[发明专利]基于纳什博弈的可外挂式智能排序方法及装置

说明书

本发明涉及一种人工智能技术领域，是一种基于纳什博弈的可外挂式智能排序方法及装置，包括：获取原始数据；确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则；采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，输出对应的模型。本发明是一个人工智能软件应用库，具有独立性，能运行在各种操作系统和软件架构上，并且操作简单，操作人员无需学习编程知识，无需超参数的设置、无需人工干预。同时本发明使用纳什博弈论作为理论基础，通过有边界的搜索学习机制来发现学习样本的最简排序操作，完成有限博弈，再采用递归排序对测试样本集执行最简优化规则，完成有限策略。

技术领域

本发明涉及一种人工智能技术领域，是一种基于纳什博弈的可外挂式智能排序方法及装置。

背景技术

现在随着人工智能，神经网络技术的发展，越来越多的计算能力被用来解决普通的问题，这是一个浪费。比如在农业领域或者大多数工业领域，只需要数百至数千个输入矢量，每个输入矢量包含数十列数据，总共几千至一万个数据是最常用的，此时用大型人工智能系统对这些应用就是一个浪费。同时现有人工智能机器学习系统多需要人工进行数据预处理及复杂参数的设置，故而对操作人员要求较高。

发明内容

本发明提供了一种基于纳什博弈的可外挂式智能排序方法及装置，克服了上述现有技术之不足，其能有效解决现有人工智能机器学习系统多依托于大型系统，存在资源浪费，且需要专业工作人员进行数据预处理、复杂参数设置的问题。

本发明的技术方案之一是通过以下措施来实现的：一种基于纳什博弈的可外挂式智能排序方法，包括：

获取原始数据，将原始数据分为学习样本集和测试样本集；

确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，其中学习样本集包括若干学习样本，每个学习样本均包括学习数据和对应的结果数据；

采用递归排序对测试样本集执行最简优化规则，获得对应的最优测试结果，将最优测试结果与测试样本集中的结果数据进行对比，响应于小于设定误差，则输出对应的模型，其中测试样本集包括若干测试样本，每个测试样本均包括测试数据和对应的结果数据。

下面是对上述发明技术方案的进一步优化或/和改进：

上述还包括将最优测试结果与测试样本集中的结果数据进行对比，响应于大于设定误差，则重新根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则。

上述还包括将最优测试结果与测试样本集中的结果数据进行对比，响应于大于设定误差，则将该最优测试结果对应的规则作为初始规则，对学习样本集进行重新排序学习。

上述确定有限条件，根据有限条件对学习样本集进行排序学习，输出符合有限条件的最简优化规则，包括：

确定有限条件，并生成初始随机规则，有限条件包括内存限制、速度要求、时间限制、执行次数限制、最大排序总次数、单一方向排序总次数、评估预设值、评估误差设定值；

根据该初始随机规则对学习样本进行N次递归排序，输出初始排序；

获得初始排序的评估结果与评估预设值的差值，并与评估误差设定值比较；

响应于大于误差，则双向爬山算法对学习样本进行随机排序，输出符合有限条件的最简优化规则。

上述双向爬山算法包括正向排序和反向排序，具体过程包括：

随机选择一个方向进行排序，生成排序结果；

获得该次排序的评估结果，判断该次排序的评估结果是否小于初始排序的评估结果；

响应于是，则判断该次排序的评估结果是否小于评估误差设定值，响应于是，则输出该次排序对应的规则，响应于否，则继续沿该方向进行排序；