【技术实现步骤摘要】
本专利技术涉及视频时刻定位，尤其涉及一种gcn驱动的种群编码方法的遗传算法，以解决常规种群生成方法难以学习优势个体特征，需对具体问题进行针对性编码种群的问题。
技术介绍
1、多目标优化问题普遍存在于各行各业中。在多目标优化问题中，一个目标的优化会导致其他目标的恶化，因此通常会得到一组权衡解。目前主要利用粒子群优化算法、遗传算法、蚁群算法以及蛙跳算法解决多目标优化问题。但利用进化算法解决这类问题会遇到解决方案分类不均匀，得到的一组解决方案不为最优，即种群的多样性和收敛性不足的情况。
2、现存的遗传算法的基本框架如下：第一步，确定种群数量、目标数、最大迭代次数；第二步，初始化种群；第三步，选择父母进入交配池、利用交叉和突变生成后代种群；第四步，环境选择出后代种群和当前种群中良好的解；第五步，确认当前迭代次数是否等于最大迭代次数，如果小于最大迭代次数则返回第三步，否则输出最终种群，算法结束。
3、目前主流的种群编码方法主要包含模拟二进制交叉（simulated binarycrossover，sbx）和差分进化（differential evolution，de）方法。差分进化算法是一种有效的全局优化算法，主要用于解决实值函数的优化问题。这种算法简单、鲁棒性好、易于实现，并能够很好地处理具有非线性、非凸、多峰、高维和不连续特性的优化问题。遗传算法（ga）受到生物进化过程的启发，通过模拟自然选择和遗传机制来求解优化问题。是启发式搜索算法，用于解决复杂的优化问题，尤其是那些难以用解析方法求解的非线性、非凸问题。两种
4、但是主流种群编码算法在部分测试问题中遇到困难，一些测试问题总表现为使用特定的算子性能更优，当算子改变时性能大打折扣，这就要求针对具体问题进行算子选择，以获得最优性能。但这无疑对算子选择发起了挑战。因此，出现了众多算子选择方法。为了提高搜索的效率，采用自适应算子选择策略根据优化算子最近的性能自适应地选择算子生成新的解是一种有效的方法。自适应算子选择（adaptive operator selection,aos）涉及两个主要任务：信用度分配和算子选择。前者定义了如何根据算子在搜索过程中的最近表现来对其进行奖励，而后者则使用这些奖励来决定下一步应该应用哪个算子。但不论如何，算子选择都需要凭借经验来设置合适的算法，这无疑对实际应用带来了困难。
5、基于上述，本专利旨在提出一种学习优势个体特征并针对具体问题自适应编码种群的种群编码方法，利用gcn学习优势个体特征，生成新的种群以供环境选择，以提高算法性能。
技术实现思路
1、为解决常规种群生成方法难以学习优势个体特征，本专利技术提供了一种种基于gcn驱动的种群编码的遗传算法，采用如下技术方案：
2、一种基于gcn种群编码方法的遗传算法，包括以下步骤：
3、步骤一：输入种群大小n、目标数量m和最大迭代次数maxgen。
4、步骤二：初始化种群c ，以gcn初始化方法初始化gcn网络模型和参数；
5、步骤三：对种群c进行csdr支配排序,取csdr支配的排序结果s,作为gcn训练目标y的一部分；
6、步骤四：计算种群c个体间的余弦距离以构建邻接矩阵dis；
7、步骤五：以当前种群c的决策变量decs作为输入，dis作为邻接矩阵，y=[objs,s]作为目标值，训练gcn模型；
8、步骤六：在gcn模型训练完成后，以中间层输出z2作为决策变量构建种群c’，对c和c’进行环境选择,选择n个个体作为下一轮的种群c。
9、优选的，在所述步骤一中，可选输入数据以适应更多测试问题。
10、优选的，在所述步骤二中，以glorot初始化方法，初始化输入维度为d、输出维度为d的两层隐藏网络参数和输入维度为d、输出维度为m+1的一层输出层网络参数。
11、优选的，在所述步骤三中，根据csdr支配关系进行非支配排序，对结合种群中每个个体排序，等级为1至l，其中l为满足 并且的最小值,其中fi为第i个分层中的个体。
12、优选的，在所述步骤四中，种群c间的决策变量decs的余弦距离将被用于构建gcn网络的邻接矩阵dis，余弦距离的计算公式如下：
13、
14、其中，和为decs中第i行和第j行的向量，表示向量和向量的点乘运算，为向量的模，为向量的模。
15、优选的，在所述步骤五中，从种群c中得到决策变量decs和目标变量objs；同时，将矩阵objs和s拼接成最终目标矩阵,即y=[objs,s]。
16、优选的，在所述步骤五中，gcn模型的训练过程如下：
17、首先，标准化邻接矩阵dis：，其中是由dis的度矩阵对半拆分而成；
18、然后，前向传播计算各层结果:
19、z1 = dis*decs*weight1
20、z2 = dis*z1*weight2
21、o= dis*z2*weight3
