本發(fā)明涉及遺傳和計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種提高遺傳算法的時(shí)間效率的方法及裝置、用戶設(shè)備。

背景技術(shù)：

目前，一般的遺傳算法是一個(gè)迭代搜索的過程，通過多次迭代將初始的種群進(jìn)化至一個(gè)接近用戶設(shè)定的優(yōu)化目標(biāo)的種群。在迭代的過程中，算法會(huì)不斷產(chǎn)生新的種群然后進(jìn)行個(gè)體評(píng)估，評(píng)估后經(jīng)過遺傳算法的個(gè)體選擇，雜交和變異的操作淘汰掉弱勢(shì)個(gè)體產(chǎn)生新的個(gè)體，新的個(gè)體會(huì)再次評(píng)估。這樣的迭代優(yōu)化過程并沒有預(yù)先分析和估計(jì)產(chǎn)生的新的個(gè)體的適應(yīng)度，而是直接通過用戶的適應(yīng)度函數(shù)進(jìn)行計(jì)算，如果用戶提供的適應(yīng)度函數(shù)計(jì)算適應(yīng)度的過程非常耗時(shí)，那么這種沒有預(yù)先分析和估計(jì)產(chǎn)生新的個(gè)體適應(yīng)度好壞程度的做法將耗費(fèi)特別長(zhǎng)的時(shí)間，特別是用戶設(shè)定的種群數(shù)量非常大的情況，更會(huì)加劇這一搜索過程的時(shí)間代價(jià)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例公開了一種提高遺傳算法的時(shí)間效率的方法及裝置、用戶設(shè)備，有利于提高遺傳算法的時(shí)間效率。

本發(fā)明實(shí)施例第一方面公開一種提高遺傳算法的時(shí)間效率的方法，包括：

獲取第一種群和第一種群的適應(yīng)度矩陣及適應(yīng)度平均值，并進(jìn)入遺傳算法的迭代搜索過程；

將第一種群通過遺傳算法計(jì)算產(chǎn)生第二種群；

將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)及遺傳算法進(jìn)行計(jì)算，直至產(chǎn)生第三種群，其中，第三種群中所有個(gè)體的適應(yīng)度都大于所述適應(yīng)度平均值；所述機(jī)器學(xué)習(xí)回歸模型是根據(jù)初始種群的適應(yīng)度矩陣選取的機(jī)器學(xué)習(xí)算法構(gòu)建的，用于對(duì)種群的適應(yīng)度預(yù)測(cè)；

判斷第三種群是否為最優(yōu)解，如果不是最優(yōu)解，則視第三種群為新的第一種群獲取其適應(yīng)度矩陣及適應(yīng)度平均值進(jìn)入下一個(gè)遺傳算法的迭代搜索過程，直至得到最優(yōu)解。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，所述方法在獲取第一種群和第一種群的適應(yīng)度矩陣及適應(yīng)度平均值的步驟包括：

隨機(jī)產(chǎn)生初始種群作為第一種群；

根據(jù)預(yù)設(shè)的適應(yīng)度評(píng)估函數(shù)對(duì)第一種群進(jìn)行適應(yīng)度評(píng)估，并計(jì)算得到第一種群適應(yīng)度矩陣及適應(yīng)度平均值。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，在根據(jù)預(yù)設(shè)的適應(yīng)度評(píng)估函數(shù)對(duì)所述初始種群進(jìn)行適應(yīng)度評(píng)估，并計(jì)算得到初始種群適應(yīng)度矩陣及種群適應(yīng)度平均值的步驟之后，所述方法還包括：

根據(jù)初始種群的適應(yīng)度矩陣構(gòu)建關(guān)于適應(yīng)度預(yù)測(cè)的機(jī)器學(xué)習(xí)回歸模型，所述機(jī)器學(xué)習(xí)回歸模型用于對(duì)種群的適應(yīng)度預(yù)測(cè)。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，所述方法中根據(jù)初始種群的適應(yīng)度矩陣構(gòu)建關(guān)于適應(yīng)度預(yù)測(cè)的機(jī)器學(xué)習(xí)回歸模型的步驟包括：

