演化模型训练方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种演化模型训练方法、装置、设备及存储介质，演化模型训练方法包括：获取初始演化参数，将初始演化参数输入预设的多层级演化模型进行循环演化处理；其中，多层级演化模型包括：外层演化网络和若干内层演化网络，通过若干内层演化网络并行对初始演化参数进行演化处理，得到若干评估结果和初步演化参数，通过外层演化网络根据若干评估结果生成指令，得到运行逻辑指令，通过外层演化网络根据运行逻辑指令对初步演化参数进行演化处理，得到目标演化参数，其中，当前循环的目标演化参数作为下一次循环的初始演化参数。本发明专利技术能够通过多层级分布式计算和并行化处理，减少算法运行时间，以提高优化效率。以提高优化效率。以提高优化效率。

【技术实现步骤摘要】
演化模型训练方法、装置、设备及存储介质


[0001]本专利技术涉及人工智能
，尤其是涉及一种演化模型训练方法、装置、设备及存储介质。

技术介绍

[0002]在建模方面，统计回归和机器学习是常用的方法。此二类方法需要预设模型结构(例如模型基本形式、神经网络结构等)，然后通过回归分析/优化来估计参数(变量系数)。在大规模任务场景中，往往不具备充分的预设模型结构的理论基础或专家经验，导致无法准确建模。在求解方面，由于面对大规模问题时，建模往往难以准确，而通过这类非精确模型进行优化求解，自然难以获得最优解。
[0003]在解决大规模问题时，现有的方法主要有贪心的方法，放松的方法，以及演化算法。现有的大规模演化优化方法由于特征分解导致的时间占用过大，使得优化所需的时间过长。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种演化模型训练方法，能够通过多层级分布式计算和并行化处理，减少算法运行时间，以提高优化效率。
[0005]本专利技术还提出一种演化模型训练装置。
[0006]本专利技术还提出一种演化模型训练设备。
[0007]本专利技术还提出一种存储介质。
[0008]第一方面，本专利技术的一个实施例提供了演化模型训练方法，包括：
[0009]获取初始演化参数；
[0010]将所述初始演化参数输入预设的多层级演化模型进行循环演化处理；其中，所述多层级演化模型包括：外层演化网络和若干内层演化网络；<br/>[0011]通过若干所述内层演化网络并行对所述初始演化参数进行演化处理，得到若干评估结果和初步演化参数；
[0012]通过所述外层演化网络根据若干所述评估结果生成指令，得到运行逻辑指令；
[0013]通过所述外层演化网络根据所述运行逻辑指令对所述初步演化参数进行演化处理，得到目标演化参数；其中，当前循环的所述目标演化参数作为下一次循环的所述初始演化参数。
[0014]本专利技术实施例的演化模型训练方法至少具有如下有益效果：获取用户输入的初始演化参数，将初始演化参数输入预设的多层级演化模型的若干内层演化网络，若干内层演化网络并行进行演化，若干内层演化网络分别对初始演化参数进行演化处理，得到相应的若干评估结果和若干初步演化参数，若干内层演化网络分别将若干评估结果和若干初步演化参数输入至外层演化网络，通过外层演化网络根据若干评估结果依次生成相应的指令，
得到相应的运行逻辑指令，外层演化网络根据运行逻辑指令依次对相应的初步演化参数进行演化处理，得到目标演化参数，能够通过多层级分布式计算和并行化处理，减少算法运行时间，以提高优化效率。
[0015]根据本专利技术的另一些实施例的演化模型训练方法，所述通过若干所述内层演化网络并行对所述初始演化参数进行演化处理，得到若干评估结果和初步演化参数，包括：
[0016]通过若干所述内层演化网络并行根据预设的转换矩阵和随机分布向量进行取样处理，得到取样结果；其中，所述随机分布向量根据预设的高斯随机分布函数生成；
[0017]通过预设的评估函数对所述取样结果和预设的初始样本坐标进行评估处理，得到若干所述评估结果；
[0018]根据若干所述评估结果对所述初始演化参数进行更新处理，得到所述初步演化参数。
[0019]根据本专利技术的另一些实施例的演化模型训练方法，所述外层演化网络根据所述评估结果生成指令，得到运行逻辑指令，包括：获取若干所述内层演化网络的若干所述评估结果；
[0020]根据若干所述评估结果的值进行排序，以得到评估结果序列；其中，所述评估结果序列包括每一所述评估结果的排序序号；
[0021]根据所述排序序号生成所述评估结果的所述运行逻辑指令。
[0022]根据本专利技术的另一些实施例的演化模型训练方法，所述通过所述外层演化网络根据所述运行逻辑指令对所述初步演化参数进行演化处理，得到目标演化参数，包括：
[0023]获取若干所述内层演化网络的所述初步演化参数，得到若干所述初步演化参数；
[0024]将若干所述初步演化参数进行集成处理，得到演化参数集；
