TWI762015B - 挑選任務網路的方法、基於感測資料決定動作的系統及方法 - Google Patents

挑選任務網路的方法、基於感測資料決定動作的系統及方法 Download PDF

Info

Publication number
TWI762015B
TWI762015B TW109138475A TW109138475A TWI762015B TW I762015 B TWI762015 B TW I762015B TW 109138475 A TW109138475 A TW 109138475A TW 109138475 A TW109138475 A TW 109138475A TW I762015 B TWI762015 B TW I762015B
Authority
TW
Taiwan
Prior art keywords
individuals
population
network
specific
task
Prior art date
Application number
TW109138475A
Other languages
English (en)
Other versions
TW202219838A (zh
Inventor
陳志明
Original Assignee
緯創資通股份有限公司
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 緯創資通股份有限公司 filed Critical 緯創資通股份有限公司
Priority to TW109138475A priority Critical patent/TWI762015B/zh
Priority to CN202011450115.2A priority patent/CN114528969A/zh
Priority to US17/148,586 priority patent/US20220138587A1/en
Priority to EP21162872.2A priority patent/EP3995998A1/en
Priority to KR1020210048322A priority patent/KR20220060454A/ko
Priority to JP2021070306A priority patent/JP7197624B2/ja
Application granted granted Critical
Publication of TWI762015B publication Critical patent/TWI762015B/zh
Publication of TW202219838A publication Critical patent/TW202219838A/zh

Links

Images

Classifications

    • 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
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21342—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using statistical independence, i.e. minimising mutual information or maximising non-gaussianity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本發明實施例提供一種挑選任務網路的方法、基於感測資料決定動作的系統及方法。本發明實施例的方法包括：將感測資料映射為輸入特徵向量；將輸入特徵向量饋入特定任務網路，以由特定任務網路產生輸出特徵向量，其中特定任務網路係基於多個第一個體及多個第二個體所訓練，前述第一個體屬於第一種群，前述第二個體屬於第二種群，且前述第一個體及前述第二個體係經由共同演化過程演化而得；依據輸出特徵向量決定輸出動作，並基於輸出動作設定第二特定個體，其中第二特定個體屬於第二種群。

