种群生成方法、神经网络架构的选择方法及装置制造方法及图纸

本公开是关于一种种群生成方法、神经网络架构的选择方法及装置，该方法包括：获取第t代种群R

Population generation method, selection method and device of neural network architecture

【技术实现步骤摘要】
种群生成方法、神经网络架构的选择方法及装置
本公开实施例涉及计算机
，特别涉及一种种群生成方法、神经网络架构的选择方法及装置。
技术介绍
NSGA-II(Non-dominatedSortingGeneticAlgorithm-II，带精英策略的非支配排序遗传算法)是针对NSGA(Non-dominatedSortingGeneticAlgorithm，非支配排序遗传算法)的改进算法。在NSGA-II中，种群中的每个个体都具有两方面的属性：非支配排序属性和拥挤度属性，当两个个体的非支配排序属性不一致，即非支配排序不同时，非支配排序较小的个体将被优先保留下来；当两个个体的非支配排序属性一致，即非支配排序相同时，拥挤度属性较好，即周围较不拥挤的个体将被优先保留下来。但是对于非支配排序属性一致的个体，拥挤度属性根据个体在不同优化目标上的拥挤度确定，确定方式较为单一。
技术实现思路
本公开实施例提供了一种种群生成方法、神经网络架构的选择方法及装置。所述技术方案如下：根据本公开实施例的第一方面，提本文档来自技高网...

【技术保护点】
1.一种种群生成方法，其特征在于，所述方法包括：/n获取第t代种群R

【技术特征摘要】
1.一种种群生成方法，其特征在于，所述方法包括：
获取第t代种群Rt，所述种群Rt中包括种群Pt和种群Qt，所述种群Qt是所述种群Pt经处理后得到的，所述种群Pt和所述种群Qt中包含的个体数量均为n，所述t为正整数且所述t的初始值为1，所述n为正整数；
对所述种群Rt中包含的个体进行非支配排序，得到k个不同秩的个体组，所述k为大于1的正整数；
按照所述秩从小到大的顺序，从所述k个个体组中依次选出i个个体组，其中，所述i个个体组中包含的个体总数大于或等于所述n，且i-1个个体组中包含的个体总数小于所述n；
对于所述第i个个体组中的第j个个体，根据所述第j个个体在每个目标下的拥挤距离，以及每个目标对应的权重，计算所述第j个个体在多个目标下的加权拥挤距离；
根据所述第i个个体组中各个个体的所述加权拥挤距离，从所述第i个个体组中选取m个个体，所述m为所述n与所述i-1个个体组中包含的个体总数的差值；
生成第t+1代种群Rt+1，所述种群Rt+1中包括种群Pt+1和种群Qt+1，所述种群Pt+1包括所述m个个体和所述i-1个个体组中的个体，所述种群Qt+1是所述种群Pt+1经过处理后得到的，所述种群Qt+1和所述种群Pt+1中包含的个体数量均为所述n；
令t＝t+1，并再次从对所述种群Rt中包含的个体进行非支配排序，得到k个不同秩的个体组的步骤开始执行，当生成第T代种群RT时，确定所述种群RT为目标种群，所述T为预设值且为大于1的整数。


2.根据权利要求1所述的方法，其特征在于，所述根据所述第j个个体在每个目标下的拥挤距离，以及每个目标对应的权重，计算所述第j个个体在所述多个目标下的加权拥挤距离，包括：
对于所述多个目标中的目标x，将所述第i个个体组中的各个个体按照所述目标x对应的函数值进行排序，所述x为正整数；
根据所述第j个个体的相邻两个个体的所述函数值，以及排序结果中的最大值与最小值，计算所述第j个个体在所述目标x下的拥挤距离；
根据所述第j个个体在各个所述目标下的拥挤距离，以及各个所述目标对应的权重，计算所述第j个个体在所述多个目标下的加权拥挤距离。


3.根据权利要求2所述的方法，其特征在于，所述根据所述第j个个体的相邻两个个体的所述函数值，以及排序结果中的最大值与最小值，计算所述第j个个体在所述目标x下的拥挤距离，包括：
计算所述第j个个体的相邻两个个体的所述函数值的差值；
计算所述最大值和所述最小值的差值；
将所述函数值的差值除以所述最大值和所述最小值的差值，得到所述第j个个体在所述目标x下的拥挤距离。


