一种基于机器学习模型的排序方法技术

本发明专利技术公开了一种基于机器学习模型的排序方法，包括以下步骤：第一步，对于给定的待排元素集生成模型训练数据；第二步，根据第一步生成的训练数据利用机器学习的方法构建待排元素集的分布模型；第三步，利用分布模型预测待排元素集中每一个元素在有序数组中的位置；第四步，根据元素的预测位置将元素放入有序数组中，得到一个有序的数组完成排序操作。本发明专利技术由于采用将元素直接放入有序数组中的方式，相比于快速排序、归并排序、堆排序等排序算法，运行时间更短。

【技术实现步骤摘要】
一种基于机器学习模型的排序方法
本专利技术涉及排序算法/系统和机器学习模型领域，具体涉及一种基于机器学习模型的排序方法。
技术介绍
排序算法作为经典算法在各类软件开发中都有非常高的使用频率，甚至是在今年来较为火热的聚类分析、机器学习、推荐算法等人工智能领域的基础算法之一。从排序问题提出至今，研究人员和工程人员对排序算法进行了全方位的改进，但是其理论时间复杂度一直停滞在O(NlogN)。随着大数据和机器学习的兴起，计算机需要处理的数据量也越来越大，已有的排序算法难以适应。目前来说对排序算法的优化仅停留在实际运行时间的减少，并没有对理论时间和最坏时间进行进一步优化。目前来说，快速排序和归并排序作为应用较为广泛的排序算法之一，在众多学者和工程师的研究和优化后可以使得大部分的排序过程的时间消耗略微低于理论时间复杂度O(NlogN)，效果并不是很理想，没有达到质的改变。分布模型是由分布函数来表示的一种模型，分布函数既可以是基本函数也可以是不能用解析式表达的抽象函数。目前常见的分布有均匀分布、正态分布、指数分布、二项分布等都是能用解析式表达的分布函数，但是在实际的数据中几乎没有数据是完全符合已知本文档来自技高网...

【技术保护点】
1.一种使用机器学习模型的排序方法，其特征在于，包括以下步骤：步骤1)：根据待排元素集构建频率分布直方图，并基于直方图中每个区间的值和区间高度分别生成两个序列，将两个序列中的元素分别一一对应形成键值对并汇总为一个集合，来作为数据分布模型的训练数据；步骤2)：先利用单调投影方法对模型的单调性和模型函数的取值区间进行约束，基于上述约束生成初始随机模型，然后使用步骤1)获得的训练数据对初始随机模型进行训练，训练完成后得到数据分布模型；步骤3)：将待排元素集中的元素输入步骤2)获得的数据分布模型，并基于模型输出和待排元素集规模来预测待排元素集中每一个元素在有序数组中的位置；步骤4)：根据步骤3)中获得...

【技术特征摘要】
1.一种使用机器学习模型的排序方法，其特征在于，包括以下步骤：步骤1)：根据待排元素集构建频率分布直方图，并基于直方图中每个区间的值和区间高度分别生成两个序列，将两个序列中的元素分别一一对应形成键值对并汇总为一个集合，来作为数据分布模型的训练数据；步骤2)：先利用单调投影方法对模型的单调性和模型函数的取值区间进行约束，基于上述约束生成初始随机模型，然后使用步骤1)获得的训练数据对初始随机模型进行训练，训练完成后得到数据分布模型；步骤3)：将待排元素集中的元素输入步骤2)获得的数据分布模型，并基于模型输出和待排元素集规模来预测待排元素集中每一个元素在有序数组中的位置；步骤4)：根据步骤3)中获得的预测位置，将各个元素放置在有序数组中。2.根据权利要求1所述的方法，其特征在于，步骤1)包括以下步骤：步骤1.1)：获得待排元素集规模为N，以横坐标代表待排元素的值，纵坐标代表整个待排元素集在该数值区间的元素个数，构建待排序元素集的频率分布直方图；步骤1.2)：将频率直方图中每个区间的最右侧的值依次汇总形成序列K，将每个区间的高度依次汇总形成序列V；步骤1.3)：针对序列V中的第i项，计算从第一项到该项的和，再将这个和值除以N，从而形成序列S，序列S中第i项的Vi计算式为：步骤1.4)：将序列K和序列S中的元素按下标顺序一一对应，形成键值对，将这些键值对汇总成集合D作为训练数据，集合D的表达数如下：D＝{(Ki,Si)|0≤i≤N}。3.根据权利要求1所述的方法，其特征在于，在步骤2)中，数据分布模型需满足单调不递减且模型函数取值范围为[0,1]，在对模型的性质进行了限制后才能进行模型的构建，包括以下步骤：步骤2.1)：利用单调投影设置输入维度的单调性，并将模型的取值范围设置为[0,1]；步骤2.2)：使用由权利要求1构建出的训练数据，生成一个初始随机模型，然后将训练数据输入输入模型并获得模型的输出值，计算模型的输出值与训练数据中的输出数据的误差，若误差在指定误差范围内则模型构建完毕，否则，继续...

【专利技术属性】
技术研发人员：施荣华，毛雷，赵颖，钟增胜，胡超，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43