Description

挑選任務網路的方法、基於感測資料決定動作的系統及方法
本發明是有關於一種神經網路技術，且特別是有關於一種基於共同演化機制訓練並挑選任務網路的方法，以及基於感測資料決定動作的系統及方法。
地球上的演化是一個開放性的過程，而屬於不同種群的個體之間時常出現共同演化（coevolution）的情形。以「長頸鹿」和「樹木」這兩個種群為例，為了不被長頸鹿吃光身上的樹葉及接收到更多的陽光，樹木中具有更高樹冠的子代會在演化的過程中傾向被保留下來。相對地，為了吃到更高樹冠處的樹葉，長頸鹿中具有更長頸部的子代也會在演化的過程中傾向被保留下來。
然而，在目前的第五代通信系統（下稱5G）中，雖有類似於上述「長頸鹿」與「樹木」概念的角色，但這些角色之間並未有上述共同演化的概念，因此並無法藉由共同演化的過程來讓上述角色產生更佳的表現。
舉例而言，5G中的「閉環控制」（例如開放無線接入網（open radio access network，O-RAN）中的近即時網路智能控制（Near-RT RAN Intelligent Controller））及「開環控制」（例如O-RAN中的非即時網路智能控制（Non-RT RAN Intelligent Controller））彼此雖有一定程度的相關性，但此二者的相關參數/組態值彼此之間並未有共同演化的特性，故無法藉由共同演化的過程來讓「閉環控制」與「開環控制」產生更佳的表現（例如更低的運作費用（operational expenditure，OPEX）及更佳的運作網路功能（operational network functions，OPNF））。
另外，5G中的「使用者行為」與「網路拓樸」之間亦具有類似的情形。例如，一般使用者行為可包括流量、頻寬、延遲、功耗、覆蓋、連接等參數/組態值，而使用者多半希望這些參數/組態值能夠朝向流量大、頻寬高、延遲低、功耗小、覆蓋大、連接穩的方向發展。另外，網路拓樸則可包括節點數、用電量、鏈路數、發熱量等參數/組態值，而對於運營商而言，多半傾向採用具有節點數少、用電量低、鏈路數少、發熱量低的網路拓樸。然而，雖然「使用者行為」與「網路拓樸」彼此雖有一定程度的相關性，但此二者的相關參數/組態值彼此之間並未有共同演化的特性，故無法藉由共同演化的過程來讓「使用者行為」與「網路拓樸」朝更佳的方向發展。
有鑑於此，本發明實施例提供一種基於共同演化機制訓練並挑選任務網路的方法及基於感測資料決定動作的系統及方法，其可用於解決上述技術問題。
本發明實施例提供一種基於共同演化機制訓練並挑選任務網路的方法，包括：取得屬於一第一種群的多個第一個體以及屬於一第二種群的多個第二個體，其中前述第一個體及前述第二個體係經由一共同演化過程演化而得；取得多個模式生成網路產生的多個任務網路；基於一多目標函數以前述第一個體及前述第二個體訓練各任務網路，並評估訓練後的各任務網路的一準確度，其中多目標函數包括各任務網路的多個特性；基於各任務網路的準確度決定對應的模式生成網路的一適應度分數，且各模式生成網路的適應度分數正相關於對應模式生成網路的任務網路的準確度；基於各模式生成網路的適應度分數從前述模式生成網路中找出一特定模式生成網路，並在前述任務網路中挑選對應於特定模式生成網路的一特定任務網路。
本發明實施例提供一種基於感測資料決定動作的方法，包括：取得一感測資料，並將感測資料映射為一輸入特徵向量，其中感測資料包括屬於一第一特定個體的多個感測屬性，第一個體屬於一第一種群；將輸入特徵向量饋入一特定任務網路，以由特定任務網路產生一輸出特徵向量，其中特定任務網路係基於多個第一個體及多個第二個體所訓練，前述第一個體屬於第一種群，前述第二個體屬於一第二種群，且前述第一個體及前述第二個體係經由一共同演化過程演化而得；依據輸出特徵向量決定一輸出動作，並基於輸出動作設定一第二特定個體，其中第二特定個體屬於第二種群。
本發明實施例提供一種基於感測資料決定動作的系統，包括感測電路、通信電路、儲存電路及處理器。儲存電路記錄多個模組。處理器耦接儲存電路，存取前述模組以執行下列步驟：從感測電路取得一感測資料，並將感測資料映射為一輸入特徵向量，其中感測資料包括屬於一第一特定個體的多個感測屬性，第一個體屬於一第一種群；將輸入特徵向量饋入一特定任務網路，以由特定任務網路產生一輸出特徵向量，其中特定任務網路係基於多個第一個體及多個第二個體所訓練，前述第一個體屬於第一種群，前述第二個體屬於一第二種群，且前述第一個體及前述第二個體係經由一共同演化過程演化而得；依據輸出特徵向量決定一輸出動作，並控制通信電路將輸出動作發送至屬於第二種群的一第二特定個體，其中輸出動作用於設定第二特定個體。
請參照圖1，其是依據本發明之一實施例繪示的伺服器示意圖。在圖1中，伺服器100可包括儲存電路102及處理器104。儲存電路102例如是任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）、硬碟或其他類似裝置或這些裝置的組合，而可用以記錄多個程式碼或模組。
處理器104耦接於儲存電路102，並可為一般用途處理器、特殊用途處理器、傳統的處理器、數位訊號處理器、多個微處理器（microprocessor）、一個或多個結合數位訊號處理器核心的微處理器、控制器、微控制器、特殊應用積體電路（Application Specific Integrated Circuit，ASIC）、現場可程式閘陣列電路（Field Programmable Gate Array，FPGA）、任何其他種類的積體電路、狀態機、基於進階精簡指令集機器（Advanced RISC Machine，ARM）的處理器以及類似品。
在本發明的實施例中，處理器104可存取儲存電路102中記錄的模組、程式碼來實現本發明提出的基於共同演化機制訓練並挑選任務網路的方法，其細節詳述如下。
請參照圖2，其是依據本發明之一實施例繪示的基於共同演化機制訓練並挑選任務網路的方法流程圖。本實施例的方法可由圖1的伺服器100執行，以下即搭配圖1所示的元件說明圖2各步驟的細節。
首先，在步驟S210中，處理器104可取得屬於第一種群的多個第一個體以及屬於第二種群的多個第二個體。
在本發明的第一實施例中，所述第一種群及第二種群分別例如是5G中的「閉環控制」及「開環控制」。在此情況下，屬於第一種群的上述第一個體個別可以是控制功能（control functions）或經訓練模型（trained model），且各第一個體可具有不同的第一基因。
以屬於控制功能的第一個體為例，其第一基因例如包括服務品質管理（QoS management）、連接性管理（connectivity management）、無縫換手控制（seamless handover control）等，但不限於此。
在上述服務品質管理中，可包括例如吞吐量（throughput）、端對端延遲（End-to-end latency）、網路可用性（Network availability）、可靠度參數（Reliability parameters）等參數/組態值，但不限於此。在上述連接性管理中，可包括上/下行資料率、上/下行區域流量容量（Area Traffic Capacity）、整體使用者密度（Overall User Density）等參數/組態值，但不限於此。在上述無縫換手控制中，可包括換手速度上限（Maximum speed for handover）等參數/組態值，但不限於此。
另外，以屬於經訓練模型的第一個體為例，其所包括的基因例如是人工智慧/機器學習模型，但不限於此。
在第一實施例中，第一個體的各第一基因例如可以特定資料結構的形式（例如陣列）儲存於資料庫中。舉例而言，對於屬於控制功能的第一個體而言，其對應的資料結構可包括對應於服務品質管理、連接性管理及無縫換手控制等基因的多個欄位，而這些欄位例如可用於記錄上述各種參數/組態值，但可不限於此。
此外，屬於第二種群的第二個體個別可以是政策（policy）、意圖（intent）或RAN分析（analytic），且各第二個體可具有不同的第二基因。
以屬於政策的第二個體為例，其第二基因例如包括次政策（sub-policy）。以屬於意圖的第二個體為例，其第二基因例如包括動作（actions）及參數改變（parameter changes）。以屬於RAN分析的第二個體為例，其第二基因例如包括分析（analytics）及學習任務（learning tasks）。