通過五折的交叉驗(yàn)證的方法進(jìn)行機(jī)器學(xué)習(xí)算法的驗(yàn)證手段，從機(jī)器學(xué)習(xí)算法中選擇精度最高的機(jī)器學(xué)習(xí)算法作為構(gòu)建關(guān)于適應(yīng)度值的模型的算法，構(gòu)建出關(guān)于適應(yīng)度預(yù)測(cè)的機(jī)器學(xué)習(xí)回歸模型。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第一方面中，所述方法中將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)及遺傳算法進(jìn)行計(jì)算，直至產(chǎn)生第三種群的步驟包括：

將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)，并將適應(yīng)度低于所述適應(yīng)度平均值的個(gè)體通過遺傳算法產(chǎn)生新的個(gè)體，再將新的個(gè)體通過所述機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)，直至產(chǎn)生第三種群，其中，第三種群中所有個(gè)體的適應(yīng)度都大于所述適應(yīng)度平均值。

本發(fā)明實(shí)施例第二方面公開一種提高遺傳算法的時(shí)間效率的裝置，包括：

獲取模塊，用于獲取第一種群和第一種群的適應(yīng)度矩陣及適應(yīng)度平均值，并進(jìn)入遺傳算法的迭代搜索過程；以及獲取第三種群的適應(yīng)度矩陣及適應(yīng)度平均值，并進(jìn)入下一個(gè)遺傳算法的迭代搜索過程；

第二種群產(chǎn)生模塊，用于將第一種群通過遺傳算法計(jì)算產(chǎn)生第二種群；

第三種群產(chǎn)生模塊，用于將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)及遺傳算法進(jìn)行計(jì)算，直至產(chǎn)生第三種群，其中，第三種群中所有個(gè)體的適應(yīng)度都大于所述適應(yīng)度平均值；所述機(jī)器學(xué)習(xí)回歸模型是根據(jù)初始種群選取的機(jī)器學(xué)習(xí)算法構(gòu)建的，用于對(duì)種群的適應(yīng)度預(yù)測(cè)；

判斷模塊，用于第三種群是否為最優(yōu)解。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第二方面中，所述獲取模塊包括：

初始種群產(chǎn)生單元，用于隨機(jī)產(chǎn)生初始種群作為第一種群；

適應(yīng)度評(píng)估單元，用于根據(jù)預(yù)設(shè)的適應(yīng)度評(píng)估函數(shù)對(duì)第一種群進(jìn)行適應(yīng)度評(píng)估，并計(jì)算得到第一種群適應(yīng)度矩陣及適應(yīng)度平均值。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第二方面中，所述裝置還包括：

機(jī)器學(xué)習(xí)回歸模型構(gòu)建模塊，用于根據(jù)初始種群的適應(yīng)度矩陣構(gòu)建關(guān)于適應(yīng)度預(yù)測(cè)的機(jī)器學(xué)習(xí)回歸模型，所述機(jī)器學(xué)習(xí)回歸模型用于對(duì)種群的適應(yīng)度預(yù)測(cè)。

作為一種可選的實(shí)施方式，在本發(fā)明實(shí)施例第二方面中，所述第三種群產(chǎn)生模塊包括：

適應(yīng)度預(yù)測(cè)單元，用于將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)；

新個(gè)體產(chǎn)生單元，用于將適應(yīng)度低于所述適應(yīng)度平均值的個(gè)體通過遺傳算法產(chǎn)生新的個(gè)體；

其中，所述適應(yīng)度預(yù)測(cè)單元還用于將新個(gè)體產(chǎn)生單元產(chǎn)生的新的個(gè)體通過所述機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)。

本發(fā)明實(shí)施例第三方面公開一種用戶設(shè)備，包括本發(fā)明實(shí)施例第二方面公開的所述提高遺傳算法的時(shí)間效率的裝置。

與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)施例具備以下有益效果：

本發(fā)明實(shí)施例中，通過獲取第一種群的適應(yīng)度矩陣及適應(yīng)度平均值，再將第一種群進(jìn)入遺傳算法迭代搜索過程，具體先將第一種群通過遺傳算法計(jì)算產(chǎn)生第二種群，再將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)及遺傳算法進(jìn)行計(jì)算，直至產(chǎn)生第三種群，其中，第三種群中所有個(gè)體的適應(yīng)度都大于所述適應(yīng)度平均值，再判斷第三種群是否為最優(yōu)解，如果不是最優(yōu)解，則視第三種群為新的第一種群獲取其適應(yīng)度矩陣及適應(yīng)度平均值進(jìn)入下一個(gè)遺傳算法的迭代搜索過程，直至得到最優(yōu)解。本發(fā)明實(shí)施例能夠通過預(yù)先分析和預(yù)測(cè)產(chǎn)生的新的個(gè)體的適應(yīng)度，進(jìn)而淘汰大量的適應(yīng)度差的個(gè)體，在用戶的適應(yīng)度函數(shù)計(jì)算時(shí)間代價(jià)太大、種群多的情況下，本發(fā)明實(shí)施例所描述的方法能有效的節(jié)約時(shí)間成本，提高搜索算法的時(shí)間效率。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例中的技術(shù)方案，下面將對(duì)實(shí)施例中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實(shí)施例公開的一種提高遺傳算法的時(shí)間效率的方法的流程示意圖；

