一种具有内在并行能力的多尺度量子谐振子优化方法技术

本发明专利技术属于函数优化技术领域。为了解决现有的函数优化算法并行效率低，最优解位置容易丢失等技术问题，本发明专利技术提供一种具有内在并行能力的多尺度量子谐振子优化方法，包括步骤：S101.设定σmin的值，设定σs的值；在f(x)的定义域内随机抽取K个第一随机数；S102.将σs和第一随机数按照正态分布生成K个第二随机数；S103.将K个第一随机数代入f(x)得到K个第一函数值；将K个第二随机数代入f(x)得到K个第二函数值；S104.对于任意xi，和xi’，若f(xi’)<f(xi)，则将xi用xi'替换，如有替换则返回执行步骤S102，如无替换则进行步骤S105；S105.将X

A multiscale quantum harmonic oscillator optimization method with intrinsic parallelism

The invention belongs to the technical field of function optimization. In order to solve the existing function optimization algorithm for parallel low efficiency, optimal solution of technical problems easily lost position, the invention provides an sub optimization method, multi-scale quantum resonant internal parallel ability includes the steps of: S101. set sigma min value, set the value of s in sigma; f (x) in the domain of random the K selected the first random number; S102. s and the first random number according to the normal distribution of random numbers generated K second; S103. K will be a first random number into f (x) K first function value; the K second random numbers by F (x) K second S104. function value; for any Xi, and Xi, if f (XI) < f (XI), Xi will be replaced by xi', such as the replacement returns perform steps S102, as there is no replacement for step S105; S105. X

【技术实现步骤摘要】
一种具有内在并行能力的多尺度量子谐振子优化方法
本专利技术属于函数优化人工智能
，具体涉及一种具有内在并行能力的多尺度量子谐振子优化方法。
技术介绍
随着计算机人工智能的快速发展，通过云计算平台及大数据分析解决的问题越来越多。而在众多需要云计算平台解决的问题中，常常需要做的是通过收敛的方式求最优解，如从一个地方到另一个地方用时最短，能量消耗最低，方案最优等，一般来说，任何的问题都可以转换成数学目标函数，通过求解目标函数的最优解从而使问题得到解决。然而，由于求最优解的过程需要的计算量很大，通常需要通过云计算进行解决。2016年文献(王鹏，黄焱.具有能级稳定过程的MQHOA优化算法[J].通信学报,2016,37(7):79-86)引入能级稳定过程改进了MQHOA算法，提出了具有能级稳定过程的MQHOA优化算法，该方法目前存在两个缺陷：(1)能级稳定过程是MQHOA算法的核心迭代过程，但由于每次迭代均需要计算k个高斯采样中心位置的标准差σk，从而使各个高斯采样区域采样操作不能独立进行，这一问题使算法在并行集群上运行时需要频繁的进行消息传递来计算标准差，并行效率很低。这一缺陷造成算法无法有效利用基于大规模集群技术的高性能计算机实现对超高维复杂函数的优化工作。(2)从物理模型上看目前算法的能级下降判据为两次能级稳定操作之间k个高斯采样中心位置的标准差σk之差(Δσk＝|σk-σk′|)小于当前尺度，这一判据不能保证算法在亚稳态的完全稳定，使算法在各局部最优区域迭代不充分，可能造成最优解位置的丢失。
技术实现思路
本专利技术的目的在于解决以上现有技术中存在的技术问题的至少一项，提供一种在大规模并行计算机上可以高效的运行、算法流程精简、显著提高云计算平台计算效率的具有内在并行能力的多尺度量子谐振子优化方法。本专利技术的目的是通过以下技术方案实现的：一种具有内在并行能力的多尺度量子谐振子优化方法，包括步骤：S101.设定最小标准差的值σmin，设定标准差σs的值；在目标函数f(x)的定义域[min，max]内随机抽取K个第一随机数，即x1，x2，x3，…，xi，…，xk；S102.将标准差σs和K个第一随机数分别代入正态分布公式按照所述正态分布公式在定义域[min，max]内分别生成相应的K个第二随机数，即x1’，x2’，x3’，…,xi’，…，xk’；S103.将所述K个第一随机数分别代入目标函数f(x)得到K个第一函数值，即f(x1)，f(x2)，f(x3)，…，f(xi)，…，f(xk)；将所述K个第二随机数分别代入目标函数f(x)得到K个第二函数值，即f(x1’)，f(x2')，f(x3')，…，f(xi’)，…，f(xk’)；S104.对于任意xi，和xi’，若f(xi’)<f(xi)，则将xi的值用xi'的值替换，如有替换发生则返回执行步骤S102，如无替换发生则进行步骤S105；S105.将K个第一函数值中的最大值f(xworst)的自变量Xworst的值，用当前K个Xi的平均值Xmean进行替换，执行步骤S106；S106.若K个高斯采样中心位置Xi的标准差σk大于σs，则返回执行步骤S102；否则将标准差σs的值缩小后，执行步骤S107；S107.若标准差的值σs大于σmin，则返回执行步骤S102，否则将K个第一函数值中的最小值f(xbest)及其自变量xbest作为结果输出，得到最优解xbest和f(xbest)；其中，K为正整数；i为正整数，1≤i≤K；max为定义域的最大值；min为定义域的最小值。进一步的改进是，所述的一种具有内在并行能力的多尺度量子谐振子优化方法，在所述步骤S101中设定标准差σs的值为max与min的差值的绝对值。进一步的改进是，一种具有内在并行能力的多尺度量子谐振子优化方法，所述步骤S106，若K个高斯采样中心位置Xi的标准差σk＜σs，则将标准差σs的值缩小一半后，执行步骤S107。进一步的改进是，一种具有内在并行能力的多尺度量子谐振子优化方法，所述步骤S107，若标准差的值σs<σmin，则将K个第一函数值中的最小值f(xbest)及其自变量xbest作为结果输出，得到最优解xbest和f(xbest)。本专利技术相对于现有技术的有益效果是：1、本专利技术的具有内在并行能力的多尺度量子谐振子优化方法，与原有算法相比物理模型更为清晰，算法具有了细粒度的并行能力，而且算法流程更为简单。2、本专利技术的具有内在并行能力的多尺度量子谐振子优化方法的能级稳定过程不再计算所有采样点的标准差，而是各高斯采样区域自己进行比较，这一改进使各采样区域之间不再有关联性，可能独立运行。这大大减少了网络通讯的代价，使得新方法在基于消息传送机制的大规模并行计算机上可以高效的运行。同时由于不再需要计算所有采样点的标准差，所以计算代价也有所下降。3、本专利技术的具有内在并行能力的多尺度量子谐振子优化方法的能级下降判据被加强，要求K个采样位置都无法采到更好的解时才进行能级下降操作，而旧方法只要求两次K个采样位置的标准差之差小于当前尺度就行了，新方法等效于要求两次K个采样位置的标准差之差等于零。这一点更加符合此方法物理模型对暂稳态的定义，算法波函数在这一状态下更为稳定，同时算法过程得到简化。4、本专利技术的具有内在并行能力的多尺度量子谐振子优化方法大大减少了网络通讯的代价，使得新方法在基于消息传送机制的大规模并行计算机上可以高效的运行，从而使本专利技术能在并行计算机上实现对超高维复杂函数的优化。对本专利技术进行适当修改后可以用于大量优化应用问题的求解，由于具有良好的内在并行能力，新方法能在可接受时间内求解的应用问题的规模被大大扩展。同时由于不再需要计算所有采样点的标准差，所以计算代价也有所下降。5、本专利技术加强了能级下降的判据要求后能使算法在一个能级上进行更加充分的迭代，避免了优化算法的早熟出现丢失最优解采样的问题。具体实施方式以下结合实施例对本专利技术的技术方案进行详细的说明，应当说明的是，以下仅是本专利技术的优选实施方式，对于本领域的普通技术人员来说，在不脱离本专利技术创造构思的前提下，还可以做出若干变形和改进，这些应当都属于本专利技术的保护范围。实施例一种具有内在并行能力的多尺度量子谐振子优化方法，包括步骤：S101.设定最小标准差的值σmin，设定标准差σs的值；在目标函数f(x)的定义域[min，max]内随机抽取K个第一随机数，即x1，x2，x3，…，xi，…，xk；S102.将标准差σs和K个第一随机数分别代入正态分布公式按照所述正态分布公式在定义域[min，max]内分别生成相应的K个第二随机数，即x1’，x2’，x3’，…,xi’，…，xk’；S103.将所述K个第一随机数分别代入目标函数f(x)得到K个第一函数值，即f(x1)，f(x2)，f(x3)，…，f(xi)，…，f(xk)；将所述K个第二随机数分别代入目标函数f(x)得到K个第二函数值，即f(x1’)，f(x2')，f(x3')，…，f(xi’)，…，f(xk’)；S104.对于任意xi，和xi’，若f(xi’)<f(xi)，则将xi的值用xi'的值替换，如有替换发生则返回执行步骤S102，如无替换发生则进行步骤S105；S105.将K个第一本文档来自技高网...