在第一實施例中，第二個體的各第二基因例如可以特定資料結構的形式儲存於資料庫中。舉例而言，對於屬於政策的第二個體而言，其對應的資料結構可包括對應於次政策等基因的多個欄位，而這些欄位例如可用於記錄有關於次政策的各種參數/組態值，但可不限於此。
對於本領域具通常知識者而言，第一實施例中第一個體的第一基因及第二個體的第二基因的相關說明可參照5G的相關規格書，於此不另贅述。
在第二實施例中，所述第一種群及第二種群分別例如是5G中的「使用者行為」及「網路拓樸」。在此情況下，屬於第一種群的第一個體個別可包括多種與使用者行為相關的第一基因，而屬於第二種群的第二個體個別可包括多種與網路拓樸相關的第二基因。
舉例而言，屬於第一種群的第一個體可包括使用者體驗、使用者習慣、使用者類型、使用者密度及使用者情境等參數/組態值，但可不限於此。另外，屬於第二種群的第二個體可包括無線電單元（radio unit，RU）、分布式單元（Distributed Unit，DU）和集中單元（Central Unit，CU）、行動邊緣計算（mobile edge computing，MEC）伺服器等參數/組態值，但可不限於此。
在第二實施例中，第一個體的各第一基因及第二個體的各第二基因例如可以特定資料結構的形式儲存於資料庫中，而相關說明可參照先前於第一實施例中提及的相關說明，於此不另贅述。
在一實施例中，屬於第一種群的上述第一個體以及屬於第二種群的上述第二個體可經由一共同演化過程演化而得，以下將輔以圖3作進一步說明。請參照圖3，其是依據本發明之一實施例繪示的取得第一個體及第二個體的流程圖。
首先，在步驟S311中，處理器104可隨機產生屬於第一種群的多個第一初始個體，以及隨機產生屬於第二種群的多個第二初始個體，其中各第一初始個體亦如同上述第一個體而具有第一基因，且各第二初始個體亦如同上述第二個體而具有第二基因。在此情況下，在上述第一初始個體及第二初始個體中的各個第一/第二基因的參數/組態值例如是一隨機值，但可不限於此。
之後，在步驟S312中，處理器104可基於新穎性搜尋（novelty search）演算法在上述第一初始個體中找出多個第一參考個體，其中各第一參考個體的第一基因可滿足第一最小準則（minimal criterion，MC）。在一實施例中，處理器104可基於K近鄰演算法（K nearest neighbors，KNN）而在上述第一初始個體中找出所述第一參考個體。在此情況下，所找出的各個第一參考個體彼此之間都將具備一定程度的差異性，而新穎性搜尋及KNN的相關細節可參照相關的現有技術文獻，於此不另贅述。
另外，如上所述，各個第一參考個體還將滿足對應的第一MC。以第一實施例為例，屬於第一種群的第一參考個體（例如是控制功能或經訓練模型）所需滿足的第一MC例如是需能夠用於進行對應的閉環控制（例如各基因具有合理的參數/組態值），但可不限於此。
再以第二實施例為例，屬於第一種群的第一參考個體（例如是使用者行為）所需滿足的第一MC例如是具有合理的使用者體驗（例如要求反應時間短）、使用者習慣（例如習慣白天使用）、使用者類型（例如年輕人）、使用者密度（例如高密度）及使用者情境（例如擴增實境（augmented reality，AR））等參數/組態值，但可不限於此。
基於相似的概念，在步驟S313中，處理器104還可基於新穎性搜尋演算法在第二初始個體中找出多個第二參考個體。亦即，處理器104可基於KNN而在上述第二初始個體中找出所述第二參考個體，藉以讓所找出的各個第二參考個體彼此之間具備一定程度的差異性。
並且，各第二參考個體的第二基因可滿足第二MC。以第一實施例為例，屬於第二種群的第二參考個體（例如是政策、意圖或RAN分析）所需滿足的第二MC例如是需能夠用於進行對應的開環控制（例如各基因具有合理的參數/組態值），但可不限於此。
再以第二實施例為例，屬於第二種群的第二參考個體（例如是網路拓樸）所需滿足的第二MC例如是具有合理的RU（例如大量的RU）、DU（例如低耗能）、CU（例如高計算量）及MEC伺服器（例如大量的MEC伺服器）等參數/組態值，但可不限於此。
在基於以上教示取得屬於第一種群的多個第一參考個體及屬於第二種群的多個第二參考個體之後，所述多個第一參考個體及第二參考個體即可用於進行本發明實施例提出的共同演化過程，以下將作進一步說明。
接著，在步驟S314中，處理器104可基於各第一參考個體的所述多個第一基因決定各第一參考個體的第一適應度，以及在步驟S315中基於各第二參考個體的所述多個第二基因決定各第二參考個體的第二適應度。
一般而言，共同演化過程可大致分為合作式共同演化（例如「蘭花」與「蛾類」）及競爭式共同演化（例如「長頸鹿」與「樹木」）。在本發明第一實施例中，由於第一種群及第二種群的共同目標皆為提高OPNF及降低OPEX，因此可視為是合作式共同演化。
在此情況下，對於可提高OPNF及降低OPEX的第一參考個體及第二參考個體而言，其對應的第一/第二適應度可越高。
另一方面，在本發明第二實施例中，由於第一種群的目標（例如流量大、頻寬高、延遲低、功耗小、覆蓋大、連接穩）大致衝突於及第二種群的目標（例如節點數較少、用電量較低、鏈路數較少、發熱量較低），因此可視為是一種競爭式共同演化。
在此情況下，對於流量大、頻寬高、延遲低、功耗小、覆蓋大、連接穩的第一參考個體而言，其對應的第一適應度可越高。相對地，對於節點數較少、用電量較低、鏈路數較少、發熱量較低的第二參考個體而言，其對應的第二適應度可越高。
在決定各第一參考個體的第一適應度之後，在步驟S316中，處理器104可將上述第一參考個體分配於一第一演化圖譜（evolutionary graph）中。在不同的實施例中，設計者可依需求而選定合適的演化圖譜作為上述第一演化圖譜。
請參照圖4，其是依據本發明之一實施例繪示的具不同型態的演化圖譜。在圖4中，共示出4種不同的演化圖譜410~440，而在各個演化圖譜410~440中，每個節點（繪示為圓圈）代表屬於同一種群的個體，且各節點可透過邊線（edge）而與相鄰的節點連接。在圖4中，各個邊線可經指派有對應的邊權重（edge weight），而具有越高邊權重的邊線可繪示為越粗的態樣。並且，各演化圖譜410~440可包括樞紐（hub）（例如各演化圖譜410~440中以虛線框起的區域）及分支（branch）。與演化圖譜410~440有關的細節可參照「Pavlogiannis, A., Tkadlec, J., Chatterjee, K. et al. Construction of arbitrarily strong amplifiers of natural selection using evolutionary graph theory. Commun Biol 1, 71 (2018)」，於此不另贅述。在不同的實施例中，各演化圖譜410~440可依設計者的需求而以各種可能的形式存在，例如某些特定的資料結構、樣板等，但可不限於此。
在一實施例中，在選定所需的第一演化圖譜之後，處理器104可將先前所取得的所述多個第一參考個體作為第一演化圖譜中的第一節點而分配至第一演化圖譜中。舉例而言，假設第一演化圖譜中的每個分支都對應於一個特定的應用領域（應用領域例如為智慧製造、自駕車、物聯網、智慧醫療、智慧交通等，應用領域可存於參數/組態值中，或是設計者自行定義），則處理器104可將與特定應用領域有關的第一參考個體分配至第一演化圖譜中對應的分支中，並將與特定應用領域無關的第一參考個體分配至第一演化圖譜的樞紐中。在其他實施例中，設計者亦可依設計上的需求而調整將上述第一參考個體分配於第一演化圖譜中的方式，但可不限於此。於另一實施例中，處理器104依照上述第一參考個體的參數/組態值將其分配於第一演化圖譜中。
相似地，在決定各第二參考個體的第二適應度之後，處理器104可在步驟S317中將上述第二參考個體分配於第二演化圖譜中。在不同的實施例中，設計者亦可依需求而選定合適的演化圖譜作為上述第二演化圖譜。並且，處理器104將上述第二參考個體分配於第二演化圖譜的方式可參照將第一參考個體分配於第一演化圖譜中的相關說明，於此不另贅述。