圖2是本發(fā)明實(shí)施例公開的另一種提高遺傳算法的時(shí)間效率的方法的流程示意圖；

圖3是本發(fā)明實(shí)施例公開的一種提高遺傳算法的時(shí)間效率的裝置的結(jié)構(gòu)示意圖；

圖4是本發(fā)明實(shí)施例公開的另一種提高遺傳算法的時(shí)間效率的裝置的結(jié)構(gòu)示意圖；

圖5是本發(fā)明實(shí)施例公開的一種用戶設(shè)備的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

需要說明的是，本發(fā)明實(shí)施例的術(shù)語“包括”和“具有”以及他們的任何變形，意圖在于覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統(tǒng)、產(chǎn)品或設(shè)備不必限于清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或?qū)τ谶@些過程、方法、產(chǎn)品或設(shè)備固有的其它步驟或單元。

本發(fā)明實(shí)施例公開了一種提高遺傳算法的時(shí)間效率的方法及裝置、用戶設(shè)備，有利于提高遺傳算法的時(shí)間效率，節(jié)約時(shí)間成本。以下進(jìn)行結(jié)合附圖進(jìn)行詳細(xì)描述。

實(shí)施例一

請(qǐng)參閱圖1，圖1是本發(fā)明實(shí)施例公開的一種提高遺傳算法的時(shí)間效率的方法的流程示意圖。如圖1所示，該提高遺傳算法的時(shí)間效率的方法可以包括以下步驟：

101、獲取第一種群和第一種群的適應(yīng)度矩陣及適應(yīng)度平均值，并進(jìn)入遺傳算法的迭代搜索過程；

獲取第一種群，如果是遺傳算法的第一次迭代搜索過程，則第一種群為初始種群，初始種群可以由用戶提供，也可以是隨機(jī)產(chǎn)生的，此處不做限制。如果不是遺傳算法的第一次迭代搜索過程，那么，第一種群為上一次迭代搜索過程中產(chǎn)生的新的種群。

獲取第一種群的適應(yīng)度矩陣，即先對(duì)第一種群的適應(yīng)度進(jìn)行評(píng)估，再根據(jù)評(píng)估結(jié)果計(jì)算出第一種群的適應(yīng)度平均值。然后第一種群進(jìn)入遺傳算法的迭代搜索過程。

102、將第一種群通過遺傳算法計(jì)算產(chǎn)生第二種群；

第一種群通過遺傳算法計(jì)算，即通過個(gè)體的選擇，雜交和變異的操作產(chǎn)生新的種群。

103、將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)及遺傳算法進(jìn)行計(jì)算，直至產(chǎn)生第三種群；

新產(chǎn)生的第二種群，通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)，并將適應(yīng)度低于所述適應(yīng)度平均值的個(gè)體通過遺傳算法產(chǎn)生新的個(gè)體，再將新的個(gè)體通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)，直至產(chǎn)生第三種群，其中，第三種群中所有個(gè)體的適應(yīng)度都大于在步驟101中獲取的第一種群的適應(yīng)度平均值。并且，機(jī)器學(xué)習(xí)回歸模型是根據(jù)初始種群的適應(yīng)度矩陣選取的機(jī)器學(xué)習(xí)算法構(gòu)建的，用于對(duì)種群的適應(yīng)度預(yù)測(cè)。

104、判斷第三種群是否為最優(yōu)解；

判斷遺傳算法迭代搜索過程結(jié)束后產(chǎn)生的新的種群，即步驟103中產(chǎn)生的種群是不是本遺傳算法的最優(yōu)解，如果為最優(yōu)解，則流程結(jié)束；如果不是最優(yōu)解，則視第三種群為新的第一種群獲取其適應(yīng)度矩陣及適應(yīng)度平均值進(jìn)入下一個(gè)遺傳算法的迭代搜索過程，即返回步驟102，直至得到最優(yōu)解。

