一种基于QUATRE架构的人工智能全局优化方法技术

本发明专利技术公开了一种基于QUATRE架构的人工智能全局优化方法，包括：S1、建立拟仿射变换进化架构：

A global optimization method for artificial intelligence based on QUATRE architecture

The invention discloses a global optimization method for artificial intelligence based on QUATRE architecture, including: S1 and the establishment of quasi affine transformation evolution architecture:

【技术实现步骤摘要】
一种基于QUATRE架构的人工智能全局优化方法
本专利技术属于人工智能领域，尤其涉及一种基于QUATRE架构的人工智能全局优化方法。
技术介绍
计算智能作为人工智能的一个分支，起源于20世纪中叶，其主要思想是通过计算机进行计算的方式与方法来研究复杂数据、观察实验进程，以及解决现实中传统数学公式及模型无法解决的复杂问题。模糊逻辑、人工神经网络、模因计算、进化计算、量子计算等均属于该领域。其中在进化计算领域，主要有以下几个分支：遗传方法、学习分类系统、进化编程、进化策略、群体智能。其中，进化计算领域下的群体智能分支中的各种方法通过模拟自然启发的生物种群进化方式来实现复杂问题的求解，并且由于该分支中的大多数方法简单易用、功能强大，从而被研究人员应用在大量的工程及实际应用中。另外，群体智能分支下非常著名的方法如差分进化、粒子集群优化方法等，其发展趋势可以归纳为以下几个方面：(1)构建新的粒子间的拓扑关系，通过更好的拓扑关系架构达到更好的结果，其拓扑关系大致有以下几类：(A)静态拓扑结构、(B)动态拓扑结构、(C)自适应种群拓扑结构和(D)集合种群拓扑结构；(2)提供自适应的参数调节方式，即减少繁琐的参数调节任务的同时，对特定问题提供更好的自适应参数；(3)引入其他方法，采用混合策略以提高方法效果；(4)采用小生境技术、分群技术等。然而，上述方法在人工智能方面经常会陷入“解空间”的局部最优值，这是由于在搜索空间的不匀均搜索造成的，并且上述方法需要大量的参数设定，这使得研究复杂数据时会非常复杂、耗时长。
技术实现思路
为了解决上述技术问题，本专利技术的目的在于提出一种人工智能领域中群体智能分支下的新的进化架构，其不仅能通过实现“解空间”的均匀搜索来达到全局优化的目的，从而消除差分进化方法和粒子集群方法中存在的缺陷，还能够通过更少的参数设定，来降低本方法在实际应用中的实现复杂性。本专利技术为解决其技术问题所采用的技术方案如下：一种基于QUATRE架构的人工智能全局优化方法，所述方法包括如下步骤：S1、建立拟仿射变换进化架构，所述拟仿射变换进化架构的变换形式为：其中X为粒子种群，M为布尔型进化矩阵，为对M取反的关联进化矩阵，B为变异矩阵，表示矩阵之间元素的按位相乘；S2、设置拟仿射变换进化架构的评价函数f(X)、全局最优值f*、迭代阈值Δf、调用评价函数的最大次数maxnfe以及进行迭代的条件，并对进化架构进行初始化，所述初始化包括初始化粒子种群X为X＝XG＝[X1,X2,……,Xps]TG,G＝1，ps为粒子种群X中的粒子数，初始化调用评价函数的次数nfe＝ps，由初始进化矩阵Minit得到布尔型进化矩阵M以及关联进化矩阵通过计算评价函数f(XG)的最优值f(Xgbest，G)得到G次迭代中粒子种群XG的当前最优粒子Xgbest，G；S3、判断是否满足进行迭代的条件，若满足进行迭代的条件，则继续执行以下步骤，若不满足进行迭代的条件则停止；S4、计算变异矩阵B，由变异矩阵B、布尔型进化矩阵M和关联进化矩阵根据拟仿射变换进化架构得到粒子种群XG的下一代粒子种群XG+1；S5、更新调用评价函数的次数nfe＝nfe+ps，并更新下一代粒子种群XG+1，其中更新下一代粒子种群XG+1包括分别计算粒子种群XG和下一代粒子种群XG+1中每个粒子Xi,G和Xi,G+1的评价函数值f(Xi,G)和f(Xi,G+1)，并选择评价函数值较优的粒子为下一代粒子种群XG+1中对应的粒子，其中下标i表示粒子种群X中的第i个粒子，i∈[1,ps]；S6、由初始进化矩阵Minit得到布尔型进化矩阵M以及关联进化矩阵通过计算评价函数f(XG+1)的最优值f(Xgbest，G+1)得到G+1次迭代中粒子种群XG+1的当前最优粒子Xgbest，G+1，并令G＝G+1然后回到步骤S3进行判断。作为本专利技术上述技术方案的可选方案，所述评价函数f(X)为根据人工智能具体应用所建立的目标函数，且所述粒子种群X以行向量的形式输入评价函数f(X)进行计算，进而得到粒子种群XG中每个粒子Xi,G的评价函数值f(Xi,G)。作为本专利技术上述技术方案的可选方案，进行迭代的条件为：(1)调用评价函数的次数nfe小于调用评价函数的最大次数maxnfe；或者(2)当前粒子种群的评价函数的最优值与全局最优值f*的差的绝对值小于迭代阈值Δf；或者(3)同时满足上述条件(1)和(2)。作为本专利技术上述技术方案的进一步改进，初始进化矩阵Minit由D维单位下三角矩阵顺序堆叠而成，其中D为第G代粒子种群XG中每个粒子Xi,G的维数，具体堆叠方式如下：令ps＝k×D+j，其中k为ps除以D的整数商，j为ps除以D的余数，则Minit由k个D维单位下三角矩阵以及D维单位下三角矩阵的前j行顺序堆叠而成。作为本专利技术上述技术方案的进一步改进，初始进化矩阵Minit由D维单位下三角矩阵的每行以二项式分布的方式堆叠而成，其中D为第G代粒子种群XG中每个粒子Xi,G的维数，具体堆叠方式如下：D维单位下三角矩阵中每行重复的次数从上至下服从二项式分布，且总共的行数等于粒子总数ps，则Minit由得到的各行顺序堆叠而成。作为本专利技术上述技术方案的可选方案，得到布尔型进化矩阵M的步骤包括：将初始进化矩阵Minit每个行向量的各个元素进行随机全排列；对初始进化矩阵Minit进行一次行向量的随机全排列。作为本专利技术上述技术方案的可选方案，以如下方式计算变异矩阵B：(1)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，分别为粒子种群和的第i个行向量；或者(2)对粒子种群XG进行三次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为例子种群和的第i个行向量；或者(3)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子，分别为粒子种群和的第i个行向量；或者(4)对粒子种群XG进行两次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子，分别为粒子种群和的第i个行向量；或者(5)对粒子种群XG进行三次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，Xi,G为粒子种群XG中以行向量表示的第i个粒子，和分别为粒子种群和的第i个行向量；或者(6)对粒子种群XG进行五次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为粒子种群和的第i个行向量；或者(7)对粒子种群XG进行四次行向量的随机全排列分别得到和则其中i＝1，2，……ps，F为差分向量尺度因子，其取值范围为(0，1)，和分别为粒子种群和的第i个行向量。作为本专利技术上述技术方案的可选方案，所述差分向量尺度因子F的初始值为0.5。本专利技术相对现有技术具有如下有益的技术效果：本专利技术提出了人工智能领域中群体智能分支下的一种新的进化架构本文档来自技高网...