【技术保护点】
一种具有内在并行能力的多尺度量子谐振子优化方法，其特征在于，包括步骤：S101.设定最小标准差的值σmin，设定标准差σs的值；在目标函数f(x)的定义域[min，max]内随机抽取K个第一随机数，即x1，x2，x3，…，xi，…，xk；S102.将标准差σs和K个第一随机数分别代入正态分布公式

【技术特征摘要】
1.一种具有内在并行能力的多尺度量子谐振子优化方法，其特征在于，包括步骤：S101.设定最小标准差的值σmin，设定标准差σs的值；在目标函数f(x)的定义域[min，max]内随机抽取K个第一随机数，即x1，x2，x3，…，xi，…，xk；S102.将标准差σs和K个第一随机数分别代入正态分布公式按照所述正态分布公式在定义域[min，max]内分别生成相应的K个第二随机数，即x1’，x2’，x3’，…,xi’，…，xk’；S103.将所述K个第一随机数分别代入目标函数f(x)得到K个第一函数值，即f(x1)，f(x2)，f(x3)，…，f(xi)，…，f(xk)；将所述K个第二随机数分别代入目标函数f(x)得到K个第二函数值，即f(x1’)，f(x2')，f(x3')，…，f(xi’)，…，f(xk’)；S104.对于任意xi，和xi’，若f(xi’)<f(xi)，则将xi的值用xi'的值替换，如有替换发生则返回执行步骤S102，如无替换发生则进行步骤S105；S105.将K个第一函数值中的最大值f(xworst)的自变量Xworst的值，用当前K个Xi的平均值Xmean进行替换，执行步骤S...

【专利技术属性】
技术研发人员：王鹏，谢千河，
申请(专利权)人：西南民族大学，
类型：发明
国别省市：四川,51