Based on the similarity of the eigenvalue curve of the covariance matrix, the cmaes clustering optimization method is proposed. In this invention, aiming at the disadvantage that the data dimension of the cmaes algorithm is too high when updating the covariance matrix of the multi-dimensional data, the cmaes clustering optimization method based on the similarity of the eigenvalue curve of the covariance matrix is proposed. The method of per \u2011 cmaes is used to update the covariance matrix C of the data population in the cmaes algorithm In the process, the C feature is decomposed to get the characteristic value which represents the change trend of each dimension data, the discrete characteristic value is drawn into a curve, the slope of the curve is calculated to represent the change rate, the similarity of the curve is calculated by Pearson correlation coefficient, the data that should be clustered together is found by the shortest path idea of graph theory, and analyzed on the typical function. The experiment shows that the method reduces the calculation The influence of the dimension of the problem on the algorithm in the process of method updating has been well applied in the walking optimization of RoboCup 3D soccer robot.
【技术实现步骤摘要】
基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法
本专利技术涉及数据聚类优化领域,具体涉及一种基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法。
技术介绍
自适应协方差矩阵进化策略(cmaes)算法,是基于进化算法的一种改进算法,通过模拟生物进化过程来达到最优目的,主要用来解决非线性、非凸的优化问题。该方法从一个随机的初始搜索点开始搜索,并按照一定的概率分布产生第一个种群A,并评价其中所有个体的适应度;然后根据种群A中个体的适应度选择较好的个体更新进化策略,从而调整下一种群的进化方向,即控制下一种群的产生;每次突变后,须对比当前种群中的最优解和收敛条件,若满足则找到最优解并退出循环,否则继续迭代。该方法具有全局性能好、寻优效率高的特点,但多维数据进行协方差矩阵更新迭代时会存在数据维度过高的问题。
技术实现思路
本专利技术主要针对cmaes算法在对多维数据进行协方差矩阵更新迭代时数据维度过高的缺点,提出了一种基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法,该方法降低了算法更新过程中问题维数对于算法的影响。基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法,包括如下步骤:步骤1,给定目标函数f,设置cmaes的初始参数,如种群λ、父代个数μ、重组权重wi,阻尼系数dσ,协方差矩阵C的秩1和秩μ更新学习率c1、cμ;步骤2,初始化问题维度N,给定均值m(0)(维度为N),步长σ(0),步长和协方差矩阵分别对应的进化路径C(0)=I(单位矩阵);代数g从0开 ...
【技术保护点】
1.基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法,其特征在于:包括如下步骤:/n步骤1,给定目标函数f,设置cmaes的初始参数,如种群λ、父代个数μ、重组权重w
【技术特征摘要】
1.基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法,其特征在于:包括如下步骤:
步骤1,给定目标函数f,设置cmaes的初始参数,如种群λ、父代个数μ、重组权重wi,阻尼系数dσ,协方差矩阵C的秩1和秩μ更新学习率c1、cμ;
步骤2,初始化问题维度N,给定均值m(0)(维度为N),步长σ(0),步长和协方差矩阵分别对应的进化路径C(0)=I(单位矩阵);代数g从0开始,为上述值的右上角标,即迭代次数,具体迭代次数视实际需要而定;
步骤3,cmaes循环开始,满足循环的终止条件后停止循环,并进入下一步骤;
步骤4,特征值分解,并绘制出特征值的斜率变化曲线;
步骤5,计算N维特征值斜率曲线彼此间的皮尔逊相关系数;
步骤6,聚类优化;将N维特征值斜率曲线的皮尔逊相关系数看作曲线间的距离,算出距离彼此距离最近的曲线,聚类在一起,将对应维度的优化参数带入目标函数再次带入cmaes优化,如果得到更理想的目标函数值,则结束算法,否则聚类失败。
2.根据权利要求1所述的基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法,其特征在于:所述步骤3中,该cmaes循环的终止条件是满足指定问题精度,或是评价函数值不再变换,或是到达指定的迭代次数,该终止条件由用户自行设定,每次循环后迭代次数g=g+1。
3.根据权利要求1所述的基于协方差矩阵特征值曲线相似度的cmaes聚类优化方法,其特征在于:所述步骤3中,所述cmases循环包括如...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。