一种数据群体优化方法、装置、计算机设备和存储介质

1.本技术涉及计算机技术领域，特别是涉及一种数据群体优化方法、装置、计算机设备和存储介质。


背景技术：

2.在科学、工程、管理等多个领域都存在优化任务，人们提出了许多优化技术来完成这些任务。元启发式算法作为近似方法中的一种，并不针对特定优化问题，是通用的算法。
3.尽管一种元启发式算法可以应用于多种优化问题，但是对于特定的优化问题，其获得的解决方案并不一定是令人满意的。根据无免费午餐定理，理论上不存在一个算法在解决所有可能的优化问题方面优于其他算法。因此在实践中研究者们设计出了各种各样的元启发式算法来解决具有不同特征的各种优化问题。当面对包含多种优化问题的集合时，很难找到一种通用的元启发式算法来获得满意的解决方案。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够处理包含不同特性的优化问题集合的数据群体优化方法、装置、计算机设备和存储介质。
5.一种数据群体优化方法，所述方法包括：
6.构建集成算法库；所述集成算法库中包括多个优化算法；
7.在对待优化问题进行优化时，分别采用所述优化算法对上一次迭代输出的待更新虚拟种群进行虚拟更新，得到当前迭代各个优化算法对应的虚拟种群；
8.从所述各个优化算法对应的虚拟种群中选择精英个体，由所述精英个体组成精英群体；
9.从所述精英群体中选择最佳精英个体，当所述最佳精英个体的适应度值比历史迭代中的最小适应度值小一个数量级以上时，将所述最佳精英个体所在的虚拟种群进行实体化，得到实体种群；
10.当所述实体种群满足预先设置的迭代输出条件时，输出群体优化结果。
11.在其中一个实施例中，所述方法还包括：
12.当所述最佳精英个体的适应度值比历史迭代中的最小适应度值小且不超过一个数量级时，将所述最佳精英个体加入其它虚拟种群并且替换所述其他虚拟种群中的一个个体，得到当前迭代输出的待更新虚拟种群。
13.在其中一个实施例中，所述方法还包括：当所述最佳精英个体的适应度值不比历史迭代中的最小适应度值小，保留所有虚拟种群，所述虚拟种群之间不进行信息交流，将所述虚拟种群直接作为当前迭代输出的待更新虚拟种群。
14.在其中一个实施例中，所述方法还包括：当所述最佳精英个体的适应度值比历史迭代中的最小适应度值小且不超过一个数量级时，将所述最佳精英个体加入其它虚拟种群并且替换所述其他虚拟种群中的一个个体，得到当前迭代输出的待更新虚拟种群。
15.在其中一个实施例中，所述从所述各个优化算法对应的虚拟种群中选择精英个体，包括：
16.计算所述各个优化算法对应的虚拟种群中所有个体的适应度值，选择各虚拟种群中最小适应度值所对应的个体作为精英个体；若某一虚拟种群中存在一个以上最小适应度值个体，则随机选择其中一个作为所述精英个体。
17.在其中一个实施例中，所述从所述精英群体中选择最佳精英个体，包括：
18.对所述精英群体中精英个体的适应度值进行排序，选择所述精英群体中最小适应度值所对应的精英个体作为最佳精英个体；若所述精英群体中存在一个以上最小适应度值精英个体，则随机选择其中一个作为所述最佳精英个体。
19.在一个实施例中，所述优化算法包括基于种群的元启发式算法及其改进算法。
20.在一个实施例中，预先设置的迭代输出条件为迭代次数达到预先设置的最大迭代次数。
21.最大迭代次数为500*d，其中d为待优化问题的维度。
22.一种数据群体优化装置，所述装置包括：
23.构建模块，用于构建集成算法库；所述集成算法库中包括多个优化算法；
24.更新模块，用于在对待优化问题进行优化时，分别采用所述优化算法(多了空格)对上一次迭代输出的待更新虚拟种群进行虚拟更新，得到当前迭代各个优化算法对应的虚拟种群；
25.选择模块，用于从所述各个优化算法对应的虚拟种群中选择精英个体，由所述精英个体构成精英群体；
26.实体化模块，用于从所述精英群体中选择最佳精英个体，当所述最佳精英个体的适应度值比历史迭代中的最小适应度值小一个数量级以上时，将所述最佳精英个体所在的虚拟种群进行实体化，输出实体种群；
27.输出模块，用于当所述实体种群满足预先设置的迭代输出条件时，输出群体优化结果。
28.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
29.构建集成算法库，集成算法库中包括多个优化算法。
30.在对待优化问题进行优化时，分别采用所述优化算法对上一次迭代输出的待更新虚拟种群进行虚拟更新，得到当前迭代各个优化算法对应的虚拟种群；
