基于灰支持向量回归机预测适应值的交互式集合进化方法技术

本发明专利技术公布了一种基于灰支持向量回归机预测适应值的交互式集合进化计算方法，其具体步骤如下：进化开始前，系统为用户提供设计环境，随机生成初始进化种群；通过交互界面，人对Nc个体进行数值评价；系统根据个体相似度对种群聚类，估计聚类内非用户评价个体适应值，并采用灰支持向量回归机预测适应值；根据多样性、分布性个不确定性测度对集合进化个体进行Pareto占优排序，并对集合进化个体采用自适应交叉和变异操作，生成同等规模临时种群；将父代种群和临时种群合并，挑选前N个个体作为子代种群；最后，对子代种群等间距划分为Nc个单元，从每个单元中随机选取1个个体，共将Nc个个体推荐给用户。

【技术实现步骤摘要】
基于灰支持向量回归机预测适应值的交互式集合进化方法
本专利技术属于智能计算领域，特别是涉及一种基于灰支持向量回归机预测适应值的交互式集合进化优化方法，并用于颜色匹配方案的选型。
技术介绍
20世纪90年代提出的基于启发式学习的交互式进化计算应用于求解隐式指标优化问题需要解决2个基本问题：(1)如何有效提取隐式知识；(2)如何高质量求解隐式性能指标。对于第1个问题，主要有2种研究策略：一是在边交互边进化方式下，通过人-机交互接口直接提取隐式知识。这主要集中于适应值赋值方式的研究，如2014年出版的期刊《自动化学报》第2期“基于区间适应值交互式遗传算法的加权多输出高斯过程代理模型”采用区间数等不确定数表达适应值，反映用户的偏好特性；2017年出版的期刊《电子学报》第12期“基于熵极大化准则的非用户赋适应值交互式遗传算法”和2016年出版的期刊《AppliedIntelligence》第3期“Predictinguser’spreferencesusingneuralnetworksandpsychologymodels”结合用户浏览行为表达个性化需求，弥补数值类型适应值偏好知识表达的不足。直接获取隐式知识计算量小，方法简单，但主观性强，信息不确定性较大，噪声含量较高。二是间接获取隐式知识，即在进化过程中挖掘隐式知识，提取有价值偏好信息。2017年出版的期刊《郑州大学学报(工学版)》第6期“.基于可能性条件偏好网络的交互式遗传算法及其应用”采用偏好网络拟合用户偏好，估计个体适应值和引导搜索；类似地，2017年出版的期刊《AutomatedSoftwareEngineering》第3期“AnArchitecturebasedoninteractiveoptimizationandmachinelearningappliedtothenextreleaseproblem”采用神经网络学习用户偏好，估计适应值。间接获取隐式知识是对偏好信息的深度挖掘，增强了算法的搜索能力，但代理模型建模比较复杂，估计误差无法测量，依然会带来大量适应值噪声。深入挖掘用户行为模式的适应值估计/表达策略有望提高隐式知识提取的效果或在更复杂的场景下提取知识，但从优化性能整体看，仅依靠提高隐式知识提取力度获得算法性能提升有很大局限性。对于第2个问题，主要通过降低用户疲劳的高效进化策略实现。采用大种群规模可以提高算法搜索能力，但这种方法需要解决大量未评价个体适应值估计问题。采用代理模型执行进化操作可以降低用户工作量，为用户节省时间开销。如2014年出版的期刊《电子学报》第8期“基于精英集选择进化个体的交互式遗传算法”构建个体精英集，选择与精英集相似的个体类别直接用于遗传操作，减轻用户负担。将上述思想结合，在大规模种群下采用进化代理模型可以显著提高算法性能。在上述算法中,如何设计种群进化策略至关重要，由于代理模型会产生误差累积，控制误差是一个难以解决的问题。若将集合进化方法应用于大规模种群聚类进化，则可以提高搜索效率；同时，如采用代理模型重新评价已有大规模种群个体的估计适应值，则可以提高适应值精度，两者融合，取长补短，则有望改进当前交互式进化优化算法性能。经查阅相关文献，目前还不存在应用灰支持向量回归机预测适应值的交互式集合进化优化方法。如能开发出相关的高效设计系统，不仅会推动颜色匹配设计，对其他产品设计也将具有重大启发意义。
技术实现思路
本专利技术所要解决的技术问题是：克服现有适应值估计技术的不足，提供一种减少适应值估计误差、降低用户负担、增强算法搜索能力且提高进化优化质量的交互式进化优化方法。本专利技术的技术方案是：首先，采用大规模种群扩大搜索空间，以有限个用户评价个体为聚类中心进行种群聚类。然后，对聚类内非聚类中心个体按融合个人浏览行为的个体相似性估计适应值，并采用灰色支持向量回归模型进一步预测个体适应值，构成集合进化个体。最后，采用集合进化策略和自适应交叉变异操作，在NSGA-II范式下实现集合进化算法。为实现本专利技术，需要解决个体适应值预测和集合进化策略设计2个主要问题。(1)灰支持向量机适应值预测将个体精确数适应值f(xk(t))，xk(t)∈x(t)记为F0＝(f0(x1(t)),f0(x2(t)),…,f0(xN(t)))，构成个体适应值原始序列。则F0的1-AGO序列为F1＝(f1(x1(t)),f1(x2(t)),…,f1(xN(t)))，为了使原始数据在各个特征维度对目标函数的影响权重一致，首先对原始序列归一化：归一化后数据序列为F0'＝(f0'(x1(t)),f0'(x2(t)),…,f0'(xN(t)))。然后，建立F0'的1-AGO序列F1＝(f1'(x1(t)),f1'(x2(t)),…,f1'(xN(t)))，则灰支持向量模型记为：式中：b为偏置项；ω为权重。1-AGO变换项f1'(xk(t))代表了个体适应值输入空间向高维特征空间的非线性映射。式中未知参数ω和b使用Vapnik提出的ε不敏感损失函数，由高维特征空间内的训练集估计：由于最小化可以保证ε最小偏差，灰支持向量模型可以写成如下凸优化问题：式中：控制模型的拟合精度；C为正则化常数，控制对超出误差的样本的惩罚程度。上式可以用Lagrange乘子法求解：可得对偶优化模型：式中＜f1'(xi(t)),f1'(xj(t))＞代表向量内积。本专利技术选择核函数K(f1'(xi(t)),f1'(xj(t)))＝exp(-υ||f1'(xi(t)),f1'(xj(t))||),υ＞0，υ是核参数。将核函数代入上式，求得αk,和b后，灰支持向量回归机模型为：式中，是对于新输入的个体适应值f1'(xnew(t))的灰支持向量机预测值。最后，将预测值恢复为原始序列刻度，得到：种群个体聚类、适应值预测后，形成的个体子类x1(t),x2(t),…,xNc(t)是一个个体集合，基于集合进化思想，很自然地可以将个体子类视为进化个体(集合进化个体)。(2)集合进化策略通过选择合适的性能指标，可将隐式性能指标优化转化为如下一般性集合决策变量优化问题：maxF(X)＝(F1(X),F2(X),…,FId(X))其中,为决策空间S的幂集；X＝{x1(t),x2(t),…,xNc(t)}为进化个体构成的种群；Fd(X),d＝1,2,…,Id是种群X的性能指标；Id为转化后优化问题的维数，且远小于Nc。结合隐式性能指标特点，本节给出新的集合个体比较测度，具体如下。记第t代进化种群x(t)的第j个进化个体为其中，xj(t)为中心个体，个体适应值为M＝|xj(t)|为进化个体xj(t)包含的个体数。采用进化个体相似度信息熵刻画多样性：上式中，其中，xir,r＝1,2,…,g为组成个体的r个属性，是xir的属性值。xj(t)的中心个体xj(t)与其他进化个体的聚类中心相似度μ(xi(t),xj(t))越大，xj(t)与其他进化个体就越相似，种群多样性越差，此时，F2(X)越小。反之，F2(X)越大，种群各进化个体间越“松散”，种群多样性越好。采用下式刻画分布性：式中，d(xj(t))为xj(t)的最小拥挤距离，d*为种群进化个体平均拥挤距离，对于具有相同序值的进化个体，进一步采用区间灰数灰度刻画不确定性：本文档来自技高网...