在圖1所描述的方法，通過獲取第一種群的適應(yīng)度矩陣及適應(yīng)度平均值，再將第一種群進(jìn)入遺傳算法迭代搜索過程，具體先將第一種群通過遺傳算法計(jì)算產(chǎn)生第二種群，再將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)及遺傳算法進(jìn)行計(jì)算，直至產(chǎn)生第三種群，其中，第三種群中所有個(gè)體的適應(yīng)度都大于所述適應(yīng)度平均值，再判斷第三種群是否為最優(yōu)解，如果不是最優(yōu)解，則視第三種群為新的第一種群獲取其適應(yīng)度矩陣及適應(yīng)度平均值進(jìn)入下一個(gè)遺傳算法的迭代搜索過程，直至得到最優(yōu)解。可見，圖1描述的方法通過預(yù)先分析和預(yù)測(cè)產(chǎn)生的新的個(gè)體的適應(yīng)度，進(jìn)而淘汰大量的適應(yīng)度差的個(gè)體，在用戶的適應(yīng)度函數(shù)計(jì)算時(shí)間代價(jià)太大、種群多的情況下，圖1描述的方法能有效的節(jié)約時(shí)間成本，提高搜索算法的時(shí)間效率。

實(shí)施例二

請(qǐng)參閱圖2，圖2是本發(fā)明實(shí)施例公開的另一種提高遺傳算法的時(shí)間效率的方法的流程示意圖。如圖2所示，該提高遺傳算法的時(shí)間效率的方法可以包括以下步驟：

201、隨機(jī)產(chǎn)生初始種群作為第一種群；

如果是遺傳算法的第一次迭代搜索過程，首先隨機(jī)產(chǎn)生初始種群作為第一種群；例如，第一種群為：

202、根據(jù)預(yù)設(shè)的適應(yīng)度評(píng)估函數(shù)對(duì)第一種群進(jìn)行適應(yīng)度評(píng)估，并計(jì)算得到第一種群適應(yīng)度矩陣及適應(yīng)度平均值；

適應(yīng)度評(píng)估的函數(shù)一般由用戶提供，適應(yīng)度評(píng)估函數(shù)的功能是計(jì)算輸入的每一個(gè)個(gè)體的適應(yīng)度值，通過適應(yīng)度評(píng)估函數(shù)計(jì)算輸入的每個(gè)個(gè)體的適應(yīng)度值S，最終得到一個(gè)適應(yīng)度矩陣：

同時(shí)可以計(jì)算得到種群的適應(yīng)度平均值＝(S1+S2+…Sm)/m。

203、根據(jù)第一種群的適應(yīng)度矩陣構(gòu)建關(guān)于適應(yīng)度預(yù)測(cè)的機(jī)器學(xué)習(xí)回歸模型；

當(dāng)初始種群評(píng)估完后，會(huì)得到一個(gè)適應(yīng)度矩陣，利用這個(gè)矩陣構(gòu)建一個(gè)合適的關(guān)于適應(yīng)度的機(jī)器學(xué)習(xí)回歸模型，在構(gòu)建模型之前，本發(fā)明實(shí)施例增加了一個(gè)模型選擇的過程，通過該過程可以在通用的機(jī)器學(xué)習(xí)算法中選擇一個(gè)合適的算法構(gòu)建關(guān)于適應(yīng)度的模型，該模型能夠?qū)崿F(xiàn)較高的預(yù)測(cè)精度，能準(zhǔn)確地預(yù)測(cè)產(chǎn)生的新個(gè)體的適應(yīng)度值。本實(shí)施例中通過五折的交叉驗(yàn)證的方法進(jìn)行機(jī)器學(xué)習(xí)算法的驗(yàn)證手段，從比較流行的機(jī)器學(xué)習(xí)算法，例如：支持向量機(jī)、回歸樹、隨機(jī)森林以及人工神經(jīng)網(wǎng)絡(luò)等等算法中選擇精度最高的機(jī)器學(xué)習(xí)算法作為構(gòu)建關(guān)于適應(yīng)度值的模型的算法。當(dāng)選擇了合適的算法后，就利用該算法構(gòu)建關(guān)于適應(yīng)度的機(jī)器學(xué)習(xí)回歸模型。