31.从所述各个优化算法对应的虚拟种群中选择精英个体，由所述精英个体组成精英群体；
32.从所述精英群体中选择最佳精英个体，当所述最佳精英个体的适应度值比历史迭代中的最小适应度值小一个数量级以上时，将所述最佳精英个体所在的虚拟种群进行实体化，输出实体种群；
33.当所述实体种群满足预先设置的迭代输出条件时，输出群体优化结果。
34.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
35.构建集成算法库；所述集成算法库中包括多个优化算法；
36.在对待优化问题进行优化时，分别采用所述优化算法对上一次迭代输出的待更新虚拟种群进行虚拟更新，得到当前迭代各个优化算法对应的虚拟种群；
37.从所述各个优化算法对应的虚拟种群中选择精英个体，由所述精英个体组成精英群体；
38.从所述精英群体中选择最佳精英个体，当所述最佳精英个体的适应度值比历史迭代中的最小适应度值小一个数量级以上时，将所述最佳精英个体所在的虚拟种群进行实体化，得到实体种群；
39.当所述实体种群满足预先设置的迭代输出条件时，输出群体优化结果。
40.上述数据群体优化方法、装置、计算机设备和存储介质，首先通过构建集成算法库，在对待优化问题进行优化时，分别采用优化算法对上一次迭代输出的待更新虚拟种群进行虚拟更新，得到当前迭代各个优化算法对应的虚拟种群；从各个优化算法对应的虚拟种群中选择精英个体，由精英个体组成精英群体；从精英群体中选择最佳精英个体，当最佳精英个体的适应度值比历史迭代中的最小适应度值小一个数量级以上时，将最佳精英个体所在的虚拟种群进行实体化，得到实体种群；当实体种群满足预先设置的迭代输出条件时，输出群体优化结果。
41.在进行种群迭代时，本技术使用实体种群与虚拟种群，在整个种群层面上协调探索与利用问题。所有的虚拟种群来源于同一个实体种群，每一个虚拟种群应用一种基于群体的元启发式优化算法，各算法会根据自己的选择规则，更新其对应虚拟种群中个体的位置，获得具有更优适应度值的个体。各个虚拟种群采用精英策略进行信息交流，增强了种群的多样性，使种群在更新过程中更快获得满意的解决方案，减少陷入局部最优的情况。
附图说明
42.图1为一个实施例中数据群体优化方法的流程示意图；
43.图2为一个实施例中p-元启发式算法的示意图；
44.图3为一个实施例中集成p-元启发式算法的示意图；
45.图4为一个实施例中对应于函数f3、f15和f20的迭代曲线；
46.图5为一个实施例中数据群体优化装置的结构框图；
47.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
48.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
49.经过这些年的发展，已经存在成百上千种优化算法，对于某个特定的优化问题，特别是在问题的信息比较少时，无法判断哪种群智能优化算法将是解决它的最好方法，尽管通过不断的尝试可以找到一种较好的算法，但这样做耗时耗力。此外，对于某些问题的求解，采用单一算法的搜索策略并不能找到满意的解决方案，例如，在搜索的开始阶段采用a算法的搜索策略较好，在搜索的中间采用b算法的搜索策略，在搜索的末期采用c算法的搜索策略，这样才能获得满意的解决方案，但人们并不知道算法切换的具体时间，甚至也不知
道a、b、c算法代表的是哪几种具体的算法，这要求将尽可能多的算法放入算法库中，并对它们进行集成，同时在具体问题的求解中，给每个算法尽可能多的机会发挥自身的优势。
50.在一个实施例中，如图1所示，提供了一种数据群体优化方法，包括以下步骤：
51.步骤102，构建集成算法库。
52.采用多种优化算法进行集成时，需要设计恰当的集成框架使其发挥各自的优势，这样才能解决各种复杂的优化问题，算法库中的算法种类和数量越多越好，这样可以覆盖多个方面的优化问题。
53.本方法将单个的元启发式算法视为一个整体，在不需要了解各个元启发式算法特性和内在机理的情况下，实现多种算法的集成，集成算法库中包括多个优化算法，具体的，优化算法可以是基于种群的优化算法。
54.参考无免费午餐(nfl)定理，当优化问题的集合非常大时，没有一种优化算法能够优于其他所有算法，将多种优化算法进行集成可以适用于更多的优化任务。
55.步骤104，在对待优化问题进行优化时，分别采用优化算法对上一次迭代输出的待更新虚拟种群进行虚拟更新，得到当前迭代各个优化算法对应的虚拟种群。