之後，在步驟S318中，處理器104可於第一演化圖譜中繁衍多個第一子代個體。並且，處理器104可執行步驟S319中以於第二演化圖譜中繁衍多個第二子代個體。在本發明的實施例中，上述第一子代個體屬於多個第一世代，上述第二子代個體屬於多個第二世代，且各第一子代個體與各第二子代個體係經歷共同演化過程繁衍而得。
以第一演化圖譜為例，其可理解為包括多個第一節點，而各個第一節點可視為對應於當下屬於第一種群的一個個體（例如是某個第一參考個體或其子代，並可具有對應的第一適應度）。詳細而言，第一種群中的個體將隨著演化的過程而出現新的子代，而年紀較大的個體也會在演化的過程中被淘汰。在此情況下，第一演化圖譜中的各個第一節點係假設為對應於尚未被淘汰的個體。
在一實施例中，在基於第一演化圖譜進行繁衍時，處理器104可經配置以執行：（a）在屬於第一種群的上述個體中選擇第一候選個體（例如是某個第一參考個體或其後代之一），並在上述第一節點中找出對應於此第一候選個體的第一特定節點；（b）繁衍此第一候選個體以產生至少一第二候選個體（即，第一候選個體的子代），並基於此第一特定節點的各邊線的邊權重而以對應於上述第二候選個體的至少一第二特定節點取代相鄰於第一特定節點的至少一相鄰節點；（c）反應於判定累計演化時間（例如是處理器104從取得第一參考個體起算的累計時間）已到達一時間門限值（其可由設計者依需求而定），以第一種群當下包括的個體作為上述第一子代個體，反之則返回步驟(a)。
請參照圖5，其是依據本發明之一實施例繪示的於第一演化圖譜中進行繁衍的示意圖。在圖5中，假設所考慮的第一演化圖譜500具有所示態樣（其包括數個分支及一個樞紐510a），而其中的每個節點（繪示為圓圈）皆為第一種群所包括的一個個體。在本實施例中，第一種群中的各個體被選作為第一候選個體的機率可正相關於各個體的第一適應度。
如圖5所示，在演化階段S1中，假設某第一候選個體被選定，而其對應於節點511（即，第一特定節點），且節點511下方邊線的邊權重較大。在此情況下，對應於第二候選個體（即，第一候選個體的子代）的節點512（即，第二特定節點）較容易取代原本位於節點511下方的節點（即，節點511朝下方蔓延）。同樣地，節點512亦可基於相似方式朝下方的節點進一步蔓延，從而形成階段S2的狀況。
在階段S3中，當節點511的子代蔓延至樞紐510中時，可隨著後續的繁衍而逐漸取代樞紐510a中的每個節點，如階段S4所示。之後，樞紐510a可再往其他的分支持續蔓延（如階段S5所示），直至節點511的子代完全取代整個第一演化圖譜500。
在本發明的實施例中，處理器104在第一演化圖譜500中以第二特定節點取代相鄰節點的細節可參照「Pavlogiannis, A., Tkadlec, J., Chatterjee, K. et al. Construction of arbitrarily strong amplifiers of natural selection using evolutionary graph theory. Commun Biol 1, 71 (2018)」中關於強放大器（strong amplifier）的說明，其細節於此不另贅述。
相似地，在基於第二演化圖譜（其可包括對應於當下屬於第二種群的一個個體）時，處理器104亦可執行與步驟（a）~（c）相似的操作。舉例而言，處理器104可經配置以執行：（d）在屬於第二種群的上述個體中選擇第三候選個體（例如是某個第二參考個體或其後代之一），並在上述第二節點中找出對應於此第三候選個體的第三特定節點；（e）繁衍此第三候選個體以產生至少一第四候選個體（即，第三候選個體的子代），並基於此第三特定節點的各邊線的邊權重而以對應於上述第四候選個體的至少一第四特定節點取代相鄰於第三特定節點的至少一相鄰節點；（f）反應於判定累計演化時間（例如是處理器104從取得第二參考個體起算的累計時間）已到達一時間門限值（其可由設計者依需求而定），以第二種群當下包括的個體作為上述第二子代個體，反之則返回步驟(d)。
在不同的實施例中，處理器104可採用不同的方式繁衍上述第一/第三候選個體以產生對應的第二/第四候選個體。
舉例而言，在第一實施例中，所選的第一候選個體（的第一基因）可用於實現對應的閉環控制，從而得到實際的OPEX及OPNF。在此情況下，處理器104可在選定第三候選個體後，藉由改變第三候選個體的一部分基因（即，突變）來產生第四候選個體，其中第四候選個體可理解為在開環控制中所採用的目標OPEX及OPNF。在一實施例中，處理器104可將上述實際的OPEX及OPNF作為改變第三候選個體的一部分基因的依據。例如，若實際的OPEX及OPNF較不理想，則處理器104可藉由所繁衍的第四候選個體的基因來相應地降低開環控制中所採用的目標OPEX及OPNF。
之後，在處理器104再次進行第一種群中的繁衍時，可在選定第一候選個體後，藉由改變第一候選個體的一部分基因（即，突變）來產生第二候選個體，其中第二候選個體可用於實現另一次閉環控制，從而得到實際的OPEX及OPNF。在一實施例中，處理器104可將上述目標的OPEX及OPNF作為改變第一候選個體的一部分基因的依據。例如，若目標的OPEX及OPNF設定的較高，則處理器104可在產生第二候選個體時調整一部分的基因以試圖達到更佳的OPEX及OPNF。
藉此，可讓第一實施例的第一種群及第二種群在進行繁衍時呈現合作式共同演化的型態。
在第二實施例中，在於第一種群（即，使用者行為）中選定第一候選個體之後，處理器104可藉由改變第一候選個體的一部分基因（即，突變）來產生第二候選個體，其中處理器104例如可基於第二種群（即，網路拓樸）中當下所有個體的基因來決定應如何改變第一候選個體的基因，以產生第二候選個體。舉例而言，若第二種群中當下的所有個體皆呈現為RU較少的情形，則處理器104例如可相應地在第二候選個體中選用較長的反應時間來設定「使用者體驗」的基因，但可不限於此。
相似地，在於第二種群（即，網路拓樸）中選定第三候選個體之後，處理器104可藉由改變第三候選個體的一部分基因（即，突變）來產生第四候選個體，其中處理器104例如可基於第一種群（即，使用者行為）中當下所有個體的基因來決定應如何改變第三候選個體的基因，以產生第四候選個體。舉例而言，若第二種群中當下的所有個體皆呈現希望更短的反應時間，則處理器104例如可相應地在第四候選個體中選用略高的RU數量來設定「RU」的基因，但可不限於此。
然而，就營運的成本而言，一般不會無止盡地依據使用者的要求而部署對應的硬體設備。舉例而言，若使用者行為要求流量大10%、頻寬高5%、延遲低20%、功耗小30%、覆蓋大40%、連接穩50%，則處理器104所產生的第四候選個體可能不會完全符合上述要求，而是會略低於上述要求（例如節點數多10%（而不是20%）、用電量高20%（而不是30%）、鏈路數多25%（而不是35%）、發熱量高15%（而不是25%））。
藉此，可讓第二實施例的第一種群及第二種群在進行繁衍時呈現競爭式共同演化的型態。此外，由於第一/第二實施例中的共同演化過程未設定有任何的演化目標，故亦可理解為一種開放式的共同演化。
在本發明的實施例中，處理器104在第二演化圖譜中以第四特定節點取代相鄰節點的細節亦可參照「Pavlogiannis, A., Tkadlec, J., Chatterjee, K. et al. Construction of arbitrarily strong amplifiers of natural selection using evolutionary graph theory. Commun Biol 1, 71 (2018)」中關於強放大器的說明，其細節於此不另贅述。
在依上述教示繁衍而得到第一種群的多個第一子代個體之後，處理器104可執行步驟S320以將所述多個第一子代個體定義為所述多個第一個體。亦即，在第一種群已持續繁衍達到對應的時間門限值時，處理器104可將當下屬於第一種群的個體視為步驟S210中提及的第一個體。相似地，在依上述教示繁衍而得到第二種群的多個第二子代個體之後，處理器104可執行步驟S321以將所述多個第二子代個體定義為所述多個第二個體。亦即，在第二種群已持續繁衍達到對應的時間門限值時，處理器104可將當下屬於第二種群的個體視為步驟S210中提及的第二個體。