204、將第一種群通過遺傳算法計(jì)算產(chǎn)生第二種群；

第一種群通過遺傳算法計(jì)算，即通過個(gè)體的選擇，雜交和變異的操作產(chǎn)生新的種群。

205、通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)；

將當(dāng)前的種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)。

206、判斷第二種群中個(gè)體的適應(yīng)度是否高于適應(yīng)度平均值；

通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)后，再判斷當(dāng)前種群中個(gè)體的適應(yīng)度是否高于適應(yīng)度平均值，如果是，則執(zhí)行步驟208，如果否，則執(zhí)行步驟207。

207、將適應(yīng)度低于適應(yīng)度平均值的個(gè)體通過遺傳算法產(chǎn)生新的個(gè)體；

對(duì)于適應(yīng)度值低于適應(yīng)度平均值的個(gè)體將被提前淘汰，被淘汰的個(gè)體將通過遺傳算法的選擇，雜交和變異過程產(chǎn)生新的個(gè)體。再返回步驟205通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)，直到適應(yīng)度是否高于適應(yīng)度平均值。

208、生成第三種群；

如果當(dāng)前種群中個(gè)體的適應(yīng)度高于適應(yīng)度平均值，則當(dāng)前種群為第三種群。

209、判斷第三種群是否為最優(yōu)解，如果是，則執(zhí)行步驟211結(jié)束流程，如果否，則執(zhí)行步驟210。

210、視第三種群為新的第一種群獲取其適應(yīng)度矩陣及適應(yīng)度平均值進(jìn)入下一個(gè)遺傳算法的迭代搜索過程；

如果第三種群中個(gè)體的適應(yīng)度高于適應(yīng)度平均值，但還不是本遺傳算法的最優(yōu)解，則獲取第三種群的適應(yīng)度矩陣及適應(yīng)度平均值，并進(jìn)入到下一個(gè)遺傳算法的迭代搜索過程。返回步驟204，直至得到最優(yōu)解。

其中，實(shí)施圖2所描述的方法能夠通過預(yù)先分析和預(yù)測(cè)產(chǎn)生的新的個(gè)體的適應(yīng)度，進(jìn)而淘汰大量的適應(yīng)度差的個(gè)體，在用戶的適應(yīng)度函數(shù)計(jì)算時(shí)間代價(jià)太大、種群多的情況下，圖2描述的方法能有效的節(jié)約時(shí)間成本，提高搜索算法的時(shí)間效率。

實(shí)施例三

請(qǐng)參閱圖3，圖3是本發(fā)明實(shí)施例公開的一種提高遺傳算法的時(shí)間效率的裝置的結(jié)構(gòu)示意圖。如圖3所示，該提高遺傳算法的時(shí)間效率的裝置可以包括：

獲取模塊301，用于獲取第一種群和第一種群的適應(yīng)度矩陣及適應(yīng)度平均值，并進(jìn)入遺傳算法的迭代搜索過程。獲取第一種群，如果是遺傳算法的第一次迭代搜索過程，則第一種群為初始種群，初始種群可以由用戶提供，也可以是隨機(jī)產(chǎn)生的，此處不做限制。如果不是遺傳算法的第一次迭代搜索過程，那么，第一種群為上一次迭代搜索過程中產(chǎn)生的新的種群。獲取第一種群的適應(yīng)度矩陣，即先對(duì)第一種群的適應(yīng)度進(jìn)行評(píng)估，再根據(jù)評(píng)估結(jié)果計(jì)算出第一種群的適應(yīng)度平均值。然后第一種群進(jìn)入遺傳算法的迭代搜索過程。

第二種群產(chǎn)生模塊302，用于將第一種群通過遺傳算法計(jì)算產(chǎn)生第二種群，即通過個(gè)體的選擇，雜交和變異的操作產(chǎn)生新的種群。