56.待优化问题指的是需要采用群体优化算法进行优化的问题，比如无线传感器网(wsn)覆盖优化、pid控制器参数优化或者图像分割等。
57.在对待优化问题进行优化时，可以从集成算法库选择部分优化算法进行迭代计算，也可以采用集成算法库中全部优化算法进行迭代计算，还可以根据求解问题的不同，自适应地从集成算法库选择优化算法，因此，优化算法的选择可以根据实际需求而确定，在此不做具体限定。
58.各个虚拟种群n采用对应的优化算法n，分别进行虚拟更新，更新过程可以同时开始执行，但是互不干扰。
59.步骤106，从各个优化算法对应的虚拟种群中选择精英个体，由精英个体组成精英群体。
60.步骤108，从精英群体中选择最佳精英个体，当最佳精英个体的适应度值比历史迭代中的最小适应度值小一个数量级以上时，将最佳精英个体所在的虚拟种群进行实体化，得到实体种群。
61.当最佳精英个体的适应度值比历史迭代中的最小适应度值小一个数量级以上时，将最佳精英个体的适应度值设置为历史迭代中的最小适应度值，当需要下一次迭代时用作其中适应度值的比较基准。
62.步骤110，当实体种群满足预先设置的迭代输出条件时，输出群体优化结果。
63.若实体种群不满足预设的结束条件时，则将输出的实体种群再进行虚拟化，即根据对应的优化算法数量再生成相同数量的虚拟种群，再根据各优化算法对对应的虚拟种群进行虚拟更新，得到新一轮迭代各个优化算法对应的虚拟种群，然后重复步骤106～步骤110，直至输出的实体种群满足预设的迭代输出条件，输出群体优化结果，用于待优化问题的优化，结束整个进程。
64.从整个进程上看，所有的虚拟种群来源于同一个实体种群，之后采用同样的操作，不断将种群虚拟化、实体化，使得种群不断优化，直到达到迭代终止条件。
65.结合上述实施例，以下以几个应用场景进行详细说明：
66.1、对于无线传感器网(wsn)覆盖优化问题，在平面上传感器节点的感知范围是以节点为中心的一个圆，其半径与传感器特性有关。当传感器节点的数量确定好后，如何设置节点的位置使得覆盖范围最大是一个优化问题。根据包含多组初始节点位置的种群即初始实体种群，采用选取的多个优化算法生成包含多组节点位置的多个集合即多个虚拟种群，分别采用对应的优化算法进行迭代计算，选择包含能够使覆盖面积最大的一组节点位置的集合作为最终输出的实体种群，其中能够使网络覆盖范围最大的一组节点位置，即群体优化结果。
67.2、以pid控制器参数优化为例，其采用比例单元p、积分单元i和微分单元d的线性组合构成控制量来实现对被控对象的控制，为了实现好的控制效果，根据生产过程应该选择合适的控制参数p、i和d。根据输入输出差值、控制量以及防止过度调节等因素设计目标函数，对包含多组(p，i，d)值的多个集合即生成的虚拟种群进行迭代计算，输出包含最优的一组控制参数(p，i，d)值的集合，该组控制参数即群体优化结果，用于进行生产过程的控制。
68.3、采用最大熵阈值分割法进行图像分割时，需要找到一组使得图像总熵最大的最佳分割阈值，于是可以利用选取的多个优化算法进行寻找一组最佳阈值。具体操作为：设置阈值的个数，得到初始的实体种群，初始实体种群中包括多组阈值，根据初始实体种群生成包含多组阈值的多个集合，将寻优边界设置为图像的像素范围[0，255]，分别设置选取的多个优化算法的参数，对多个集合采用对应的优化算法进行多次迭代计算，输出最佳的一组阈值，用于将图像分割成多个独特的区域，其中一组阈值对应种群中的一个个体，阈值的组数对应种群中个体的数量，生成的包含多组阈值的多个集合对应生成的多个虚拟种群，输出的包含最佳的一组阈值的集合对应最终输出的实体种群，其中最佳的一组阈值，即群体优化结果。上述数据群体优化方法中，首先通过构建集成算法库，在对待优化问题进行优化时，分别采用优化算法对上一次迭代输出的待更新虚拟种群进行虚拟更新，得到当前迭代各个优化算法对应的虚拟种群；从各个优化算法对应的虚拟种群中选择精英个体，由精英个体组成精英群体；从精英群体中选择最佳精英个体，当最佳精英个体的适应度值比历史迭代中的最小适应度值小一个数量级以上时，将最佳精英个体所在的虚拟种群进行实体化，得到实体种群；当实体种群满足预先设置的迭代输出条件时，输出群体优化结果。
[0069]
在进行种群迭代时，本实施例提出实体种群与虚拟种群，在整个种群层面上协调探索与利用问题。所有的虚拟种群来源于同一个实体种群，每一个虚拟种群应用一种基于群体的元启发式优化算法，各算法会根据自己的选择规则，更新其对应虚拟种群中个体的位置，获得具有更优适应度值的个体。各个虚拟种群采用精英策略进行信息交流，增强了种群的多样性，使种群在更新过程中更快获得满意的解决方案，减少陷入局部最优的情况。