[0025]根据所述运行逻辑指令对所述演化参数集进行演化处理，以得到若干所述目标演化参数。
[0026]根据本专利技术的另一些实施例的演化模型训练方法，所述方法还包括：
[0027]获取所述多层级演化模型的循环信息；
[0028]若所述循环信息满足预设循环条件，停止所述多层级演化模型的循环演化处理。
[0029]根据本专利技术的另一些实施例的演化模型训练方法，所述方法还包括：
[0030]获取所述循环演化处理停止后的目标演化参数，得到最终演化参数；
[0031]根据所述最终演化参数调节所述多层级演化模型的演化参数，得到目标演化模型。
[0032]根据本专利技术的另一些实施例的演化模型训练方法，所述方法还包括：
[0033]获取预测数据；
[0034]将所述预测数据输入至所述目标演化模型进行求解处理，得到目标数据。
[0035]第二方面，本专利技术的一个实施例提供了演化模型训练装置，包括：
[0036]获取模块，用于获取初始演化参数；
[0037]循环模块，用于将所述初始演化参数输入预设的多层级演化模型进行循环演化处理；其中，所述多层级演化模型包括：外层演化网络和若干内层演化网络；
[0038]初级演化模块，用于通过若干所述内层演化网络并行对所述初始演化参数进行演化处理，得到若干评估结果和初步演化参数；
[0039]指令生成指令生成模块，用于通过所述外层演化网络根据若干评估结果生成指令，得到运行逻辑指令；
[0040]次级演化模块，用于通过所述外层演化网络根据所述运行逻辑指令对所述初步演化参数进行演化处理，得到目标演化参数；其中，当前循环的所述目标演化参数作为下一次循环的所述初始演化参数。
[0041]本专利技术实施例的演化模型训练装置至少具有如下有益效果：获取模块获取用户输入的初始演化参数，循环模块将初始演化参数输入预设的多层级演化模型的若干内层演化网络，初级演化模块通过若干内层演化网络并行进行演化，若干内层演化网络分别对初始演化参数进行演化处理，得到相应的若干评估结果和若干初步演化参数，若干内层演化网络分别将若干评估结果和若干初步演化参数输入至外层演化网络，指令生成模块通过外层演化网络根据若干评估结果依次生成相应的指令，得到相应的运行逻辑指令，次级演化模块通过外层演化网络根据运行逻辑指令依次对相应的初步演化参数进行演化处理，得到目标演化参数，能够通过多层级分布式计算和并行化处理，减少算法运行时间，以提高优化效率。指令生成模块
[0042]第三方面，本专利技术的一个实施例提供了演化模型训练设备，包括：
[0043]至少一个处理器，以及，
[0044]与所述至少一个处理器通信连接的存储器；其中，
[0045]所述存储器存储有可被所述至少一个处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种演化模型训练方法，其特征在于，包括：获取初始演化参数；将所述初始演化参数输入预设的多层级演化模型进行循环演化处理；其中，所述多层级演化模型包括：外层演化网络和若干内层演化网络；通过若干所述内层演化网络并行对所述初始演化参数进行演化处理，得到若干评估结果和初步演化参数；通过所述外层演化网络根据若干所述评估结果生成指令，得到运行逻辑指令；通过所述外层演化网络根据所述运行逻辑指令对所述初步演化参数进行演化处理，得到目标演化参数；其中，当前循环的所述目标演化参数作为下一次循环的所述初始演化参数。2.根据权利要求1所述的演化模型训练方法，其特征在于，所述通过若干所述内层演化网络并行对所述初始演化参数进行演化处理，得到若干评估结果和初步演化参数，包括：通过若干所述内层演化网络并行根据预设的转换矩阵和随机分布向量进行取样处理，得到取样结果；其中，所述随机分布向量根据预设的高斯随机分布函数生成；通过预设的评估函数对所述取样结果和预设的初始样本坐标进行评估处理，得到若干所述评估结果；根据若干所述评估结果对所述初始演化参数进行更新处理，得到所述初步演化参数。3.根据权利要求2所述的演化模型训练方法，其特征在于，所述通过所述外层演化网络根据所述评估结果生成指令，得到运行逻辑指令，包括：获取若干所述内层演化网络的若干所述评估结果；根据若干所述评估结果的值进行排序，以得到评估结果序列；其中，所述评估结果序列包括每一所述评估结果的排序序号；根据所述排序序号生成所述评估结果的所述运行逻辑指令。4.根据权利要求3所述的演化模型训练方法，其特征在于，所述通过所述外层演化网络根据所述运行逻辑指令对所述初步演化参数进行演化处理，得到目标演化参数，包括：获取若干所述内层演化网络的所述初步演化参数，得到若干所述初步演化参数；将若干所述初步演化参数进行集成处理，得到演化参数集；根据所述运行逻辑指令对所述演化参...

【专利技术属性】
技术研发人员：周国晨，段琦琦，史玉回，
申请(专利权)人：南方科技大学，
类型：发明
国别省市：