第三種群產(chǎn)生模塊303，用于將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)及遺傳算法進(jìn)行計(jì)算，直至產(chǎn)生第三種群。新產(chǎn)生的第二種群，通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)，并將適應(yīng)度低于所述適應(yīng)度平均值的個(gè)體通過遺傳算法產(chǎn)生新的個(gè)體，再將新的個(gè)體通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)，直至產(chǎn)生第三種群，其中，第三種群中所有個(gè)體的適應(yīng)度都大于在獲取模塊301獲取的第一種群的適應(yīng)度平均值。并且，機(jī)器學(xué)習(xí)回歸模型是根據(jù)初始種群的適應(yīng)度矩陣選取的機(jī)器學(xué)習(xí)算法構(gòu)建的，用于對(duì)種群的適應(yīng)度預(yù)測(cè)。其中，第三種群中所有個(gè)體的適應(yīng)度都大于適應(yīng)度平均值；并且機(jī)器學(xué)習(xí)回歸模型是根據(jù)初始種群選取的機(jī)器學(xué)習(xí)算法構(gòu)建的，用于對(duì)種群的適應(yīng)度預(yù)測(cè)。

判斷模塊304，用于第三種群是否為最優(yōu)解。

獲取模塊301，還用于獲取第三種群的適應(yīng)度矩陣及適應(yīng)度平均值，并進(jìn)入下一個(gè)遺傳算法的迭代搜索過程。如果判斷模塊304判斷出第三種群不是當(dāng)前遺傳算法的最優(yōu)解，則視第三種群為新的第一種群獲取其適應(yīng)度矩陣及適應(yīng)度平均值進(jìn)入下一個(gè)遺傳算法的迭代搜索過程。

在圖3所描述的裝置，獲取模塊301獲取第一種群的適應(yīng)度矩陣及適應(yīng)度平均值，再將第一種群進(jìn)入遺傳算法迭代搜索過程，具體第二種群產(chǎn)生模塊302先將第一種群通過遺傳算法計(jì)算產(chǎn)生第二種群，第三種群產(chǎn)生模塊303再將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)及遺傳算法進(jìn)行計(jì)算，直至產(chǎn)生第三種群，其中，第三種群中所有個(gè)體的適應(yīng)度都大于適應(yīng)度平均值，再由判斷模塊304判斷第三種群是否為最優(yōu)解，如果不是最優(yōu)解，則視第三種群為新的第一種群由獲取模塊301獲取其適應(yīng)度矩陣及適應(yīng)度平均值進(jìn)入下一個(gè)遺傳算法的迭代搜索過程，直至得到最優(yōu)解。可見，圖3所示裝置通過預(yù)先分析和預(yù)測(cè)產(chǎn)生的新的個(gè)體的適應(yīng)度，進(jìn)而淘汰大量的適應(yīng)度差的個(gè)體，在用戶的適應(yīng)度函數(shù)計(jì)算時(shí)間代價(jià)太大、種群多的情況下，圖3所示的裝置能有效的節(jié)約時(shí)間成本，提高搜索算法的時(shí)間效率。

實(shí)施例四

請(qǐng)參閱圖4，圖4是本發(fā)明實(shí)施例公開的另一種提高遺傳算法的時(shí)間效率的裝置的結(jié)構(gòu)示意圖。其中，圖4所示的提高遺傳算法的時(shí)間效率的裝置是由于圖3所示的提高遺傳算法的時(shí)間效率的裝置進(jìn)行優(yōu)化得到的。與圖3所示的提高遺傳算法的時(shí)間效率的裝置相比，圖4所示的提高遺傳算法的時(shí)間效率的裝置還可以包括：

機(jī)器學(xué)習(xí)回歸模型構(gòu)建模塊302，用于根據(jù)初始種群的適應(yīng)度矩陣構(gòu)建關(guān)于適應(yīng)度預(yù)測(cè)的機(jī)器學(xué)習(xí)回歸模型，其中，機(jī)器學(xué)習(xí)回歸模型用于對(duì)種群的適應(yīng)度預(yù)測(cè)。具體的，利用這個(gè)適應(yīng)度矩陣構(gòu)建一個(gè)合適的關(guān)于適應(yīng)度的機(jī)器學(xué)習(xí)回歸模型，在構(gòu)建模型之前，本發(fā)明實(shí)施例增加了一個(gè)模型選擇的過程，通過該過程可以在通用的機(jī)器學(xué)習(xí)算法中選擇一個(gè)合適的算法構(gòu)建關(guān)于適應(yīng)度的模型，該模型能夠?qū)崿F(xiàn)較高的預(yù)測(cè)精度，能準(zhǔn)確地預(yù)測(cè)產(chǎn)生的新個(gè)體的適應(yīng)度值。本實(shí)施例中通過五折的交叉驗(yàn)證的方法進(jìn)行機(jī)器學(xué)習(xí)算法的驗(yàn)證手段，從比較流行的機(jī)器學(xué)習(xí)算法，例如：支持向量機(jī)、回歸樹、隨機(jī)森林以及人工神經(jīng)網(wǎng)絡(luò)等等算法中選擇精度最高的機(jī)器學(xué)習(xí)算法作為構(gòu)建關(guān)于適應(yīng)度值的模型的算法。當(dāng)選擇了合適的算法后，就利用該算法構(gòu)建關(guān)于適應(yīng)度的機(jī)器學(xué)習(xí)回歸模型。