[0070]
在其中一个实施例中，数据群体优化方法还包括：当最佳精英个体的适应度值比历史迭代中的最小适应度值小且不超过一个数量级时，将最佳精英个体加入其它虚拟种群并且替换所述其他虚拟种群中的一个个体，得到当前迭代输出的待更新虚拟种群。
[0071]
其他虚拟种群是指除了当前迭代中最佳精英个体所在虚拟种群之外的其他虚拟种群。
[0072]
当最佳精英个体的适应度值比历史迭代中的最小适应度值小且不超过一个数量级时，将最佳精英个体的适应度值设置为历史迭代中的最小适应度值，当需要下一次迭代
时用作其中适应度值的比较基准。
[0073]
在虚拟种群进行信息的交流可以增强种群的多样性，使种群在更新过程中更快获得满意的解决方案，减少陷入局部最优的情况。本方法采用精英策略进行虚拟种群间的交流，在满足“最佳精英个体的适应度值比历史迭代中的最小适应度值小且不超过一个数量级时”这一条件时，将最优精英个体加入到各个虚拟种群中，完成种群间的信息交流，这样做可以尽可能减少对虚拟种群的干涉，保留算法的连续性，并借助种群中最佳精英个体对种群的影响实现种群优化。
[0074]
在其中一个实施例中，数据群体优化方法还包括：当所述最佳精英个体的适应度值不比历史迭代中的最小适应度值小，保留所有虚拟种群，所述虚拟种群之间不进行信息交流，将所述虚拟种群直接作为当前迭代输出的待更新虚拟种群。
[0075]
在其中一个实施例中，从各个优化算法对应的虚拟种群中选择精英个体，包括：计算各个优化算法对应的虚拟种群中所有个体的适应度值，选择各虚拟种群中最小适应度值所对应的个体作为精英个体。
[0076]
若某一虚拟种群中存在一个以上最小适应度值个体，则随机选择其中一个作为所述精英个体。
[0077]
在其中一个实施例中，从精英群体中选择最佳精英个体，包括：
[0078]
对精英群体中精英个体的适应度值进行排序，选择精英群体中最小适应度值所对应的精英个体作为最佳精英个体；若精英群体中存在一个以上最小适应度值精英个体，则随机选择其中一个作为所述最佳精英个体。
[0079]
考虑到尽量减少对虚拟种群的干涉，选择每个虚拟种群中适应度值最小的个体作为该虚拟种群的精英个体，若适应度值最小的个体有多个，则随机选择一个作为精英个体，获得此次更新的精英群体，在这些精英群体中根据适应度值的大小再选择出最佳精英个体。
[0080]
在其中一个实施例中，优化算法包括基于种群的元启发式算法及其改进算法。
[0081]
元启发式算法作为近似方法中的一种，并不针对特定优化问题，是通用的算法，根据在优化阶段处理的解决方案个数的不同，可以将元启发式算法分为基于单一解(s-metaheuristics)和基于种群的算法(p-metaheuristics)：
[0082]
1)s-元启发式算法在生成阶段，从当前解决方案生成一组候选解决方案，在替换阶段，从生成的集合中选择一个最合适的解决方案来替换当前的解决方案，直到获得满意的方案。
[0083]
2)如图2所示，提供p-元启发式算法的示意图，其中initial population position表示初始化种群中个体的位置，optimal position代表种群中最佳个体的位置，old代表当前种群，new代表根据当前种群生成的候选种群，generate代表生成的过程，select表示从生成的候选种群中选择最优种群的过程，final population position代表最终输出的优化种群。
[0084]
p-元启发式算法通过生成一个种群开始优化过程，种群代表一组可行的解决方案，种群中的每个个体分别代表一个解决方案，采用设计好的算子生成新的种群，根据选择策略用新生成的种群个体替换原来的种群个体，这样种群将不断优化，这个过程持续到满足设定的停止条件；各种p-元启发式算法的不同之处在于它们执行生成和选择过程的方
式。
[0085]
根据灵感来源，p-元启发式算法可以分为五大类:进化算法、基于生物的算法、基于人类的算法、基于物理的算法和基于数学的算法。
[0086]
这些算法的搜索步骤中都包含探索与利用两个阶段。在探索阶段，应该尽可能的保证种群的多样性，使种群个体充分探索特征空间的各个区域。在利用阶段，应该将种群的搜索重心放在具有高质量解决方案的区域，不断在其邻域附近进行搜索。平衡探索与利用是一个重要的问题，否则会因为探索不足而陷入局部最优或者因利用不足而无法收敛。
