[发明专利]一种提高遗传算法的时间效率的方法及装置、用户设备

说明书

技术领域

本发明涉及遗传和计算机技术领域，尤其涉及一种提高遗传算法的时间效率的方法及装置、用户设备。

背景技术

目前，一般的遗传算法是一个迭代搜索的过程，通过多次迭代将初始的种群进化至一个接近用户设定的优化目标的种群。在迭代的过程中，算法会不断产生新的种群然后进行个体评估，评估后经过遗传算法的个体选择，杂交和变异的操作淘汰掉弱势个体产生新的个体，新的个体会再次评估。这样的迭代优化过程并没有预先分析和估计产生的新的个体的适应度，而是直接通过用户的适应度函数进行计算，如果用户提供的适应度函数计算适应度的过程非常耗时，那么这种没有预先分析和估计产生新的个体适应度好坏程度的做法将耗费特别长的时间，特别是用户设定的种群数量非常大的情况，更会加剧这一搜索过程的时间代价。

发明内容

本发明实施例公开了一种提高遗传算法的时间效率的方法及装置、用户设备，有利于提高遗传算法的时间效率。

本发明实施例第一方面公开一种提高遗传算法的时间效率的方法，包括：

获取第一种群和第一种群的适应度矩阵及适应度平均值，并进入遗传算法的迭代搜索过程；

将第一种群通过遗传算法计算产生第二种群；

将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算，直至产生第三种群，其中，第三种群中所有个体的适应度都大于所述适应度平均值；所述机器学习回归模型是根据初始种群的适应度矩阵选取的机器学习算法构建的，用于对种群的适应度预测；

判断第三种群是否为最优解，如果不是最优解，则视第三种群为新的第一种群获取其适应度矩阵及适应度平均值进入下一个遗传算法的迭代搜索过程，直至得到最优解。

作为一种可选的实施方式，在本发明实施例第一方面中，所述方法在获取第一种群和第一种群的适应度矩阵及适应度平均值的步骤包括：

随机产生初始种群作为第一种群；

根据预设的适应度评估函数对第一种群进行适应度评估，并计算得到第一种群适应度矩阵及适应度平均值。

作为一种可选的实施方式，在本发明实施例第一方面中，在根据预设的适应度评估函数对所述初始种群进行适应度评估，并计算得到初始种群适应度矩阵及种群适应度平均值的步骤之后，所述方法还包括：

根据初始种群的适应度矩阵构建关于适应度预测的机器学习回归模型，所述机器学习回归模型用于对种群的适应度预测。

作为一种可选的实施方式，在本发明实施例第一方面中，所述方法中根据初始种群的适应度矩阵构建关于适应度预测的机器学习回归模型的步骤包括：

通过五折的交叉验证的方法进行机器学习算法的验证手段，从机器学习算法中选择精度最高的机器学习算法作为构建关于适应度值的模型的算法，构建出关于适应度预测的机器学习回归模型。

作为一种可选的实施方式，在本发明实施例第一方面中，所述方法中将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算，直至产生第三种群的步骤包括：

将第二种群通过机器学习回归模型进行适应度预测，并将适应度低于所述适应度平均值的个体通过遗传算法产生新的个体，再将新的个体通过所述机器学习回归模型进行适应度预测，直至产生第三种群，其中，第三种群中所有个体的适应度都大于所述适应度平均值。

本发明实施例第二方面公开一种提高遗传算法的时间效率的装置，包括：

获取模块，用于获取第一种群和第一种群的适应度矩阵及适应度平均值，并进入遗传算法的迭代搜索过程；以及获取第三种群的适应度矩阵及适应度平均值，并进入下一个遗传算法的迭代搜索过程；

第二种群产生模块，用于将第一种群通过遗传算法计算产生第二种群；

第三种群产生模块，用于将第二种群通过机器学习回归模型进行适应度预测及遗传算法进行计算，直至产生第三种群，其中，第三种群中所有个体的适应度都大于所述适应度平均值；所述机器学习回归模型是根据初始种群选取的机器学习算法构建的，用于对种群的适应度预测；

判断模块，用于第三种群是否为最优解。

作为一种可选的实施方式，在本发明实施例第二方面中，所述获取模块包括：

初始种群产生单元，用于随机产生初始种群作为第一种群；

适应度评估单元，用于根据预设的适应度评估函数对第一种群进行适应度评估，并计算得到第一种群适应度矩阵及适应度平均值。

作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：