22、再然后，计算输出o和目标y间的交叉熵损失loss，计算公式为：
23、；
24、最后，根据loss使用adam方法反向传播更新权重weight1,weight2和weight3。
25、优选的，在所述步骤六中，在gcn模型训练完成后，以中间层输出z2作为决策变量，然后计算各个个体的目标值，生成新的种群c’，选用环境选择方法选取pareto支配解至下一代种群c。
26、优选的，在所述遗传算法中，以maxgen来控制算法运行时间。
27、优选的，还包括步骤七：重复以上步骤三至六，直到gen>maxgen为止，算法结束。
28、一种基于gcn驱动的种群编码方法的遗传算法主要包括以下几个步骤：
29、步骤一：输入种群大小n，目标数量m，maxgen 最大迭代次数。
30、步骤二：初始化种群c 和根据种群大小n，初始化gcn模型。
31、步骤三：对种群c进行csdr支配排序, 取csdr支配的排序结果s作为gcn训练目标y的一部分。
32、步骤四：计算种群c个体间的余弦距离以构建邻接矩阵dis。
33、步骤五：以当前种群c的决策变量d作为输入，dis作为邻接矩阵，y=[objs,s]作为目标值，训练gcn模型。
34、步骤六：在gcn网络训练完成后，以中间层输出z2作为决策变量构建种群c’，对c和c’进行环境选择,选择n个个体作为下一轮的种群c。
35、步骤七：重复以上步骤三至六，直到gen>maxgen为止，算法结束。
36、一种基于gcn驱动的遗传算法中gcn初始化方法主要包括以下几个步骤：
37、步骤一：输入种群大小n，目标数量m，决策变量数本文档来自技高网...
【技术保护点】
1.一种基于GCN种群编码方法的遗传算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于GCN种群编码方法的遗传算法，其特征在于，在所述步骤一中，选择输入数据以适应更多测试问题。
3.根据权利要求1所述的基于GCN种群编码方法的遗传算法，其特征在于，在所述步骤二中，以Glorot初始化方法，初始化输入维度为D、输出维度为D的两层隐藏网络参数和输入维度为D、输出维度为M+1的一层输出层网络参数。
4. 根据权利要求1所述的基于GCN种群编码方法的遗传算法，其特征在于，在所述步骤三中，根据CSDR支配关系进行非支配排序，对结合种群中每个个体排序，等级为1至l，其中l为满足 并且的最小值,其中Fi为第i个分层中的个体。
5.根据权利要求1所述的基于GCN种群编码方法的遗传算法，其特征在于，在所述步骤四中，种群C间的决策变量Decs的余弦距离将被用于构建GCN网络的邻接矩阵dis，余弦距离的计算公式如下：
6.根据权利要求1所述的基于GCN种群编码方法的遗传算法，其特征在于，在所述步骤五中，从种群C中得到决策变量Dec
7.根据权利要求1所述的基于GCN种群编码方法的遗传算法，其特征在于，在所述步骤五中，GCN模型的训练过程如下：
8.根据权利要求1所述的基于GCN种群编码方法的遗传算法，其特征在于，在所述步骤六中，在GCN模型训练完成后，以中间层输出Z2作为决策变量，然后计算各个个体的目标值，生成新的种群C’，选用环境选择方法选取Pareto支配解至下一代种群C。
9.根据权利要求1所述的基于GCN种群编码方法的遗传算法，其特征在于，在所述遗传算法中，以MaxGen来控制算法运行时间。
10.根据权利要求1所述的基于GCN种群编码方法的遗传算法，其特征在于，还包括步骤七：重复以上步骤三至六，直到gen>MaxGen为止，算法结束。
...【技术特征摘要】
1.一种基于gcn种群编码方法的遗传算法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于gcn种群编码方法的遗传算法，其特征在于，在所述步骤一中，选择输入数据以适应更多测试问题。
3.根据权利要求1所述的基于gcn种群编码方法的遗传算法，其特征在于，在所述步骤二中，以glorot初始化方法，初始化输入维度为d、输出维度为d的两层隐藏网络参数和输入维度为d、输出维度为m+1的一层输出层网络参数。
4. 根据权利要求1所述的基于gcn种群编码方法的遗传算法，其特征在于，在所述步骤三中，根据csdr支配关系进行非支配排序，对结合种群中每个个体排序，等级为1至l，其中l为满足 并且的最小值,其中fi为第i个分层中的个体。
5.根据权利要求1所述的基于gcn种群编码方法的遗传算法，其特征在于，在所述步骤四中，种群c间的决策变量decs的余弦距离将被用于构建gcn网络的邻接矩阵dis，余弦距离的计算公式如下：
6...
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。