[0087]
如图3所示，提供集成p-元启发式算法的示意图，其中，initial表示对初始种群中个体的位置进行初始化的过程，在此过程中根据选择的优化算法生成对应的虚拟种群；generate表示各个虚拟种群采用对应优化算法进行迭代计算来虚拟更新的过程，更新过程互不干扰；select表示在各个虚拟种群中选择下一次迭代待更新的虚拟种群的过程；final表示得到最终输出的实体种群的过程。
[0088]
在此，提供一个集成算法的实施例。
[0089]
在本技术的实验部分，选择了近些年比较新的有代表性的算法进行集成，它们分别是哈里斯鹰优化(hho)算法、海鸥优化(soa)算法、黏菌优化(sma)算法、樽海鞘群优化(ssa)算法、蝠鲼觅食优化(mrfo)算法。
[0090]
用dc类算法表示采用集成的算法，在本实施例中，将哈里斯鹰算法和海鸥算法进行集成得到dc2算法，将哈里斯鹰算法、海鸥算法和黏菌优化算法集成得到dc3算法，将哈里斯鹰算法、海鸥算法、黏菌优化算法和樽海鞘群优化算法集成得到dc4算法，将哈里斯鹰算法、海鸥算法、黏菌优化算法、樽海鞘群优化算法和蝠鲼觅食优化算法集成得到dc5算法。这些集成算法中所用参数与哈里斯鹰优化(hho)算法、海鸥优化(soa)算法、黏菌优化(sma)算法、樽海鞘群优化(ssa)算法、蝠鲼觅食优化(mrfo)算法这5种原始元启发式算法的参数设置相同。
[0091]
为了评估算法的性能，将其应用于两组测试集，本实施例选择了两组基准函数：
[0092]
一组是23个标准的基准函数，详细说明见表1。它包含函数类型、函数名称和函数定义。此外，dims是函数的维数，initialization range是变量的值域，每个函数对应的最优值是global optimum，在这些函数中，函数f1-f13是一个高维问题，dim＝30。其中f1-f7函数是单峰函数，f8-f13函数是多峰函数，其中局部最优解的数量随着问题维数的增加而指数增加。函数f14-f23是只有几个局部极小值的低维问题。
[0093]
表1. 23个标准测试函数
[0094]
[0095][0096][0097]
表2.cec2017测试函数
[0098][0099]
另一组基准函数是cec2017基准函数，详细说明见表2。其中c1-c2函数是单峰函数，c3-c9函数是简单多峰函数，c10-c19函数是混合函数，c20-c29函数是复合函数，维度可根据需要设置，为了方便比较，在此统一设置为30。
[0100]
表3.不同优化算法在23个标准测试函数集的比较结果
[0101][0102][0103]
记录并比较了所有测试算法在25次独立运行和每个维度上500次迭代所获得的结果的平均值mean和标准差std，并记录在表3和表4中。
[0104]
表3展示了上述九个不同优化算法在23个标准测试函数集的比较结果，根据friedman平均排名，dc5排名第一，dc4排名第二，mrfo排名第三，排名第四的是dc3，排名第五的是dc2，排名第六的是sma，排名第七的是hho，排名第八的是ssa，排名第九的是soa，采
用了集成框架的dc类算法均取得了不错的排名。dc2算法在集成了hho和soa算法后，超过了sma，hho，ssa，soa四种元启发式算法。排名最好的元启发式算法是mrfo，其具有优秀的寻优能力，不仅超过了sma，hho，ssa，soa四种算法，而且超过了dc2和dc3这两个集成算法。在面对集成了四种元启发式算法的dc4算法时，dc4算法依靠集成框架的优越性，在算法的平均寻优能力上超过了mrfo算法。此外根据dc2，dc3，dc4，dc5这五个dc类算法的排名，可以看出随着集成的元启发式算法的数量的增加，算法的平均寻优能力不断增强。
[0105]
表4展示了上述九个不同优化算法在cec2017测试函数集的比较结果。根据friedman平均排名，dc5排名第一，dc4排名第二，dc3排名第三，排名第四的是mrfo，排名第五的是sma，排名第六的是ssa，排名第七的是dc2，排名第八的是hho，排名第九的是soa。在cec2017测试集上，采用了集成框架的dc类算法依然保持了优势。对于元启发式算法的比较，hho和ssa的排名发生了变化，hho的表现不佳，说明在不同测试集下，算法的性能表现是不同的。因此，dc2算法的排名也发生了下降。根据cec2017测试函数集上的结果，dc2，dc3，dc4，dc5这五个dc类算法的性能依然呈现出递增的趋势。
