[发明专利]基于纳什博弈的可外挂式智能排序方法及装置

权利要求书

1.一种基于纳什博弈的可外挂式智能排序方法，其特征在于，包括：

获取原始数据，将原始数据分为学习样本集和测试样本集；

确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；

采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据。

2.根据权利要求1所述的基于纳什博弈的可外挂式智能排序方法，其特征在于，还包括将最优测试结果与测试样本集中的结果数据进行对比，响应于大于设定误差，则重新根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则。

3.根据权利要求1所述的基于纳什博弈的可外挂式智能排序方法，其特征在于，还包括将最优测试结果与测试样本集中的结果数据进行对比，响应于大于设定误差，则将该最优测试结果对应的规则作为初始规则，对学习样本集进行重新排序学习。

4.根据权利要求1或2或3所述的基于纳什博弈的可外挂式智能排序方法，其特征在于，确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，包括：

确定有限条件，并生成初始随机规则，有限条件包括内存限制、速度要求、时间限制、执行次数限制、最大排序总次数、单一方向排序总次数、评估预设值、评估误差设定值；

根据该初始随机规则对学习样本进行N次递归排序，输出初始排序；

获得初始排序的评估结果与评估预设值的差值，并与评估误差设定值比较；

响应于大于误差，则双向爬山算法对学习样本进行随机排序，输出符合有限条件的最简优化规则。

5.根据权利要求4所述的基于纳什博弈的可外挂式智能排序方法，其特征在于，双向爬山算法包括正向排序和反向排序，具体过程包括：

随机选择一个方向进行排序，生成排序结果；

获得该次排序的评估结果，判断该次排序的评估结果是否小于初始排序的评估结果；

响应于是，则判断该次排序的评估结果是否小于评估误差设定值，响应于是，则输出该次排序对应的规则，响应于否，则继续沿该方向进行排序；

响应于否，则按反方向进行排序；

循环上述过程，在排序次数大于最大排序总次数或沿一个方向的排序次数大于单一方向排序总次数时，则输出评估结果最好的排序对应的规则。

6.根据权利要求1至5中任意一项所述的基于纳什博弈的可外挂式智能排序方法，其特征在于，采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于不大于设定误差，则输出对应的模型，包括：

将学习获得的规则作为正向规则，并根据正向规则确定反向规则；

通过反向搜索执行反向规则进行搜索初始条件的计算，通过正向搜索执行正向规则，获得所有测试样本对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于不大于设定误差，则输出对应的模型。

7.一种基于纳什博弈的可外挂式智能排序装置，其特征在于，包括：

数据获取单元，获取原始数据，将原始数据分为学习样本集和测试样本集；

最优排序库，确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；

递归排序库，采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据。