【技术保护点】
一种基于QUATRE架构的人工智能全局优化方法，其特征在于，所述方法包括如下步骤：S1、建立拟仿射变换进化架构，所述拟仿射变换进化架构的变换形式为：

【技术特征摘要】
1.一种基于QUATRE架构的人工智能全局优化方法，其特征在于，所述方法包括如下步骤：S1、建立拟仿射变换进化架构，所述拟仿射变换进化架构的变换形式为：其中X为粒子种群，M为布尔型进化矩阵，为对M取反的关联进化矩阵，B为变异矩阵，表示矩阵之间元素的按位相乘；S2、设置拟仿射变换进化架构的评价函数f(X)、全局最优值f*、迭代阈值Δf、调用评价函数的最大次数maxnfe以及进行迭代的条件，并对进化架构进行初始化，所述初始化包括初始化粒子种群X为X＝XG＝[X1,X2,……,Xps]TG,G＝1，ps为粒子种群X中的粒子数，初始化调用评价函数的次数nfe＝ps，由初始进化矩阵Minit得到布尔型进化矩阵M以及关联进化矩阵通过计算评价函数f(XG)的最优值f(Xgbest，G)得到G次迭代中粒子种群XG的当前最优粒子Xgbest，G；S3、判断是否满足进行迭代的条件，若满足进行迭代的条件，则继续执行以下步骤，若不满足进行迭代的条件则停止；S4、计算变异矩阵B，由变异矩阵B、布尔型进化矩阵M和关联进化矩阵根据拟仿射变换进化架构得到粒子种群XG的下一代粒子种群XG+1；S5、更新调用评价函数的次数nfe＝nfe+ps，并更新下一代粒子种群XG+1，其中更新下一代粒子种群XG+1包括分别计算粒子种群XG和下一代粒子种群XG+1中每个粒子Xi,G和Xi,G+1的评价函数值f(Xi,G)和f(Xi,G+1)，并选择评价函数值较优的粒子为下一代粒子种群XG+1中对应的粒子，其中下标i表示粒子种群X中的第i个粒子，i∈[1,ps]；S6、由初始进化矩阵Minit得到布尔型进化矩阵M以及关联进化矩阵通过计算评价函数f(XG+1)的最优值f(Xgbest，G+1)得到G+1次迭代中粒子种群XG+1的当前最优粒子Xgbest，G+1，并令G＝G+1然后回到步骤S3进行判断。2.根据权利要求1所述的一种基于QUATRE架构的人工智能全局优化方法，其特征在于，所述评价函数f(X)为根据人工智能具体应用所建立的目标函数，且所述粒子种群X以行向量的形式输入评价函数f(X)进行计算，进而得到粒子种群XG中每个粒子Xi,G的评价函数值f(Xi,G)。3.根据权利要求1所述的一种基于QUATRE架构的人工智能全局优化方法，其特征在于，进行迭代的条件为：(1)调用评价函数的次数nfe小于调用评价函数的最大次数maxnfe；或者(2)当前粒子种群的评价函数的最优值与全局最优值f*的差的绝对值小于迭代阈值Δf；或者(3)同时满足上述条件(1)和(2)。4.根据权利要求1所述的一种基于QUATRE架构的人工智能全局优化方法，其特征在于，初始进化矩阵Minit由D维单位下三角矩阵顺序堆叠而成，其中D为第G代粒子种群XG中每个粒子...

【专利技术属性】
技术研发人员：孟振宇，潘正祥，
申请(专利权)人：哈尔滨工业大学深圳研究生院，
类型：发明
国别省市：广东,44