[0106]
表4.不同优化算法在cec2017测试集的比较结果
[0107]
[0108][0109]
表5展示了集成类算法和元启发式算法以及集成类算法之间在23个标准测试函数上的wilcoxon测试结果。dc2和hho之间、dc3和sma之间的比较得出的p值大于0.05并且小于0.1，表明算法的结果在0.1的显著性水平上存在差异；dc3和dc2之间、dc4和dc3之间、dc5和mrfo之间的比较得出的p值小于0.05并且大于0.01，表明算法的结果在0.05的显著性水平上存在差异；在其他算法的比较中，p值均小于0.01，表明算法的结果在0.01的显著性水平上存在差异。
[0110]
表5.在23个标准测试函数的wilcoxon测试结果
[0111][0112]
表6展示了集成类算法和元启发式算法之间以及集成类算法之间在cec2017测试函数上的wilcoxon测试结果。dc2和hho算法比较得出的p值大于0.2，表明结果之间没有显著差异，在其他算法的比较中，p值均小于0.01，表明算法的结果在0.01的显著性水平上存在差异。
[0113]
表6.在cec2017测试函数的wilcoxon测试结果
[0114][0115]
为了更直观地观察所有算法的收敛性，从上述类型的测试函数中选择一些函数，并在实验中绘制了算法的迭代曲线。图4中的迭代曲线依次对应于函数f3、f15和f20。通过对上述实验条件的观察可以看出，基于本文提出的集成框架的dc5算法迭代寻优速度较快，可以达到较好的优化效果。
[0116]
在一个实施例中，如图5所示，提供了一种数据群体优化装置的结构框图，装置包
括：构建模块、更新模块、选择模块、实体化模块和输出模块，其中：
[0117]
构建模块，用于构建集成算法库；集成算法库中包括多个优化算法；
[0118]
更新模块，用于在对待优化问题进行优化时，分别采用优化算法对上一次迭代输出的待更新虚拟种群进行虚拟更新，得到当前迭代各个优化算法对应的虚拟种群；
[0119]
选择模块，用于从各个优化算法对应的虚拟种群中选择精英个体，由精英个体构成精英群体；
[0120]
实体化模块，用于从精英群体中选择最佳精英个体，当最佳精英个体的适应度值比历史迭代中的最小适应度值小一个数量级以上时，将最佳精英个体所在的虚拟种群进行实体化，得到实体种群；
[0121]
输出模块，用于当实体种群满足预先设置的迭代输出条件时，输出群体优化结果。
[0122]
在其中一个实施例中，选择模块还用于计算各个优化算法对应的虚拟种群中所有个体的适应度值，选择各虚拟种群中最小适应度值所对应的个体作为精英个体，若某一虚拟种群中存在一个以上最小适应度值个体，则随机选择其中一个作为精英个体。
[0123]
在其中一个实施例中，实体化模块还用于对精英群体中精英个体的适应度值进行排序，选择精英群体中最小适应度值所对应的精英个体作为最佳精英个体。
[0124]
关于数据群体优化装置的具体限定可以参见上文中对于数据群体优化方法的限定，在此不再赘述。上述数据群体优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0125]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储集成算法库数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种数据群体优化方法。
[0126]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0127]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述实施例中方法的步骤。
[0128]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中方法的步骤。
[0129]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom
(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0130]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0131]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。