【技术实现步骤摘要】
本专利技术涉及大规模重叠优化，尤其涉及一种用于大规模重叠优化问题的底层结构检测方法、一种用于大规模重叠优化问题的底层结构检测系统，以及一种计算机可读存储介质。
技术介绍
1、大规模优化问题定义为具有数千到数十亿决策变量的优化问题。在大规模优化问题的背景下，衍生出一个新的问题领域——大规模重叠问题。大规模重叠问题指的是子问题之间存在重叠变量的优化问题，重叠变量将多个子问题联系在一起，使重叠问题呈现出不可分的结构。并且，重叠问题的所有子组都存在间接交互作用，给重叠问题的优化带来了极大的困难。大规模重叠问题出现在众多工程应用领域，例如：集成电路设计、路径规划和配水网络优化等。
2、受到分而治之概念的启发，分解的方法包括利用协同进化(cooperativecoevolution，cc)框架。cc框架在优化之前，将所有变量划分为多个组，再以循环的方式优化每个变量组，并使用上下文向量来记录每个组的最佳解决方案。在优化特定变量组时，将剩余变量组的值设置为存储在上下文向量中的值，从而构建完整的候选解。在满足终止条件之前，使用优化器循环地遍历每组变量的优化。
3、针对大规模优化问题，提出了一系列的分解方法。最早的分解方法包括依赖于静态方法和随机分解方法，这两种方法都被证明精度较低。随后，一系列基于相互作用检测的分解定位方法显著提高了分解过程的精度。在此，重叠问题的变量之间的相互作用可以分为直接和间接两类。直接交互意味着两个变量在优化过程中相互影响的场景。相反，当两个变量通过其他变量建立联系时，就会出现间接交互。根据相互作用
4、然而，由于大规模重叠问题复杂的交互结构，上述分解方法无法有效解决大规模重叠问题。大规模重叠问题的每个子组内的所有变量都直接相互作用，同时，不属于同一子组的变量还能够经由重叠变量进行间接交互。因此，上述将所有直接交互变量和间接交互变量归为一组的分解方法会使得有效分组和精确识别重叠问题的底层结构变得复杂。
5、传统的dg方法在处理重叠问题时，会不断地合并相邻子组，从而导致不可分变量组的规模很大。现有技术中，递归dg3(recursive differential grouping3，rdg3)和针对大规模重叠问题的递归分组方法(recursive differential grouping for large-scaleoverlapping problems，ordg)被用于进行高效地分组。
6、rdg3应用阈值来限制子组的大小，有效地将重叠问题分解为几个更小的子问题。然而，rdg3中固定的阈值往往是由研究者的经验决定的，这可能导致分组不准确。此外，检测重叠问题的结构是至关重要的。rdg3忽略了重叠问题中子分量和重叠变量的识别。
7、ordg则通过定位所有重叠变量，并将它们分布在相邻的子组中来处理重叠问题。具体来说，ordg首先检测一个子组，然后使用该子组中的重叠变量来定位第二个子组。这个过程不断重复，直到发现所有子组和重叠变量为止。然而，由于对重叠问题的拓扑类型和初始检测变量的选择的高度敏感性，ordg具有较低的准确性和较差的稳定性。
8、此外，现有技术还采用dg2来提高检测重叠问题底层结构的准确性。dg2根据有限差分原理对所有变量进行成对检测，以得到交互结构矩阵。该矩阵提供了关于所有变量之间相互作用的全面信息，提供了完整的重叠问题结构，并阐明了变量之间的关系。然而，为了得到交互结构矩阵，dg2检查了所有对变量，使得dg2的计算复杂度高。对于分组阶段，计算资源消耗过大会给整个优化过程带来相当大的负担。
9、综上，现有技术所采用的以rdg3、ordg和dg2为代表的三种方法中，rdg3和ordg的分组精度较低，并且，选择用于检测的变量的顺序会显著影响分组结果，选择不同的检测变量会产生不同的分组结果，从而影响分组结果的稳定性。dg2则消耗了过多的计算资源，对后续的优化过程产生负面影响。并且，现有技术缺乏对重叠问题不同的重叠特征(例如重叠程度、拓扑结构、可分性)的考虑，无法进一步分析和探索重叠问题的性质。
10、为了克服现有技术所存在的上述缺陷，本领域亟需一种用于大规模重叠优化问题的底层结构检测技术，能够高效、准确地对重叠问题进行分组以推断重叠问题的底层结构，并且可以适用于不同重叠特征的大规模重叠问题中。
技术实现思路
1、以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。
