基于纳什博弈的可外挂式智能排序方法及装置制造方法及图纸

本发明专利技术涉及一种人工智能技术领域，是一种基于纳什博弈的可外挂式智能排序方法及装置，包括：获取原始数据；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；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，输出对应的模型。本发明专利技术是一个人工智能软件应用库，具有独立性，能运行在各种操作系统和软件架构上，并且操作简单，操作人员无需学习编程知识，无需超参数的设置、无需人工干预。同时本发明专利技术使用纳什博弈论作为理论基础，通过有边界的搜索学习机制来发现学习样本的最简排序操作，完成有限博弈，再采用递归排序对测试样本集执行最简优化规则，完成有限策略。

【技术实现步骤摘要】
基于纳什博弈的可外挂式智能排序方法及装置
本专利技术涉及一种人工智能
，是一种基于纳什博弈的可外挂式智能排序方法及装置。
技术介绍
现在随着人工智能，神经网络技术的发展，越来越多的计算能力被用来解决普通的问题，这是一个浪费。比如在农业领域或者大多数工业领域，只需要数百至数千个输入矢量，每个输入矢量包含数十列数据，总共几千至一万个数据是最常用的，此时用大型人工智能系统对这些应用就是一个浪费。同时现有人工智能机器学习系统多需要人工进行数据预处理及复杂参数的设置，故而对操作人员要求较高。
技术实现思路
本专利技术提供了一种基于纳什博弈的可外挂式智能排序方法及装置，克服了上述现有技术之不足，其能有效解决现有人工智能机器学习系统多依托于大型系统，存在资源浪费，且需要专业工作人员进行数据预处理、复杂参数设置的问题。本专利技术的技术方案之一是通过以下措施来实现的：一种基于纳什博弈的可外挂式智能排序方法，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。下面是对上述专利技术技术方案的进一步优化或/和改进：上述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。上述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。上述确定有限条件，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。上述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。上述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。本专利技术的技术方案之二是通过以下措施来实现的：一种基于纳什博弈的可外挂式智能排序装置，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。本专利技术使用纳什博弈论作为理论基础，根据有限条件对学习样本集进行排序学习，即通过有边界的搜索学习机制来发现学习样本的最简排序操作，完成有限博弈，再采用递归排序对测试样本集执行最简优化规则，实现最简优化规则的测试，输出对应的模型，完成有限策略，获得满足需求的最优结果。并且本专利技术是一个人工智能软件应用库，具有独立性，能运行在各种操作系统和软件架构上，既可以支持各种PC及其操作系统，也可以支持可编辑计算器和结构简单的工业控制器，如PC机、服务器，并行计算机、FPGA、单片机、可编程计算器等，并且操作简单，操作人员无需学习编程知识，无需超参数的设置、无需人工干预，同时本专利技术装置没有自己的安全设置，能与各种系统进行兼容，而不影响系统本身的运行。附图说明附图1为本专利技术实施例1的方法流程图。附图2为本专利技术实施例2的方法流程图。附图3为本专利技术实施例3的方法流程图。附图4为本专利技术实施例4的方法流程图。附图5为本专利技术实施例5的方法流程图。附图6为本专利技术实施例6的装置结果示意图。附图7为本专利技术实施例9的学习样本示意图。附图8为本专利技术实施例9的测试样本示意图。附图9为本专利技术实施例9的初始排序示意图。附图10为本专利技术实施例9的初始排序结果示意图。附图11为本专利技术实施例9中学习获得的规则示意图。附图12为本专利技术实施例9的反向规则示意图。附图13为本专利技术实施例9中递归排序后的最优测试结果示意图。附图14为本专利技术实施例9中递归排序后最优测试结果的模型示意图。附图15为本专利技术实施例9中递归排序模型输出的模型的图像文件示意图。附图16为本专利技术实施例9中BP反向学习算法输出的模型的图像文件示意图。附图17为本专利技术实施例9中的结果对比示意图。具体实施方式本专利技术不受下述实施例的限制，可根据本专利技术的技术方案与实际情况来确定具体的实施方式。名词解释：纳什博弈是一种非合作博弈，在其中达到一个状态，无论博弈任一方，都不会随意改变博弈策略，以达到最优结果，就是纳什均衡(即Δf(x)<0)。纳什已经证明，在一个有限的博弈下，不断以有限的策略递归执行可以达到不动点，最后达到纳什均衡。它之所以可以成立，是由于存在一个有界且连续效用函数，其在搜寻最优解过程中存在不动点(角谷静夫不动点定理)，f(x)＝x。不动点是一个动态的过程，由不动点可以得到在该处无论往任何方向偏离Δx，结果都将以更快的速度偏离上一个平衡点，即这就保证该递归的博弈过程必定带来一个不断深入广泛的搜索过本文档来自技高网...

【技术保护点】
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：/n获取原始数据，将原始数据分为学习样本集和测试样本集；/n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；/n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。/n

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：常松，盛建东，陈冰，石书兵，康定明，马英杰，张红忠，程军回，张凯，
申请(专利权)人：新疆海狸农牧业软件有限公司，
类型：发明
国别省市：新疆;65