基于模糊遗传算法的关键词分类优化方法技术

本发明专利技术公开了一种基于模糊遗传算法的关键词分类优化方法，包括如下步骤：（1）将待优化个体随机分配至各个岛屿，初始化N个个体成为各个岛屿中不同的个体。（2）选择出同时要参与岛屿内部的遗传操作和迁移至其他岛屿的个体。（3）将步骤（2）选择的个体进行交叉。（4）对岛屿中的所有个体进行非均匀变异操作。（5）针对每个岛屿，计算岛屿中所有个体的评估值。（6）针对岛屿中个体，执行局部区域搜索。（7）在每个岛屿中选择个体，判断评估值是否满足优化规则判断是否循环。该方法可以解决大规模工程求解问题，智能化程度高，并且，优化算法清楚简单，优化精确率高。

【技术实现步骤摘要】

本专利技术属于工程信息
，涉及一种分类优化方法，具体的说是一种。
技术介绍
随着近代科学技术发展的需要，促进了优化方法的迅速发展，并很快渗透到各个领域。20世纪70年代，优化方法开始产生出最优设计、最优控制与最优管理等分支。到80 年代，又在这些分支中发展出了新的更细的分支工程
的机械优化设计、建筑结构优化设计以及化工石油领域的优化设计等。在各类科学研究和工程实践中，存在着很多困难的组合优化问题和复杂的调度决策问题，这些控制与决策问题本质上均可归结为优化问题，研究工程问题最优解或满意解的求解方法，一直富有吸引力与挑战性。以最速下降法、牛顿法和共轭方向法等为代表的传统优化算法是一类应用广泛的优化算法。最速下降法以线性速度收敛，其方法简单、计算量小、存储量小，但是它要求目标函数连续可微的，且在函数极小点附近收敛速度很慢，因为梯度是函数的局部性质，从局部上看是下降的快，对于整个求最优解的过程不一定是最快的。牛顿法要求目标函数二阶连续可微，在迭代的过程中，要计算海赛矩阵的逆矩阵，这是比较困难的一步，同时，所选择初始点不能离极小点太远，否则迭代过程可能不收敛。共轭方向法是一类介于最速下降法和牛顿法之间的算法，它比前者的收敛速度快，同时避免了牛顿法计算海赛矩阵的困难，但仍然需要目标函数的一阶导数信息，只能在η步之内有效，η步之后的计算也没有意义。这类优化算法普遍要求目标函数导数连续，具有计算复杂、串行求解等特点，在面对离散、不连续、无导数、高度病态的优化问题时，它们无能为力，它们建立在局部下降的基础上，仅能对问题作简化的近似处理，常常无法有效地求得全局最优解。
技术实现思路
本专利技术所要解决的技术问题是，克服现有技术的缺点，提供一种适合于大规模问题的具有智能特征的，可应用于工程
的机械优化设计、建筑结构优化设计以及化工石油领域的优化设计，对建筑结构优化设计中的对象属性参数、资源调度决策等技术问题起到了积极的效果，并且能较好的解决机械优化设计中的参数权值选择敏感、最优权值难以寻找等参数优化技术问题以及化工石油领域的优化设计中的过程模型多目标组合优化、复杂的调度决策等问题。为了解决以上技术问题，本专利技术提供一种，包括如下步骤(1)初始化群体将待优化个体随机分配至各个岛屿，初始化N个个体成为各个岛屿中不同的个体，可限定不同的岛屿中包含规定数量的个体。(2)个体选择和迁移根据适应度函数进行适应度检测，并选择出同时要参与岛屿内部的遗传操作和迁移至其他岛屿的个体，复制所选择的个体并将其进行迁移。(3)个体交叉将经选择操作筛选的参与岛屿内部遗传操作的个体和从其他岛屿迁移来的个体进行交叉，组合成为语境下的新个体；所产生的新个体为，经过词间组合，包含两个或者多个敏感词的文件名映射为两个或者多个敏感词表示成为一个新个体，所有产生的新个体是所有的包含两个或者多个敏感词的文件名的间接代替。(4)个体变异对岛屿中的所有个体按照经周期性模糊化规则确定的概率Pm在不同环境下进行非均勻变异操作，产生变异新个体。某个敏感词在不同的文件名里出现，并且产生了不同的语境意义，或者两个或者多个敏感词在不同的文件名里出现，并且产生了不同的语境意义。(5)个体评估针对每个岛屿，根据步骤⑵中的适应度函数计算岛屿中所有个体的评估值，所有个体包括父辈个体以及交叉、变异操作产生的新个体。(6)局部搜索在计算每个个体评估值之后，针对岛屿中经过交叉、变异操作所产生的新个体，执行局部区域搜索，更新个别个体的评估值。(7)优化准则判断在每个岛屿中选择个体，判断评估值是否满足优化规则，如果不满足优化规则，则返回步骤O)，循环优化步骤；如果满足优化规则，则结束优化步骤。对本专利技术进一步的限定方案为，所述步骤(1)中所述的初始化岛屿的方法为将所有含有某个敏感词的文件名映射为这个敏感词来表示岛屿中的个体。进一步的，所述步骤O)中的个体选择操作采用轮盘赌选择法，具体过程为(1)计算每个个体的适应值，个体适应度函数为权利要求1.一种，其特征在于，按如下步骤进行(1)初始化群体将待优化个体随机分配至各个岛屿，初始化N个个体成为各个岛屿中不同的个体；(2)个体选择和迁移根据适应度函数进行适应度检测，并选择出同时要参与岛屿内部的遗传操作和迁移至其他岛屿的个体，复制所选择的个体并将其进行迁移；(3)个体交叉将经选择操作筛选的参与岛屿内部遗传操作的个体和从其他岛屿迁移来的个体进行交叉，组合成为语境下的新个体；(4)个体变异对岛屿中的所有个体按照经周期性模糊化规则确定的概率Pm在不同环境下进行非均勻变异操作；(5)个体评估针对每个岛屿，根据步骤( 中的适应度函数计算岛屿中所有个体的评估值；(6)局部搜索在计算每个个体评估值之后，针对岛屿中经过交叉、变异操作所产生的新个体，执行局部区域搜索，更新个别个体的评估值；(7)优化准则判断在每个岛屿中选择个体，判断评估值是否满足优化规则，如果不满足优化规则，则返回步骤O)，循环优化步骤；如果满足优化规则，则结束优化步骤。2.根据权利要求1所述的，其特征在于，所述步骤(1)中所述的初始化岛屿的方法是分别将含有某个敏感词的文件名映射为这个敏感词来表示岛屿中的个体。3.根据权利要求1所述的，其特征在于，所述步骤O)中的个体选择操作采用轮盘赌选择法，具体过程为(1)计算每个个体的适应值，个体适应度函数为4.根据权利要求1所述的，其特征在于，所述步骤(3)中个体交叉采用基于模糊机理的交叉方式，具体方法为5.根据权利要求1所述的，其特征在于，所述步骤中周期性模糊化规则的具体方法为6.根据权利要求1所述的，其特征在于，所述步骤(6)中局部搜索时，对于两个或者多个父辈个体交叉组合出现在了多个不同语境意义下的文件名内所映射出的个体执行评估，如果，在上或在下单元的评估值比人为选定单元的评估值好的情况下，保留较好的评估值；如果，人为选定单元的值比在上或在下单元的评估值都好的情况下，保留人为选定单元的评估值。7.根据权利要求1所述的，其特征在于，所述步骤(7)中判断评估值是否满足优化规则的方法为将评估值误差e和评估值误差的变化Δ e划分为五个模糊子集，NB (大负)，NS (小负)， Z (零)，PS (小正)，PB (大正)，评估值误差e和评估值误差的变化Δ e规范在区间， 则五个模糊子集定义为区间上的任意模糊子集，规则构成如下，其中第i个规则为 如果和& [ΔΕ；.，那么全文摘要本专利技术公开了一种，包括如下步骤(1)将待优化个体随机分配至各个岛屿，初始化N个个体成为各个岛屿中不同的个体。(2)选择出同时要参与岛屿内部的遗传操作和迁移至其他岛屿的个体。(3)将步骤(2)选择的个体进行交叉。(4)对岛屿中的所有个体进行非均匀变异操作。(5)针对每个岛屿，计算岛屿中所有个体的评估值。(6)针对岛屿中个体，执行局部区域搜索。(7)在每个岛屿中选择个体，判断评估值是否满足优化规则判断是否循环。该方法可以解决大规模工程求解问题，智能化程度高，并且，优化算法清楚简单，优化精确率高。文档编号G06N3/12GK102323949SQ201110263508公开日2012年1月18日 申请日期2011年9月7日 优先权日2011年9月7日专利技术者周旭, 唐朝伟, 李俊, 本文档来自技高网...

