一種基于幾何語義的遺傳規(guī)劃分類方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于人工智能的技術(shù)領(lǐng)域，具體涉及一種基于幾何語義的遺傳規(guī)劃分類方 法。
【背景技術(shù)】
[0002] 遺傳算法是進(jìn)化算法中最成熟一種算法，自Holland教授提出后，由于該算法是 一種通用算法，被人們廣泛應(yīng)用于工業(yè)技術(shù)中，成為現(xiàn)代智能計(jì)算中的一項(xiàng)關(guān)鍵技術(shù)。美國 學(xué)者Koza在遺傳算法基礎(chǔ)上，提出了遺傳規(guī)劃算法，通過層狀樹結(jié)構(gòu)表示問題的特征，按 照遺傳算法的思想進(jìn)化，遺傳規(guī)劃算法較遺傳算法具有更廣的適用性，由于其通用性和魯 棒性好，搜索能力強(qiáng)，在人工智能、結(jié)構(gòu)優(yōu)化設(shè)計(jì)、復(fù)雜系統(tǒng)分析得到廣泛應(yīng)用。但也存在一 系列問題，由于算法收斂過早，算法進(jìn)化計(jì)算規(guī)模過大等問題。近年來，人們通過語義的方 式處理遺傳規(guī)劃過程中的進(jìn)化策略，例如通過幾何語義進(jìn)化策略改善算法的性能，預(yù)測高 性能混凝土強(qiáng)度及生物醫(yī)藥的配制效果預(yù)測等方面，并取得了很好的預(yù)測效果。以上這些 算法一般都是針對回歸分析中的預(yù)測問題，但對于樣本的分類研宄尚未見到相關(guān)報道。另 一方面通過幾何語義得出的計(jì)算公式規(guī)模呈現(xiàn)爆炸性的增長，Sn~2n*I(其中Sn公式規(guī) 模，I為第一代公式規(guī)模，n為進(jìn)化的代數(shù)），雖然有人直接將數(shù)值替代表達(dá)式的方式解決計(jì) 算公式規(guī)模膨脹帶來的難題，但另一方面由于放棄保留公式后，去掉了遺傳規(guī)劃算法最具 代表性的優(yōu)點(diǎn)，使得每次預(yù)測中必須重新訓(xùn)練樣本。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明為了解決現(xiàn)有技術(shù)中存在的上述缺陷和不足，提供了一種基于幾何語義的 遺傳規(guī)劃分類方法，克服了現(xiàn)有遺傳規(guī)劃算法中存在收斂過早和分類準(zhǔn)確率低等問題，分 類的準(zhǔn)確率高，且個體公式可以存儲。
[0004] 為解決上述技術(shù)問題，本發(fā)明提供一種基于幾何語義的遺傳規(guī)劃分類方法，通過 對訓(xùn)練過程和預(yù)測過程的分離，完成被測試樣本的分類；
[0005] 所述訓(xùn)練過程，通過幾何語義求解最優(yōu)個體，并提取該最優(yōu)個體的分類器公式，將 最優(yōu)個體的分類器公式存儲在磁盤中；
[0006] 所述預(yù)測過程，調(diào)用訓(xùn)練過程中存儲在磁盤中的最優(yōu)個體的分類器公式，通過加 載與計(jì)算恢復(fù)出分類器公式，根據(jù)分類器公式輸出分類結(jié)果，進(jìn)而實(shí)現(xiàn)對個體的分類。
[0007] 其中，所述訓(xùn)練過程包括以下步驟：
[0008] 1. 1初始化過程，根據(jù)函數(shù)集和終結(jié)點(diǎn)集構(gòu)成個體，然后由個體生成初始化群體； 群體中的個體采用層狀計(jì)算機(jī)程序表達(dá)，具體由函數(shù)集F和終止符集T組成；
[0009] 函數(shù)集F包含n個函數(shù)：
[0010] F={fVfFf"f2，…，fj
[0011] 其中，4為+，-，X，+數(shù)學(xué)運(yùn)算符號或標(biāo)準(zhǔn)數(shù)學(xué)函數(shù)，所述數(shù)學(xué)運(yùn)算符號包含 +，-，X，+，所述標(biāo)準(zhǔn)數(shù)學(xué)函數(shù)包含sin，cos，log，exp;
[0012] 終止符集T包含m個終止符：
[0013] T = {1^/% = t " t2,…，tn}
[0014] 其中，心為變量或常量；
[0015] 1.2通過計(jì)算每個個體的輸出值BJX，確定分類器中各類別的邊界值，邊界值的確 定方法為中心動態(tài)邊界法，具體表達(dá)式為：
【主權(quán)項(xiàng)】
1. 一種基于幾何語義的遺傳規(guī)劃分類方法，其特征在于：通過對訓(xùn)練過程和預(yù)測過程 的分離，完成被測試樣本的分類； 所述訓(xùn)練過程，通過幾何語義求解最優(yōu)個體，并提取該最優(yōu)個體的分類器公式，將最優(yōu) 個體的分類器公式存儲在磁盤中； 所述預(yù)測過程，調(diào)用訓(xùn)練過程中存儲在磁盤中的最優(yōu)個體的分類器公式，通過加載與 計(jì)算恢復(fù)出分類器公式，根據(jù)分類器公式輸出分類結(jié)果，進(jìn)而實(shí)現(xiàn)對個體的分類。
