[发明专利]并行多目标多级迭代数据优化处理方法

说明书

技术领域

本发明属于数据处理领域，涉及一种并行多目标多级迭代数据优化处理方法。

背景技术

对于优化问题，研究自然界中的现象，抽象出相应的数学模型，根据数学模型进行算法的设计，将新的启发式算法与其他原有算法进行实验对比，验证新算法的优点与缺点，进行算法效果对比、检测，并测试、修改算法，是进行新的自然启发式算法设计的基本方法。

在1997年，D.H.Wolpert 和W.G..Maceady针对优化问题提出了一个重要的研究结论——“没有免费的午餐”理论。一般研究者总是试图去发现更好的算法，或者试图去发现能够适合任何情况的通用的优化算法。

 然而，D.H.Wolpert 和W.G..Maceady的研究发现：对于一般的优化问题，特别是NP-Hard问题，理论证明，如果算法A对于某些优化函数而言，优于算法B，那么，就一定存在另外的一些优化函数，针对这些优化函数，算法B就一定会优于算法A。这就表明，如果从所有的优化函数的总体空间来看，算法A与算法B一般情况下将有相同级别的表现。

 同时，D.H.Wolpert 和W.G..Maceady还分析发现：从理论上讲，从所有的优化函数的总体空间来看，将没有能够适合任何情况的通用的优化算法的存在。

 因此，对于任何一个确定的优化问题，研究者没有必要去穷尽该问题的所有可能的全部函数空间，而只需要去发现尽可能好的解；研究者也没有必要去试图发现更好的通用算法，而是应该将研究重点放在对于某一种的优化问题，就是有一些算法能够执行得更好，搜索效率更高。

 于是，优化算法的研究的重点将是：针对某一种特定类型的问题，分析发现效率最高或者更有效率的算法。研究目标应该是，设计出更好的算法，使得其能够解决尽可能多类型的优化问题。

 具体到高级启发式搜索算法，研究者发现有很多优化算法具有两个重要的共性：多样化（Diversification or Exploration）与强化（Intensification or Exploitation）。其中，基于多样性的分散策略，也可以叫为探索、搜索等，主要是为了实现对于全局搜索空间更有效的遍历，一般采用大范围的随机分布来实现；而较好结果的强化与集中，则主要是在当前的最优解周围进行进一步的局部搜索，以求发现更优的解或者得到下一步的候选解，以实现迭代。

 因此，从上面可以发现，基于自然启发的高级启发式搜索算法，能够将其划分为全局搜索与局部搜索两个阶段，通过根据需要解决的优化问题的不同，进行不同的全局搜索与局部搜索的组合，就能够得到面向不同问题类型的基于自然启发的高级启发式搜索算法。

而一种好的基于自然启发的高级启发式搜索算法，很大程度上就是在全局搜索方法与局部搜索方法的种类、策略、范围等方面进行选择与平衡。

在全局搜索与局部搜索之间的选择与平衡，对于任何一种算法的运行效率与表现，都是非常重要的：太少的多样化策略、太多的强化策略，很容易使得算法陷入局部最优；而太多的多样化策略、太少的强化策略，将使得算法很难发现特定的全局最优点的具体位置，同时，使得算法收敛性降低。

 更进一步的来讲，仅有全局搜索策略与局部搜索策略也是不够的，在算法的搜索过程中，研究者必须要寻找到一种有效的筛选机制，能够顺利的发现全局最优解。

发明内容

为克服现有技术容易陷入局部最优或不易收敛的技术缺陷，本发明公开了一种并行多目标多级迭代数据优化处理方法。

本发明所述并行多目标多级迭代数据优化处理方法，包括至少一次迭代优化过程，所述迭代优化过程包括：

种子生长步骤：在预先划定的关注区域内，布下N个初始种子点；

    区域筛选步骤：以每一初始种子点为中心的一定范围的邻域内，布下多  个次级种子点；在该邻域内的全部种子点内，根据筛选规则剔除，若对该邻域内的种子点全部筛选完成后，仍不能剔除，则重新生成与之前的邻域内种子点坐标不同、总数相同的种子点，继续筛选，直到达到筛选条件，结束筛选；

所述区域筛选步骤为循环进行，第一次区域筛选步骤以初始种子点为中心构造邻域，之后的每次区域筛选步骤以前一次区域筛选步骤结束筛选后剩下的种子点为中心构造邻域；

当区域筛选步骤得到的全部种子点数量NT超过设定上限N0时，按照筛选规则剔除部分点，使NT小于或等于N0；

退出步骤：当连续K次区域筛选步骤完成后，得到的种子点改善程度小于期望值，则退出区域筛选步骤，以最后一次区域筛选步骤剩余的种子点作为解集；其中K为预先设定的筛选结束周期；