【技术保护点】
１．一种基于模糊遗传算法的关键词分类优化方法，其特征在于，按如下步骤进行：（１）初始化群体：将待优化个体随机分配至各个岛屿，初始化Ｎ个个体成为各个岛屿中不同的个体；（２）个体选择和迁移：根据适应度函数进行适应度检测，并选择出同时要参与岛屿内部的遗传操作和迁移至其他岛屿的个体，复制所选择的个体并将其进行迁移；（３）个体交叉：将经选择操作筛选的参与岛屿内部遗传操作的个体和从其他岛屿迁移来的个体进行交叉，组合成为语境下的新个体；（４）个体变异：对岛屿中的所有个体按照经周期性模糊化规则确定的概率ｐｍ在不同环境下进行非均匀变异操作；（５）个体评估：针对每个岛屿，根据步骤（２）中的适应度函数计算岛屿中所有个体的评估值；（６）局部搜索：在计算每个个体评估值之后，针对岛屿中经过交叉、变异操作所产生的新个体，执行局部区域搜索，更新个别个体的评估值；（７）优化准则判断：在每个岛屿中选择个体，判断评估值是否满足优化规则，如果不满足优化规则，则返回步骤（２），循环优化步骤；如果满足优化规则，则结束优化步骤。

【技术特征摘要】

【专利技术属性】
技术研发人员：肖健，周旭，苗光胜，唐朝伟，邹国奇，李俊，杜欣慧，
申请(专利权)人：南京天地同宽网络技术有限公司，中国科学院声学研究所，
类型：发明
国别省市：84