2. 根據(jù)權(quán)利要求1所述的基于幾何語義的遺傳規(guī)劃分類方法，其特征在于：所述訓(xùn)練 過程包括以下步驟： 1. 1初始化過程，根據(jù)函數(shù)集和終結(jié)點(diǎn)集構(gòu)成個體，然后由個體生成初始化群體；群體 中的個體采用層狀計(jì)算機(jī)程序表達(dá)，具體由函數(shù)集F和終止符集T組成； 函數(shù)集F包含n個函數(shù)： F= {fi/fi=f!，f2,fj 其中，4為+，_，X，+數(shù)學(xué)運(yùn)算符號或標(biāo)準(zhǔn)數(shù)學(xué)函數(shù)，所述數(shù)學(xué)運(yùn)算符號包含 +，-，X，+，所述標(biāo)準(zhǔn)數(shù)學(xué)函數(shù)包含sin，cos，log，exp; 終止符集T包含m個終止符： T= 11；t2,tm} 其中，&為變量或常量； 1. 2通過計(jì)算每個個體的輸出值BJX，確定分類器中各類別的邊界值，邊界值的確定方 法為中心動態(tài)邊界法，具體表達(dá)式為：
其中，TR為訓(xùn)練集樣本總數(shù)，Pnum為種群個體總數(shù)，Dout_為個體計(jì)算值，x為訓(xùn)練集中 樣本類別號； 1. 3計(jì)算每個個體的適應(yīng)度fitness，計(jì)算公式為：
其中，為個體分類正確的次數(shù)，Snum為訓(xùn)練樣本個數(shù)； 1.4遺傳操作，遺傳操作包括父體的復(fù)制、交換、變異操作，交換操作生成的個體T。與變 異操作生成的個體TM是父體通過幾何語義方式產(chǎn)生的，分別表示為： tc=ovig+a-TR) .T2 式中，T2為兩父體，TK真隨機(jī)函數(shù)； Tm=T+ms?(TE1-TE2) 式中，T為父體，Tk1，TK2表示兩真隨機(jī)函數(shù)，ms變異系數(shù)； 1. 5判斷個體是否達(dá)到最大迭代次數(shù)；若未達(dá)到，則重復(fù)步驟1. 2-1. 4 ;從達(dá)到最大迭 代次數(shù)的個體中篩選出最大適應(yīng)度個體作為最優(yōu)個體，并提取該最優(yōu)個體的分類器公式， 將分類器公式存儲在磁盤上，訓(xùn)練過程結(jié)束。
3. 根據(jù)權(quán)利要求2所述的基于幾何語義的遺傳規(guī)劃分類方法，其特征在于：步驟1. 2 中，邊界值的確定方法還包括靜態(tài)邊界法。
4. 根據(jù)權(quán)利要求2所述的基于幾何語義的遺傳規(guī)劃分類方法，其特征在于：步驟1. 3 中，適應(yīng)度的度量方法包括原始適應(yīng)度、標(biāo)準(zhǔn)適應(yīng)度和歸一化適應(yīng)度。
5. 根據(jù)權(quán)利要求2所述的基于幾何語義的遺傳規(guī)劃分類方法，其特征在于：步驟1. 5 中，最優(yōu)個體分類器公式存儲過程中，分別記錄交換操作和變異操作過程的信息，通過5位 16進(jìn)制數(shù)記錄隨機(jī)公式，記錄出現(xiàn)的節(jié)點(diǎn)，將最優(yōu)個人的將分類器公式存儲為分類器公式 輸出文件。
6. 根據(jù)權(quán)利要求1所述的基于幾何語義的遺傳規(guī)劃分類方法，其特征在于：所述預(yù)測 過程包括以下步驟： 2. 1初始化計(jì)算過程，讀取個體數(shù)據(jù)，并檢查個體數(shù)據(jù)的正確性； 2. 2對分類器公式進(jìn)行加載，通過循環(huán)調(diào)用加載公式，從存儲于磁盤的16進(jìn)制數(shù)據(jù)的 信息中恢復(fù)出最優(yōu)個體的分類器公式； 2. 3分類計(jì)算，通過加載出的分類器公式對預(yù)測集中的每條記錄進(jìn)行計(jì)算，輸出分類結(jié) 果。
【專利摘要】本發(fā)明提供一種基于幾何語義的遺傳規(guī)劃分類方法，通過對訓(xùn)練過程和預(yù)測過程的分離，完成被測試樣本的分類；所述訓(xùn)練過程，通過幾何語義求解最優(yōu)個體，并提取該最優(yōu)個體的分類器公式，將最優(yōu)個體的分類器公式存儲在磁盤中；所述預(yù)測過程，調(diào)用訓(xùn)練過程中存儲在磁盤中的最優(yōu)個體的分類器公式，通過加載與計(jì)算恢復(fù)出分類器公式，根據(jù)分類器公式輸出分類結(jié)果，進(jìn)而實(shí)現(xiàn)對個體的分類?？朔爽F(xiàn)有遺傳規(guī)劃算法中存在收斂過早和分類準(zhǔn)確率低等問題，分類的準(zhǔn)確率高，且個體公式可以存儲。
【IPC分類】G06K9-62
【公開號】CN104809477
【申請?zhí)枴緾N201510240788
【發(fā)明人】許軍才, 任青文, 張衛(wèi)東, 沈振中
【申請人】河海大學(xué)
【公開日】2015年7月29日
【申請日】2015年5月12日