[发明专利]一种基于随机森林算法的资源分配方法

说明书

本发明公开了一种基于随机森林算法的资源分配方法，所述资源分配包括：S1：资源分配数学模型构建步骤，对目标对象进行资源分配数学模型的定义；S2：代价函数设计步骤；S3：随机森林训练数据集的构建步骤，基于资源分配数学模型和代价函数，利用分类的思想构建随机森林的训练数据集；S4：随机森林生成步骤，S5：基于历史数据的目标对象预测步骤；S6：基于预测结构的资源分配步骤。本发明提供的资源分配方法能够在满足任务完成程度的约束条件下，同时拥有高最优解求解概率的基于随机森林的资源分配算法，解决了遗传算法等智能优化算法易陷入局部最优等问题。

技术领域

本发明属于资源分配技术领域，尤其涉及一种用于资源分配的随机森林算法。

背景技术

随着现代社会与科学技术的飞速发展，如今各种实际场景中都存在着资源与个体之间的匹配问题。资源分配问题是指针对某个目标，遵循一定的策略将规模为N的资源映射和划分到P个个体上，以达到提高效率、节约成本、合理配置资源或总体收益最佳等系统目标。在各种相对简单的小规模资源分配问题中，传统的穷举法、分支界定法、动态规划法等确定性算法可以很快实现寻优。然而当问题的规模上升到一定的程度或者问题的复杂性较高的情况时，这些算法的搜索效率会急剧下降，并很快出现失效的情况。特别地，资源分配问题作为一个NP-hard问题，确定性算法的应用非常有限，即对于在多项式时间内无法完成寻优的问题，确定性算法的失效是不可避免的。

随着计算机容量和计算速度的不断提高、大规模并行处理技术的产生和并行分布式理论的逐步成熟，通过模拟自然界中生物、物理过程和人类行为过程中所表现出的某些特点而发展的智能优化算法，如遗传算法、模拟退火算法、粒子群算法、烟花算法等，在包括资源分配问题在内的组合优化问题求解领域中，受到各国研究人员的广泛关注。这些算法在很大程度上克服了传统确定性算法的不足，为解决资源分配问题提供了新的思路和手段。但是这些算法仍存在以下不足：(1)算法的普适性、鲁棒性有待提高；(2)算法的延展性不够，随着问题规模的增大算法性能会迅速降低；(3)算法易陷入局部最优。因此，现有的智能优化算法不能很好地满足部分大规模资源分配问题的求解要求。

发明内容

本发明的目的在于，为了解决遗传算法等智能优化算法易陷入局部最优等问题，本发明提供一种能够在满足任务完成程度的约束条件下，同时拥有高最优解求解概率的基于随机森林的资源分配算法。

本发明目的通过下述技术方案来实现：

一种基于随机森林算法的资源分配方法，所述资源分配包括：S1：资源分配数学模型构建步骤，对目标对象进行资源分配数学模型的定义；S2：代价函数设计步骤；S3：随机森林训练数据集的构建步骤，基于资源分配数学模型和代价函数，利用分类的思想构建随机森林的训练数据集；S4：随机森林生成步骤，S5：基于历史数据的目标对象预测步骤；S6：基于预测结构的资源分配步骤。

根据一个优选的实施方式，所述步骤S1具体包括：设目标对象集合T中有M类目标对象，分别记为T_i＝{T₁,T₂,...,T_M},i∈{1,2,…,M}，其中每类目标对象中包含不同的个体组合。设有N类资源，记为R_i＝{R₁,R₂,...,R_N},i∈{1,2,...,N}，并此N类资源进行组合，得到资源属性组合表。

根据一个优选的实施方式，所述步骤S2的代价函数设计步骤包括：针对不同资源分配问题设计不同的代价函数。

根据一个优选的实施方式，所述步骤S3具体包括：对目标对象集合进行随机采样，根据资源属性得到可分配给该m个个体的n类资源，将其进行组合，在满足约束条件的情况下，得到不同的分配方案；再对得到的每一种分配方案求取其代价值，得到代价函数值最低的分配方案，查询资源属性组合表，取此分配方案的索引作为该目标对象的标签，并重复该过程，直到生成目标数量的训练初始训练集，对其进行特征提取后得到训练数据集。