請再次參照圖2，在依上述教示取得步驟S210中的第一個體及第二個體之後，處理器104可執行步驟S220以取得多個模式生成網路產生的多個任務網路。
在一些實施例中，由於上述第一個體及第二個體需在之後的操作中作為訓練資料來使用，故在執行步驟S220之前，處理器104還可額外進行一些預處理，以將第一/第二個體中不適合作為訓練資料的一部分濾除，以改進之後的訓練效果，但可不限於此。
在一實施例中，上述各模式生成網路例如是複合模式生成網路（Compositional pattern-producing network，CPPN），而處理器104可使用一擴增拓撲神經（NeuroEvolution of Augmenting Topologies，NEAT）網絡產生上述模式生成網路。在一些實施例中，上述NEAT可基於HyperNEAT演算法演化而得到上述模式生成網路。另外，由NEAT演化而得的多個模式生成網路可個別用於產生一任務網路（task network），而NEAT經演化而得到上述模式生成網路的細節，以及模式生成網路個別產生任務網路的細節可參照HyperNEAT的相關文獻，於此不另贅述。
之後，在步驟S230中，處理器104可基於一多目標函數以前述第一個體及前述第二個體訓練各任務網路，並評估訓練後的各任務網路的準確度。
在一實施例中，所述多個第一個體及所述第二個體可由相關人員基於最佳實務（best practice）做人工對應（標註），或者使用演算法做自動對應（標註）。上述最佳實務可以來自意圖（intent）、歷史經驗或者理論推導，但可不限於此。
舉例而言，對於「使用者行為」（即，第一種群）中某個使用者行為A（即，第一個體）而言，處理器104可在「網路拓樸」（即，第二種群）中找出某個設計者認為應相應於使用者行為A所採用的網路拓樸B作為對應的第二個體，並加以標註，但可不限於此。在一些實施例中，所述多個第一個體與所述多個第二個體之間可以是一對一（例如，一個使用者行為對應於一個網路拓樸）或多對一（例如，多個使用者行為對應於同一個網路拓樸）的對應關係，但可不限於此。
之後，處理器104即可基於彼此對應的第一個體及第二個體訓練各個CPPN所產生的任務網路。
請參照圖6，其是依據本發明之一實施例繪示的訓練任務網路的示意圖。如圖6所示，對於NEAT網路601所演化的其中一個CPPN 602而言，其可產生任務網路603。
在本實施例中，任務網路603可為一雙層網路，各層可包括多個神經元，而一層的神經元僅會與另一層的神經元建立連線，不會與同層的神經元建立連線。對於不同CPPN所產生的任務網路而言，主要的差別在於所述雙層網路的連線方式不同，而神經元連線的權重將在任務網路的訓練過程中而被更新。
在圖6中，任務網路603可基於（
Figure 02_image001
）和（
Figure 02_image003
）等共4個輸入值定義任二神經元的位置，而CPPN輸出的則是任務網路中任意兩神經元間連線的權重值。權重值若為0相當於（
Figure 02_image001
）未連接於（
Figure 02_image003
）。
在訓練任務網路603時，對於彼此對應的某個第一個體C及第二個體D而言，處理器104可將第一個體C轉換為對應的輸入特徵向量611並輸入至任務網路603，以對任務網路603進行訓練。在一實施例中，在任務網路603接收輸入特徵向量611之後，可相應地產生一輸出向量，而處理器104可藉由調整任務網路603內神經元的權重來讓上述輸出向量趨近於對應於第二個體D的特徵向量，但可不限於此。對於本領域具通常知識者而言，如何基於彼此對應的第一個體及第二個體對任務網路603進行訓練可參照相關的現有技術文獻，於此不另贅述。
應了解的是，在不同的實施例中，處理器104在訓練任務網路603時所採用的多目標函數可包括各任務網路603的多個特性。
以第一實施例而言，處理器104所採用的多目標函數例如是
Figure 02_image005
，其中
Figure 02_image007
對應於目標的OPNF，
Figure 02_image009
可對應於目標的OPEX。另外，Norm（x）運算子可用於把x進行正規化，並將其限制於0與1之間。
由第一實施例的多目標函數可看出，處理器104訓練任務網路603的方向係朝向較高的OPNF及較低的OPEX，但可不限於此。
再以第二實施例而言，處理器104所採用的多目標函數例如是
Figure 02_image011
，其中
Figure 02_image007
可對應於節點數、
Figure 02_image009
可對應於用電量、
Figure 02_image013
可對應於鏈路數、
Figure 02_image015
可對應於發熱量。由第二實施例的多目標函數可看出，處理器104訓練任務網路603的方向係朝向較少的節點數、較小的用電量、較少的鏈路數及較小的發熱量，但可不限於此。
對於每個CPPN所產生的任務網路而言，處理器104皆可依據以上教示對各個任務網路進行訓練。並且，在完成每個任務網路的訓練之後，處理器104可評估各個任務網路的準確度（accuracy）。在一實施例中，任務網路的準確度例如可理解為其與多目標函數中所期望的目標的貼近程度。亦即，任務網路越貼近於多目標函數中設定的目標，其準確度即越高。在不同的實施例中，上述準確度例如是訓練準確度（training accuracy）或是測試準確度（testing accuracy），但可不限於此。
在評估各任務網路的準確度之後，在步驟S240中，處理器104可基於各任務網路的準確度決定對應的模式生成網路的適應度分數。再以圖6為例，在評估任務網路603的準確度之後，處理器104可相應地決定CPPN 602的適應度分數。在一實施例中，CPPN 602的適應度分數可正相關於對應CPPN 602的任務網路603的準確度。亦即，任務網路603的準確度越高，CPPN 602的適應度分數越高，反之亦反。於另一實施例中，依需求將準確度轉換為適應度分數，例如將評估任務網路603的準確度加總轉換為CPPN 602的適應度分數，或者將準確度賦予權重、賦予相關係數或添加預設的數值後相加，視設計需求而定，可不限於此。
之後，在步驟S250中，處理器104可基於各模式生成網路的適應度分數從前述模式生成網路中找出特定模式生成網路，並在前述任務網路中挑選對應於特定模式生成網路的特定任務網路。在一實施例中，處理器104可在上述模式生成網路中找出具有最高適應度分數的一者作為所述特定模式生成網路。舉例而言，假設CPPN 602在NEAT網路601所演化出的模式生成網路中具有最高適應度分數，則處理器104可相應地將挑選任務網路603作為上述特定任務網路，但可不限於此。
之後，處理器104可僅保留所找到的特定模式生成網路及其所產生的任務網路，並汰除其餘的CPPN及任務網路。為便於說明，以下將分別以CPPN 602及任務網路603作為所述特定模式生成網路及所述特定任務網路的例子，但本發明可不限於此。
之後，在不同的實施例中，所述特定任務網路即可用於基於所取得的第一種群的感測資料（例如第一實施例中的閉環控制的參數/組態值及第二實施例中的使用者行為的參數/組態值）而相應地推理應如何設定第二種群的實例（instance）的動作。
請參照圖7，其是依據本發明之一實施例繪示的基於感測資料決定動作的系統示意圖。在圖7中，系統700可包括感測電路701、通信電路702、儲存電路703及處理器704。在一實施例中，感測電路701可用於取得第一實施例中閉環控制的某個實例的相關參數值/組態值，或是第二實施例中使用者行為的某個實例的相關參數值/組態值。另外，通信電路702例如是各式無線收發器，並可依處理器704的控制而將信號/命令發送至指定的裝置。
儲存電路703及處理器704的各種可能的實施方式可參照儲存電路102及處理器104的說明，於此不另贅述。
請參照圖8，其是依據本發明之一實施例繪示的基於感測資料決定動作的方法流程圖。本實施例的方法可由圖7所示的處理器704執行，但可不限於此。此外，為便於理解圖8的內容，以下另輔以圖9作進一步說明，其中圖9是依據本發明之一實施例繪示的基於感測資料決定動作的示意圖。
首先，在步驟S810中，處理器704可取得感測資料，並將感測資料映射為輸入特徵向量911，其中所述感測資料可包括屬於第一特定個體的多個感測屬性，且第一特定個體可屬於第一種群（例如第一實施例中的「閉環控制」或第二實施例中的「使用者行為」）。