進(jìn)一步的，獲取模塊301包括：

初始種群產(chǎn)生單元3011，用于隨機(jī)產(chǎn)生初始種群作為第一種群。

適應(yīng)度評(píng)估單元3012，用于根據(jù)預(yù)設(shè)的適應(yīng)度評(píng)估函數(shù)對(duì)第一種群進(jìn)行適應(yīng)度評(píng)估，并計(jì)算得到第一種群適應(yīng)度矩陣及適應(yīng)度平均值。

進(jìn)一步的，第三種群產(chǎn)生模塊304包括：

適應(yīng)度預(yù)測(cè)單元3041，用于將第二種群通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)。

新個(gè)體產(chǎn)生單元3042，用于將適應(yīng)度低于適應(yīng)度平均值的個(gè)體通過遺傳算法產(chǎn)生新的個(gè)體。

其中，適應(yīng)度預(yù)測(cè)單元3041還用于將新個(gè)體產(chǎn)生單元產(chǎn)生的新的個(gè)體通過機(jī)器學(xué)習(xí)回歸模型進(jìn)行適應(yīng)度預(yù)測(cè)。

其中，本實(shí)施例中描述的裝置，通過初始種群適應(yīng)度矩陣構(gòu)建一個(gè)合適的關(guān)于適應(yīng)度的機(jī)器學(xué)習(xí)回歸模型，能夠通過預(yù)先分析和預(yù)測(cè)產(chǎn)生的新的個(gè)體的適應(yīng)度，進(jìn)而淘汰大量的適應(yīng)度差的個(gè)體，在用戶的適應(yīng)度函數(shù)計(jì)算時(shí)間代價(jià)太大、種群多的情況下，圖4所示的裝置能有效的節(jié)約時(shí)間成本，提高搜索算法的時(shí)間效率。

實(shí)施例五

請(qǐng)參閱圖5，圖5是本發(fā)明實(shí)施例公開的一種用戶設(shè)備的結(jié)構(gòu)示意圖。其中，圖5所示的用戶設(shè)備包括圖3～圖4任意一種提高遺傳算法的時(shí)間效率的裝置。實(shí)施圖5所示的用戶設(shè)備，能夠通過預(yù)先分析和預(yù)測(cè)產(chǎn)生的新的個(gè)體的適應(yīng)度，進(jìn)而淘汰大量的適應(yīng)度差的個(gè)體，在用戶的適應(yīng)度函數(shù)計(jì)算時(shí)間代價(jià)太大、種群多的情況下，圖5所示的用戶設(shè)備能有效的節(jié)約時(shí)間成本，提高搜索算法的時(shí)間效率。

本領(lǐng)域普通技術(shù)人員可以理解上述實(shí)施例的各種方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，該程序可以存儲(chǔ)于一計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中，存儲(chǔ)介質(zhì)包括只讀存儲(chǔ)器(Read-Only Memory，ROM)、隨機(jī)存儲(chǔ)器(Random Access Memory，RAM)、可編程只讀存儲(chǔ)器(Programmable Read-only Memory，PROM)、可擦除可編程只讀存儲(chǔ)器(Erasable Programmable Read Only Memory，EPROM)、一次可編程只讀存儲(chǔ)器(One-time Programmable Read-Only Memory，OTPROM)、電子抹除式可復(fù)寫只讀存儲(chǔ)器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只讀光盤(Compact Disc Read-Only Memory，CD-ROM)或其他光盤存儲(chǔ)器、磁盤存儲(chǔ)器、磁帶存儲(chǔ)器、或者能夠用于攜帶或存儲(chǔ)數(shù)據(jù)的計(jì)算機(jī)可讀的任何其他介質(zhì)。

以上對(duì)本發(fā)明實(shí)施例公開的一種提高遺傳算法的時(shí)間效率的方法及裝置、用戶設(shè)備進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。