【技术保护点】
1.一种基于灰支持向量回归机预测适应值的交互式集合进化方法，其特征是：采用大规模种群扩大搜索空间，以有限个用户评价个体为聚类中心进行种群聚类；然后，对聚类内非聚类中心个体按融合个人浏览行为的个体相似性估计适应值，并采用灰色支持向量回归模型进一步预测个体适应值，构成集合进化个体；最后，采用集合进化策略和自适应交叉变异操作，实现集合进化；(1)灰支持向量机适应值预测对于新输入的个体适应值f1'(xnew(t))的灰支持向量机预测值为：

【技术特征摘要】
1.一种基于灰支持向量回归机预测适应值的交互式集合进化方法，其特征是：采用大规模种群扩大搜索空间，以有限个用户评价个体为聚类中心进行种群聚类；然后，对聚类内非聚类中心个体按融合个人浏览行为的个体相似性估计适应值，并采用灰色支持向量回归模型进一步预测个体适应值，构成集合进化个体；最后，采用集合进化策略和自适应交叉变异操作，实现集合进化；(1)灰支持向量机适应值预测对于新输入的个体适应值f1'(xnew(t))的灰支持向量机预测值为：(2)集合进化策略多样性测度：分布性测度：不确定性...

【专利技术属性】
技术研发人员：郭广颂，文振华，侯军兴，蒋志强，贾爱芹，
申请(专利权)人：郑州航空工业管理学院，
类型：发明
国别省市：河南,41