4.根据权利要求2所述的方法，其特征在于，所述根据所述第j个个体在各个所述目标下的拥挤距离，以及各个所述目标对应的权重，计算所述第j个个体在所述多个目标下的加权拥挤距离，包括：
将所述第j个个体在所述目标x下的拥挤距离与所述目标x对应的权重相乘；
对所述第j个个体和所述多个目标，将乘积结果累加，得到所述第j个个体在所述多个目标下的加权拥挤距离。


5.根据权利要求1至4任一项所述的方法，其特征在于，所述确定所述种群RT为目标种群之后，还包括：
获取所述目标种群中各个个体的预设指标；
根据所述预设指标，从所述目标种群中选取目标个体。


6.一种神经网络架构的选择方法，其特征在于，所述方法包括：
获取第t代架构种群Rt，所述架构种群Rt中包括架构种群Pt和架构种群Qt，所述架构种群Qt是所述架构种群Pt经处理后得到的，所述架构种群Pt和所述架构种群Qt中包含的神经网络架构数量均为n，所述t为正整数且所述t的初始值为1，所述n为正整数；
对所述架构种群Rt中包含的神经网络架构进行非支配排序，得到k个不同秩的个体组，所述k为大于1的正整数；
按照所述秩从小到大的顺序，从所述k个个体组中依次选出i个个体组，其中，所述i个个体组中包含的神经网络架构总数大于或等于所述n，且i-1个个体组中包含的神经网络架构总数小于所述n；
对于所述第i个个体组中的第j个神经网络架构，根据所述第j个神经网络架构在每个目标下的拥挤距离，以及每个目标对应的权重，计算所述第j个神经网络架构在多个目标下的加权拥挤距离；
根据所述第i个个体组中各个神经网络架构的所述加权拥挤距离，从所述第i个个体组中选取m个神经网络架构，所述m为所述n与所述i-1个个体组中包含的神经网络架构总数的差值；
生成第t+1代架构种群Rt+1，所述架构种群Rt+1中包括架构种群Pt+1和架构种群Qt+1，所述架构种群Pt+1包括所述m个神经网络架构和所述i-1个个体组中的神经网络架构，所述架构种群Qt+1是所述架构种群Pt+1经过处理后得到的，所述架构种群Qt+1和所述架构种群Pt+1中包含的神经网络架构数量均为所述n；
令t＝t+1，并再次从对所述架构种群Rt中包含的神经网络架构进行非支配排序，得到k个不同秩的个体组的步骤开始执行，当生成第T代架构种群RT时，确定所述架构种群RT为目标架构种群，所述T为预设值且为大于1的整数；
从所述目标架构种群中选取目标神经网络架构；
将所述目标神经网络架构部署在终端中。


7.根据权利要求6所述的方法，其特征在于，所述从所述目标架构种群中选取目标神经网络架构，包括：
获取所述目标架构种群中各个神经网络架构的参数指标；
根据所述参数指标，从所述目标架构种群中选取所述目标神经网络架构。


8.根据权利要求7所述的方法，其特征在于，所述根据所述参数指标，从所述目标架构种群中选取目标神经网络架构，包括：
根据运行速度，从所述目标架构种群中选取z个神经网络架构，所述z为正整数；
根据评估指标，从所述z个神经网络架构中选取所述目标神经网络架构，所述评估指标包括业务评估指标和/或浮点运算数。


9.一种种群生成装置，其特征在于，所述装置包括：
种群获取模块，被配置为获取第t代种群Rt，所述种群Rt中包括种群Pt和种群Qt，所述种群Qt是所述种群Pt经处理后得到的，所述种群Pt和所述种群Qt中包含的个体数量均为n，所述t为正整数且所述t的初始值为1，所述n为正整数；
个体组生成模块，被配置为对所述种群Rt中包含的个体进行非支配排序，得到k个...

【专利技术属性】
技术研发人员：初祥祥，许瑞军，张勃，李吉祥，李庆源，王斌，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京;11