舉例而言，在第一實施例中，所述感測資料可以是某個閉環控制實例的控制功能或經訓練模型的相關參數/組態值。另外，在第二實施例中，所述感測資料例如是某個使用者行為實例的相關參數/組態值（例如某個特定的使用者體驗、使用者習慣、使用者類型、使用者密度及使用者情境）。
在不同的實施例中，上述感測資料亦可以由連接於系統700的其他裝置所提供，但可不限於此。在取得感測資料之後，處理器104可將感測資料映射為可用於輸入至特定任務網路912（例如任務網路603）的輸入特徵向量911，而相關的映射細節可參照相關的現有技術文獻，於此不另贅述。
之後，在步驟S820中，處理器704可將輸入特徵向量911饋入特定任務網路912（例如，任務網路603，其可由處理器104提供予系統700），以由特定任務網路912產生輸出特徵向量913。
在第一實施例中，輸出特徵向量913例如是對應於某個開環控制的相關參數/組態值的組合的特徵向量。另外，在第二實施例中，輸出特徵向量913例如是對應於某個網路拓樸的相關參數/組態值的組合的特徵向量（例如是圖形卷積網路（Graph Convolutional Network，GCN）特徵）。
之後，在步驟S830中，處理器704可依據輸出特徵向量913決定輸出動作，並基於輸出動作設定第二特定個體，其中所述第二特定個體可屬於第二種群（例如第一實施例中的「開環控制」或第二實施例中的「網路拓樸」）。
在一實施例中，處理器704可直接以完全對應於輸出特徵向量913的輸出動作來設定上述第二特定個體。例如，在第一實施例中，處理器704可在產生對應於某個開環控制的參數/組態值組合的輸出特徵向量913之後，以所述開環控制的參數/組態值組合執行對應的開環控制。舉另一例而言，在第二實施例中，處理器704可在產生對應於某個網路拓樸的參數/組態值組合的輸出特徵向量913之後，以所述網路拓樸的參數/組態值組合對網路拓樸進行設定或基於轉換後的特徵向量架構網路拓樸。
然而，上述以完全對應於輸出特徵向量913的輸出動作來設定上述第二特定個體在某種程度上可謂缺少一定的彈性，因此本發明實施例另提出使用分類器914以基於輸出特徵向量913決定輸出動作的手段，以期提高執行上的彈性。
在一實施例中，處理器704可將輸出特徵向量913輸入至分類器914，以由分類器914在多個預設動作A1~AN中找出對應於輸出特徵向量913的特定動作。之後，處理器704可再將所找出的特定動作定義為上述輸出動作。
在一些實施例中，分類器914（例如是支持向量機（support vector machine，SVM）），而其可經由一定的訓練過程訓練而得。舉例而言，對於由特定任務網路912所產生的各式輸出特徵向量而言，設計者可預先決定（即，標註）各個輸出特徵向量應對應於預設動作A1~AN中的何者，而各個預設動作A1~AN除了可包括完全對應於某個輸出特徵向量的動作之外，還可額外加入設計者所欲執行的其他動作。
藉此，在完成分類器914的訓練之後，當分類器914接收到輸出特徵向量913時，便可相應地在預設動作A1~AN中找出對應於輸出特徵向量913的特定動作，而此特定動作除了可包括完全對應於輸出特徵向量913的動作之外，還可包括其他額外的動作。藉此，可增加執行上的彈性。
例如，在第一實施例中，處理器704可在產生對應於某個開環控制的參數/組態值組合的輸出特徵向量913之後，由分類器914在預設動作A1~AN中找出對應於輸出特徵向量913的特定動作。在第一實施例中，所述特定動作除了包括以所述開環控制的參數/組態值組合執行對應的開環控制的相關動作之外，還可包括其他設計者認為可一併執行的動作，但可不限於此。
舉另一例而言，在第二實施例中，處理器704可在產生對應於某個網路拓樸的參數/組態值組合的輸出特徵向量913之後，由分類器914在預設動作A1~AN中找出對應於輸出特徵向量913的特定動作。在第二實施例中，所述特定動作除了包括以所述網路拓樸的參數/組態值組合對網路拓樸進行設定的相關動作之外，還可包括其他設計者認為可一併執行的動作，但可不限於此。
在一實施例中，在決定輸出動作之後，處理器704可控制通信電路702將此輸出動作發送至屬於第二種群的第二特定個體，以相應地設定第二特定個體。例如，在第二實施例中，所述第二特定個體例如是一個網路拓撲實例，而其可依據上述輸出動作調整成GCN轉換後的特徵所形成的向量所描述的網路。相應地，新的5G網路拓撲將再度影響使用者行為。
請參照圖10，其是依據本發明之一實施例繪示的演化符號計算（evolutionary symbolic computation）示意圖。在一實施例中，本發明實施例所進行的操作可概略地理解為利用符號函數f以基於屬於空間SP1的情況（例如輸入特徵向量911）而決定屬於空間SP4中的動作（例如上述輸出動作）。然而，本質上而言，本發明實施例所進行的操作實質上係依序將屬於空間SP1的情況轉換為空間SP2中的第一向量，將此第一向量轉換為屬於空間SP3的第二向量，再將此第二向量轉換為屬於空間SP4的動作。在一實施例中，圖10所示的函數F可理解為對應於上述實施例提及的特定任務網路，而對於屬於空間SP2的第一向量而言，函數F可將其轉換為屬於空間SP3的第二向量，但可不限於此。
從另一觀點而言，現有技術中多半透過規則引擎（rule engine）來做規劃或推理，而在本案中係基於大數據進行訓練以完成規劃(planning)或推理(reasoning)，不需要人為設定規則(rule)。
綜上所述，本發明實施例的基於共同演化機制訓練並挑選任務網路的方法大致可理解為包括兩個階段：（1）藉由開放式共同演化的過程來產生屬於第一種群的多個第一個體以及屬於第二種群的多個第二個體；（2）藉由上述第一/第二個體訓練各個模式生成網路的任務網路，並進而找出具最高適應度分數的特定模式生成網路及其所產生的特定任務網路。
在第一個階段中，本發明實施例引入了演化圖譜及強放大器的概念，藉以讓種群中具有較高適應度的個體的子代較有機會蔓延至整個演化圖譜而達到定型（fixation）的效果。藉此，可讓經繁衍而得的第一/第二個體具有較有利的基因，進而提升第二個階段中各任務網路的訓練效果。
另外，在第二個階段中，由於各個模式生成網路的適應度分數係依據對應的任務網路的準確度而定，而所挑選到的特定模式生成網路例如是具最高適應度分數的一者，進而可讓其對應的任務網路作為後續基於感測資料決定動作的特定任務網路。
藉此，在取得對應於第一種群的感測資料時，所述特定任務網路及分類器即可相應地決定適合的輸出動作，進而在第一實施例中達到提升OPNF/降低OPEX的效果，以及在第二實施例中達到讓網路拓樸的相關參數/組態值能夠因應於使用者行為進行調整的效果。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
100:伺服器 102,703:儲存電路 104,704:處理器 410,420,430,440:演化圖譜 500:第一演化圖譜 511,512:節點 510a:樞紐 601:NEAT網路 602:CPPN 603:任務網路 611,911:輸入特徵向量 700:系統 701:感測電路 702:通信電路 912:特定任務網路 913:輸出特徵向量 914:分類器 A1~AN:預設動作 S1~S6:階段 S210~S250,S311~S321,S810~S830:步驟 SP1~SP4:空間
圖1是依據本發明之一實施例繪示的伺服器示意圖。 圖2是依據本發明之一實施例繪示的基於共同演化機制訓練並挑選任務網路的方法流程圖。 圖3是依據本發明之一實施例繪示的取得第一個體及第二個體的流程圖。 圖4是依據本發明之一實施例繪示的具不同型態的演化圖譜。 圖5是依據本發明之一實施例繪示的於第一演化圖譜中進行繁衍的示意圖。 圖6是依據本發明之一實施例繪示的訓練任務網路的示意圖。 圖7是依據本發明之一實施例繪示的基於感測資料決定動作的系統示意圖。 圖8是依據本發明之一實施例繪示的基於感測資料決定動作的方法流程圖。 圖9是依據本發明之一實施例繪示的基於感測資料決定動作的示意圖。 圖10是依據本發明之一實施例繪示的演化符號計算示意圖。
S210~S250:步驟