2、为了克服现有技术所存在的上述缺陷，本专利技术提供了一种用于大规模重叠优化问题的底层结构检测方法、一种用于大规模重叠优化问题的底层结构检测系统，以及一种计算机可读存储介质，能够高效、准确地对重叠问题进行分组以推断重叠问题的底层结构，并且可以适用于不同重叠特征的大规模重叠问题中。
3、具体来说，根据本专利技术的第一方面提供的上述用于大规模重叠优化问题的底层结构检测方法，包括步骤：检测重叠优化问题中的变量，根据适应度函数值形成第一子组及其共享变量组，直到所有所述变量被检测并分组；经由子组联合检测方法依次检查所述第一子组及其共享变量组，以识别所述第一子组的分组结果；响应于所述分组结果不准确，经由子组检测方法分解所述分组结果不准确的所述第一子组，以形成第二子组及其共享变量组并更新所述第一子组及其共享变量组；以及根据所述第一子组及其共享变量组与所述第二子组及其共享变量组，确定大规模重叠优化问题的底层结构。
4、优选地，在本专利技术的一实施例中，所述检测重叠优化问题中的变量，根据适应度函数值形成第一子组及其共享变量组的步骤包括：通过交互检测方法或最小点移位方法检测所述重叠优化问题中的变量，以根据适应度函数值形成第一子组及其共享变量组。
5、优选地，在本专利技术的一实施例中，所述通过交互检测方法检测所述重叠优化问题中的变量，以根据适应度函数值形成第一子组及其共享变量组的步骤包括：从所述变量中选择检测变量，根据所述适应度函数值识别所述检测变量直接交互的第一变量；形成所述第一子组，所述第一子组由所述检测变量与所述第一变量构成；以及根据所述适应度函数值识别所述第一子组中与其他变量之间存在直接相互作用的重叠变量，所述重叠变量构成所述第一子组的所述共享变量组，其中，所述其他变量为除所述第一子组中各变量外的重叠优化问题中的变量。
6、优选地，在本专利技术的一实施例中，所述通过最小点移位方法检测所述重叠优化问题中的变量，以根据适应度函数值形成第一子组及其共享变量组的步骤包括：固定上下文向量并利用黄金分割搜索方法确定各本文档来自技高网...
【技术保护点】
1.一种用于大规模重叠优化问题的底层结构检测方法，其特征在于，包括步骤：
2.如权利要求1所述的底层结构检测方法，其特征在于，所述检测重叠优化问题中的变量，根据适应度函数值形成第一子组及其共享变量组的步骤包括：
3.如权利要求2所述的底层结构检测方法，其特征在于，所述通过交互检测方法检测所述重叠优化问题中的变量，以根据适应度函数值形成第一子组及其共享变量组的步骤包括：
4.如权利要求2所述的底层结构检测方法，其特征在于，所述通过最小点移位方法检测所述重叠优化问题中的变量，以根据适应度函数值形成第一子组及其共享变量组的步骤包括：
5.如权利要求1所述的底层结构检测方法，其特征在于，所述经由子组联合检测方法依次检查所述第一子组及其共享变量组，以识别所述第一子组的分组结果的步骤包括：
6.如权利要求5所述的底层结构检测方法，其特征在于，所述经由子组联合检测方法依次检查所述第一子组及其共享变量组，以识别所述第一子组的分组结果的步骤还包括：
7.如权利要求1所述的底层结构检测方法，其特征在于，所述经由子组检测方法分解所
8.如权利要求7所述的底层结构检测方法，其特征在于，还包括步骤：
9.一种用于大规模重叠优化问题的底层结构检测系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，所述计算机指令被处理器执行时，实施如权利要求1～8中任一项所述的用于大规模重叠优化问题的底层结构检测方法。
...【技术特征摘要】
1.一种用于大规模重叠优化问题的底层结构检测方法，其特征在于，包括步骤：
2.如权利要求1所述的底层结构检测方法，其特征在于，所述检测重叠优化问题中的变量，根据适应度函数值形成第一子组及其共享变量组的步骤包括：
3.如权利要求2所述的底层结构检测方法，其特征在于，所述通过交互检测方法检测所述重叠优化问题中的变量，以根据适应度函数值形成第一子组及其共享变量组的步骤包括：
4.如权利要求2所述的底层结构检测方法，其特征在于，所述通过最小点移位方法检测所述重叠优化问题中的变量，以根据适应度函数值形成第一子组及其共享变量组的步骤包括：
5.如权利要求1所述的底层结构检测方法，其特征在于，所述经由子组联合检测方法依次检查所述第一子组及其共享变量组，以识别所述第一子组的分组结果...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。