数。

2.根据权利要求1所述一种基于萤火虫算法的关联方法，其特征在于，所述距离范数的计算公式如下：

上式中，p_ij表示距离范数，x_i表示第i个萤火虫个体，x^j表示局部最优解集合中第j解个体，|·|^p表示两个向量分量相减的p次方。

3.一种基于萤火虫算法的关联系统，其特征在于，用于执行如权利要求1所述的基于萤火虫算法的关联方法，包括：

初始模块，用于根据关联任务确定目标函数和约束空间并输入参数初值；

萤火虫求解模块，基于萤火虫算法，根据参数初值、目标函数和约束空间求解区间划分阈值局部最优解，得到已知局部最优解集合；

标定模块，人工标定区间划分阈值局部最优解，得到人工局部最优解；

屏蔽迭代模块，用于屏蔽已知局部最优解和人工局部最优解，迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集；

应用模块，用于根据置信度选择解集中的最优解并指导关联任务进行区间划分；

所述关联任务为根据医学图像的特征在区间的分布进行疾病识别；

所述参数初值包括萤火虫移动步长、局部解作用半径、迭代次数、函数最低要求、屏蔽函数系数、光照影响系数、随机化参数和光照削弱系数；

所述屏蔽已知局部最优解和人工局部最优解，迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集这一步骤，其具体包括：

计算萤火虫个体与已知局部最优解集合中每个解的距离范数；

判断到距离范数小于参数局部解作用半径，设定局部凸函数以削减对应优解附近的萤火虫亮度；

构建屏蔽函数和定义解的合作用区间以跳出附近的区间划分阈值局部最优解；

迭代计算区间划分阈值局部最优解直至达到最大迭代次数，输出解集；

设定的局部凸函数公式表示如下：

其中，d表示常数，f^j(x₁,x₂,x₃,…,x_i)表示局部凸函数，f(x₁,x₂,x₃,…,x_i)表示多变量的目标函数，x_i表示第i个萤火虫个体，p_ij表示距离范数，表示局部最优解集合中第j解个体的第e维向量分量的取值，c表示设定的用于平衡模型数量级的参数；

定义解的合作用区间公式表示如下：

其中，x^k表示局部最优解集合中第k解个体，x^j表示局部最优解集合中第j解个体；

所述屏蔽函数的公式表示如下：

其中，ε表示加权系数。