Claims (16)

  1. 一種基於共同演化機制訓練並挑選任務網路的方法，包括： 取得屬於一第一種群的多個第一個體以及屬於一第二種群的多個第二個體，其中該些第一個體及該些第二個體係經由一共同演化過程演化而得； 取得多個模式生成網路產生的多個任務網路； 基於一多目標函數以該些第一個體及該些第二個體訓練各該任務網路，並評估訓練後的各該任務網路的一準確度，其中該多目標函數包括各該任務網路的多個特性； 基於各該任務網路的該準確度決定對應的該模式生成網路的一適應度分數，且各該模式生成網路的該適應度分數正相關於對應該模式生成網路的該任務網路的該準確度； 基於各該模式生成網路的該適應度分數從該些模式生成網路中找出一特定模式生成網路，並在該些任務網路中挑選對應於該特定模式生成網路的一特定任務網路。
  2. 如請求項1所述的方法，其中取得屬於該第一種群的該些第一個體的步驟包括： 取得屬於該第一種群的多個第一參考個體，其中各該第一參考個體具有多個第一基因； 基於各該第一參考個體的該些第一基因決定各該第一參考個體的一第一適應度； 將該些第一參考個體分配於一第一演化圖譜中，並於該第一演化圖譜中繁衍多個第一子代個體，且各該第一子代個體與屬於該第二種群的多個第二子代個體係經歷該共同演化過程繁衍而得； 將該些第一子代個體定義為該些第一個體。
  3. 如請求項2所述的方法，其中取得屬於該第二種群的該些第二個體的步驟包括： 取得屬於該第二種群的多個第二參考個體，其中各該第二參考個體具有多個第二基因； 基於各該第二參考個體的該些第二基因決定各該第二參考個體的一第二適應度； 將該些第二參考個體分配於一第二演化圖譜中，並於該第二演化圖譜中繁衍該些第二子代個體，該些第二子代個體係與該些第一子代個體經歷該共同演化過程繁衍而得； 將該些第二子代個體定義為該些第二個體。
  4. 如請求項3所述的方法，其中取得屬於該第一種群的該些第一參考個體，以及取得屬於該第二種群的該些第二參考個體的步驟包括： 隨機產生屬於該第一種群的多個第一初始個體，以及隨機產生屬於該第二種群的多個第二初始個體； 基於一新穎性搜尋演算法在該些第一初始個體中找出該些第一參考個體，以及基於該新穎性搜尋演算法在該些第二初始個體中找出該些第二參考個體，其中各該第一參考個體的該些第一基因滿足一第一最小準則，且各該第二參考個體的該些第二基因滿足一第二最小準則。
  5. 如請求項2所述的方法，其中該第一演化圖譜包括多個第一節點，該些第一節點對應於屬於該第一種群的多個個體，各該第一節點透過至少一邊線連接至相鄰的節點，各該邊線經指派有一邊權重，其中所述方法包括： (a)在屬於該第一種群的該些個體中選擇一第一候選個體，並在該些第一節點中找出對應於該第一候選個體的一第一特定節點； (b)繁衍該第一候選個體以產生至少一第二候選個體，基於該第一特定節點的各該邊線的該邊權重而以對應於該至少一第二候選個體的至少一第二特定節點取代相鄰於該第一特定節點的至少一相鄰節點； (c)反應於判定一累計演化時間已到達一時間門限值，以該第一種群當下包括的該些個體作為該些第一子代個體，反之則返回步驟(a)。
  6. 如請求項5所述的方法，其中該第一候選個體被選定的一機率正相關於該第一候選個體的一適應度。
  7. 如請求項5所述的方法，其中屬於該第一種群該些個體經記錄於一第一種群佇列中，該第一種群佇列具有一預設容量，且所述方法更包括： 反應於判定屬於該第一種群的該些個體及該至少一第二候選個體的一總數大於該預設容量，取得該總數與該預設數量之間的一差值； 從該第一種群佇列中移除年紀最大的一部分個體，並將該至少一第二候選個體加入該第一種群佇列中，其中該部分個體的數量對應於該差值。
  8. 如請求項1所述的方法，其中各該模式生成網路為一複合模式生成網路，且取得該些模式生成網路的步驟包括： 使用一擴增拓撲神經網絡產生該些模式生成網路。
  9. 如請求項1所述的方法，其中該特定模式生成網路在該些模式生成網路中具有一最高適應度分數。
  10. 如請求項1所述的方法，其中該準確度包括一訓練準確度或一測試準確度。
  11. 一種基於感測資料決定動作的方法，包括： 取得一感測資料，並將該感測資料映射為一輸入特徵向量，其中該感測資料包括屬於一第一特定個體的多個感測屬性，該第一特定個體屬於一第一種群； 將該輸入特徵向量饋入一特定任務網路，以由該特定任務網路產生一輸出特徵向量，其中該特定任務網路係基於該第一種群及一第二種群所訓練； 依據該輸出特徵向量決定一輸出動作，並基於該輸出動作設定一第二特定個體，其中該第二特定個體屬於該第二種群。
  12. 如請求項11所述的方法，其中依據該輸出特徵向量決定該輸出動作的步驟包括： 將該輸出特徵向量饋入一分類器，以由該分類器在多個預設動作中找出對應於該輸出特徵向量的一特定動作； 將該特定動作定義為該輸出動作。
  13. 如請求項11所述的方法，其中該特定任務網路係基於屬於該第一種群的多個第一個體及屬於該第二種群多個第二個體所訓練，且該些第一個體及該些第二個體係經由一共同演化過程演化而得。
  14. 一種基於感測資料決定動作的系統，包括： 一感測電路； 一通信電路； 一儲存電路，記錄多個模組； 一處理器，耦接該儲存電路，存取該些模組以執行下列步驟： 從該感測電路取得一感測資料，並將該感測資料映射為一輸入特徵向量，其中該感測資料包括屬於一第一特定個體的多個感測屬性，該第一特定個體屬於一第一種群； 將該輸入特徵向量饋入一特定任務網路，以由該特定任務網路產生一輸出特徵向量，其中該特定任務網路係基於該第一種群及一第二種群所訓練； 依據該輸出特徵向量決定一輸出動作，並控制該通信電路將該輸出動作發送至屬於該第二種群的一第二特定個體，其中該輸出動作用於設定該第二特定個體。
  15. 如請求項14所述的系統，其中該處理器經配置以： 將該輸出特徵向量饋入一分類器，以由該分類器在多個預設動作中找出對應於該輸出特徵向量的一特定動作； 將該特定動作定義為該輸出動作。
  16. 如請求項14所述的系統，其中該處理器經配置以： 取得屬於該第一種群的多個第一個體以及屬於該第二種群的多個第二個體，其中該些第一個體及該些第二個體係經由一共同演化過程演化而得； 取得多個模式生成網路產生的多個任務網路； 基於一多目標函數以該些第一個體及該些第二個體訓練各該任務網路，並評估訓練後的各該任務網路的一準確度，其中該多目標函數包括各該任務網路的多個特性； 基於各該任務網路的該準確度決定對應的該模式生成網路的一適應度分數，且各該模式生成網路的該適應度分數正相關於對應該模式生成網路的該任務網路的該準確度； 基於各該模式生成網路的該適應度分數從該些模式生成網路中找出一特定模式生成網路，並在該些任務網路中挑選對應於該特定模式生成網路的該特定任務網路。
TW109138475A 2020-11-04 2020-11-04 挑選任務網路的方法、基於感測資料決定動作的系統及方法 TWI762015B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
TW109138475A TWI762015B (zh) 2020-11-04 2020-11-04 挑選任務網路的方法、基於感測資料決定動作的系統及方法
CN202011450115.2A CN114528969A (zh) 2020-11-04 2020-12-09 挑选任务网络的方法、基于感测决定动作的系统及方法
US17/148,586 US20220138587A1 (en) 2020-11-04 2021-01-14 Method for selecting task network, system and method for determining actions based on sensing data
EP21162872.2A EP3995998A1 (en) 2020-11-04 2021-03-16 Method for selecting task network, system and method for determining actions based on sensing data
KR1020210048322A KR20220060454A (ko) 2020-11-04 2021-04-14 태스크 네트워크를 선택하기 위한 방법, 센싱 데이터를 기반으로 액션들을 결정하기 위한 시스템 및 방법
JP2021070306A JP7197624B2 (ja) 2020-11-04 2021-04-19 タスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW109138475A TWI762015B (zh) 2020-11-04 2020-11-04 挑選任務網路的方法、基於感測資料決定動作的系統及方法

