[发明专利]基于灰支持向量回归机预测适应值的交互式集合进化方法

说明书

本发明公布了一种基于灰支持向量回归机预测适应值的交互式集合进化计算方法，其具体步骤如下：进化开始前，系统为用户提供设计环境，随机生成初始进化种群；通过交互界面，人对Nc个体进行数值评价；系统根据个体相似度对种群聚类，估计聚类内非用户评价个体适应值，并采用灰支持向量回归机预测适应值；根据多样性、分布性个不确定性测度对集合进化个体进行Pareto占优排序，并对集合进化个体采用自适应交叉和变异操作，生成同等规模临时种群；将父代种群和临时种群合并，挑选前N个个体作为子代种群；最后，对子代种群等间距划分为Nc个单元，从每个单元中随机选取1个个体，共将Nc个个体推荐给用户。

技术领域

本发明属于智能计算领域，特别是涉及一种基于灰支持向量回归机预测适应值的交互式集合进化优化方法，并用于颜色匹配方案的选型。

背景技术

20世纪90年代提出的基于启发式学习的交互式进化计算应用于求解隐式指标优化问题需要解决2个基本问题：(1)如何有效提取隐式知识；(2)如何高质量求解隐式性能指标。

对于第1个问题，主要有2种研究策略：一是在边交互边进化方式下，通过人-机交互接口直接提取隐式知识。这主要集中于适应值赋值方式的研究，如2014年出版的期刊《自动化学报》第2期“基于区间适应值交互式遗传算法的加权多输出高斯过程代理模型”采用区间数等不确定数表达适应值，反映用户的偏好特性；2017年出版的期刊《电子学报》第12期“基于熵极大化准则的非用户赋适应值交互式遗传算法”和2016年出版的期刊《AppliedIntelligence》第3期“Predicting user’s preferences using neural networks andpsychology models”结合用户浏览行为表达个性化需求，弥补数值类型适应值偏好知识表达的不足。直接获取隐式知识计算量小，方法简单，但主观性强，信息不确定性较大，噪声含量较高。二是间接获取隐式知识，即在进化过程中挖掘隐式知识，提取有价值偏好信息。2017年出版的期刊《郑州大学学报(工学版)》第6期“.基于可能性条件偏好网络的交互式遗传算法及其应用”采用偏好网络拟合用户偏好，估计个体适应值和引导搜索；类似地，2017年出版的期刊《Automated Software Engineering》第3期“An Architecture based oninteractive optimization and machine learning applied to the next releaseproblem”采用神经网络学习用户偏好，估计适应值。间接获取隐式知识是对偏好信息的深度挖掘，增强了算法的搜索能力，但代理模型建模比较复杂，估计误差无法测量，依然会带来大量适应值噪声。深入挖掘用户行为模式的适应值估计/表达策略有望提高隐式知识提取的效果或在更复杂的场景下提取知识，但从优化性能整体看，仅依靠提高隐式知识提取力度获得算法性能提升有很大局限性。对于第2个问题，主要通过降低用户疲劳的高效进化策略实现。采用大种群规模可以提高算法搜索能力，但这种方法需要解决大量未评价个体适应值估计问题。采用代理模型执行进化操作可以降低用户工作量，为用户节省时间开销。如2014年出版的期刊《电子学报》第8期“基于精英集选择进化个体的交互式遗传算法”构建个体精英集，选择与精英集相似的个体类别直接用于遗传操作，减轻用户负担。将上述思想结合，在大规模种群下采用进化代理模型可以显著提高算法性能。

在上述算法中,如何设计种群进化策略至关重要，由于代理模型会产生误差累积，控制误差是一个难以解决的问题。若将集合进化方法应用于大规模种群聚类进化，则可以提高搜索效率；同时，如采用代理模型重新评价已有大规模种群个体的估计适应值，则可以提高适应值精度，两者融合，取长补短，则有望改进当前交互式进化优化算法性能。经查阅相关文献，目前还不存在应用灰支持向量回归机预测适应值的交互式集合进化优化方法。如能开发出相关的高效设计系统，不仅会推动颜色匹配设计，对其他产品设计也将具有重大启发意义。

发明内容

本发明所要解决的技术问题是：克服现有适应值估计技术的不足，提供一种减少适应值估计误差、降低用户负担、增强算法搜索能力且提高进化优化质量的交互式进化优化方法。