[发明专利]一种基于紧凑进化算法的本体匹配方法

说明书

技术领域

本发明属于计算机信息领域，具体地，本发明涉及一种基于紧凑进化 算法的本体匹配方法。

背景技术

元模型：元模型是一种利用已有信息构建的替代评价模型，该模型可 以通过已经评价的点来近似一个多变量函数以预测新的点的评价值。

随着语义网的发展，出现了大量的本体。由于应用目的相似，许多本 体共存于同一个领域中。然而由于人的主观性，同一个应用领域的不同本 体可能用不同的方式定义同一个实体对象，产生了本体异质问题。为了能 够通过本体实现不同的应用系统在语义层面的协作，需要确定不同本体中 元素之间的语义对应关系。对于拥有上百万个概念实体的大规模的本体而 言，通过人为的方式来完成本体匹配是不现实的。因此，需要开发高效的 本体匹配系统来自动完成本体匹配过程。

由于用户无法等待太长的系统响应过程，因此对于动态的应用场景而 言，本体匹配系统十分强调在有限的运行时间内完成本体匹配过程。从这 个意义上来说，除了本体匹配结果的质量之外，本体匹配过程的效率(匹 配过程所需的运行时间和消耗的内存量)至关重要。当前已有的基于进化 算法的本体匹配系统虽然都采用了不同的策略来提高本体匹配过程的效 率，但是由于采用的基础算法框架没有本质的提升，所以高效且智能的本 体匹配过程仍然是一个挑战问题。

目前在基于进化算法的本体匹配系统中，最著名的是GOAL(Genetics forOntologyALignments)。GOAL无法直接计算两个本体间的匹配，而是 通过进化算法来确定最优的权重配置以集成不同相似度度量技术。类似的 思想在近期的一些文章中也得以体现。在一篇文章中，给定部分参考匹配 结果的前提下，各种方法如进化算法被应用于确定最优的系统参数。此外， Vitiello等在2012年提出通过混合进化算法求解本体匹配问题。由于混合 进化算法在传统进化算法中加入了局部搜索算子，提升了进化寻优过程的 效率。

紧凑算法是一类估计分布式算法，可以将完整的种群通过概率分布函 数来表示。第一个紧凑遗传算法是紧凑遗传算法，该算法模拟了标准二进 制编码的遗传算法的行为。扩展紧凑遗传算法的思想是选择一个好的概率 分布函数等价于链接学习。集成了Nelder-Mead算法的混合扩展紧凑遗传算 法也已经在文献中被提出。

为了提高智能计算的效率，近年来各种各样的元模型方法被应用于人 工神经网络和高斯随机域建模中。在人工神经网络中，元模型方法被应用 在多层神经元或基于插值的放射基础函数网络。在此过程中，元模型的形 式有的是标准形式，有的是加入同输入变量相对重要性有关的特征。在高 斯随机域建模中，元模型通过之前的评价结果来预测候选解的目标函数值。 同人工神经网络不同，高斯随机域建模不仅预测函数值，还预测了可靠的 取值区间。近期的文献表示，基于高斯随机域的元模型在许多应用领域中 获得了成功。

现有的基于进化算法的本体匹配系统在匹配本体的过程中消耗的内存 过大、运行时间太长。

发明内容

为解决上述问题，本发明提供了一种基于紧凑进化算法的本体匹配方 法。本发明针对现有的基于进化算法的本体匹配系统在本体匹配过程中构 建完整的群体参与进化过程导致内存消耗过大的问题以及在实际应用中评 价个体消耗的内存和时间太大的问题，提出了采用紧凑遗传算法来减少群 体消耗的内存量，并在紧凑遗传算法中集成元模型来进一步减少算法在求 解过程中所需的内存量和时间。

为达到上述技术效果，本发明的技术方案是：

一种基于紧凑进化算法的本体匹配方法，包括如下步骤：

步骤1)给定两个本体O₁＝(C₁,P₁,I₁),O₂＝(C₂,P₂,I₂)；