Publications (2)

Publication Number Publication Date
TWI762015B true TWI762015B (zh) 2022-04-21
TW202219838A TW202219838A (zh) 2022-05-16

Family

ID=74884895

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109138475A TWI762015B (zh) 2020-11-04 2020-11-04 挑選任務網路的方法、基於感測資料決定動作的系統及方法

Country Status (6)

Country Link
US (1) US20220138587A1 (zh)
EP (1) EP3995998A1 (zh)
JP (1) JP7197624B2 (zh)
KR (1) KR20220060454A (zh)
CN (1) CN114528969A (zh)
TW (1) TWI762015B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108428005A (zh) * 2018-01-17 2018-08-21 中山大学 一种基于并行协同演化的高维多目标优化算法
US20200143243A1 (en) * 2018-11-01 2020-05-07 Cognizant Technology Solutions U.S. Corporation Multiobjective Coevolution of Deep Neural Network Architectures
TW202027036A (zh) * 2018-12-28 2020-07-16 國立清華大學 基於深度學習網路的室內場景結構估測系統及其估測方法
CN111813500A (zh) * 2020-07-09 2020-10-23 西北工业大学 一种多目标云工作流调度方法及装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2548143A (en) * 2016-03-10 2017-09-13 Lancaster Univ Business Entpr Ltd Surface modelling
US11250328B2 (en) * 2016-10-26 2022-02-15 Cognizant Technology Solutions U.S. Corporation Cooperative evolution of deep neural network structures
US20190019197A1 (en) * 2017-07-13 2019-01-17 Asapp, Inc Determining to dispatch a technician for customer support
EP3688553A4 (en) * 2017-09-29 2021-07-07 The Brigham and Women's Hospital, Inc. AUTOMATED ASSESSMENT OF HUMAN EMBRYOS
US11481639B2 (en) * 2019-02-26 2022-10-25 Cognizant Technology Solutions U.S. Corporation Enhanced optimization with composite objectives and novelty pulsation
JP7036082B2 (ja) 2019-04-04 2022-03-15 セイコーエプソン株式会社 画像処理装置、機械学習装置、画像処理方法
US11556850B2 (en) * 2019-10-10 2023-01-17 Accenture Global Solutions Limited Resource-aware automatic machine learning system
EP4196918A4 (en) * 2020-08-12 2024-08-21 Cognizant Tech Solutions U S Corporation SYSTEM AND METHOD FOR GENERATING PARAMETRIC ACTIVATION FUNCTIONS

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108428005A (zh) * 2018-01-17 2018-08-21 中山大学 一种基于并行协同演化的高维多目标优化算法
US20200143243A1 (en) * 2018-11-01 2020-05-07 Cognizant Technology Solutions U.S. Corporation Multiobjective Coevolution of Deep Neural Network Architectures
TW202027036A (zh) * 2018-12-28 2020-07-16 國立清華大學 基於深度學習網路的室內場景結構估測系統及其估測方法
CN111813500A (zh) * 2020-07-09 2020-10-23 西北工业大学 一种多目标云工作流调度方法及装置

Also Published As

Publication number Publication date
TW202219838A (zh) 2022-05-16
KR20220060454A (ko) 2022-05-11
CN114528969A (zh) 2022-05-24
US20220138587A1 (en) 2022-05-05
EP3995998A1 (en) 2022-05-11
JP2022075471A (ja) 2022-05-18
JP7197624B2 (ja) 2022-12-27

Similar Documents

Publication Publication Date Title
Binh et al. Improved cuckoo search and chaotic flower pollination optimization algorithm for maximizing area coverage in wireless sensor networks
Chen et al. An intelligent robust networking mechanism for the Internet of Things
US20210003412A1 (en) Method and Device of Path Optimization for UAV, and Storage Medium thereof
Hegazy et al. Comparative study between FPA, BA, MCS, ABC, and PSO algorithms in training and optimizing of LS-SVM for stock market prediction
CN110428046B (zh) 神经网络结构的获取方法及装置、存储介质
JP2023510566A (ja) ニューラル・ネットワークのための適応的探索方法および装置
Benuwa et al. A comprehensive review of Particle swarm optimization
CN115499376B (zh) 一种负载均衡方法、系统、电子设备及存储介质
WO2020026741A1 (ja) 情報処理方法、情報処理装置及び情報処理プログラム
Singh An energy aware clustering and data gathering technique based on nature inspired optimization in WSNs
CN107295453A (zh) 一种无线传感器网络数据融合方法
Kushwah et al. A modified whale optimization algorithm to overcome delayed convergence in artificial neural networks
CN106789320A (zh) 一种用于优化无线传感器网络拓扑的多种群协同进化方法
WO2024016739A1 (zh) 训练神经网络模型的方法、电子设备、云端、集群及介质
CN115329985B (zh) 无人集群智能模型训练方法、装置和电子设备
Xu et al. Improved fish migration optimization with the opposition learning based on elimination principle for cluster head selection
TWI762015B (zh) 挑選任務網路的方法、基於感測資料決定動作的系統及方法
Thathachar et al. Parallel algorithms for modules of learning automata
CN104702497A (zh) 一种基于Sarsa算法和蚁群优化的路由控制算法
Feng Self-generation fuzzy modeling systems through hierarchical recursive-based particle swarm optimization
Nithya et al. Different Optimization Technique for Ant Cluster Head and Routing Protocol in Wireless Sensor Networks
CN106130861B (zh) 一种基于小生境的多目标粒子群优化的虚拟网络映射方法
Gopalan et al. An energy efficient routing protocol with fuzzy neural networks in wireless sensor network
Vatan Soft Computing based Clustering Protocols in IoT for Precision and Smart Agriculture: A Survey
WO2024159986A1 (zh) 一种无线局域网络动态阈值参数生成方法及装置