[发明专利]一种基于MSP-GEP-Elman算法的实时短视频用户画像预测方法及系统

权利要求书

1.一种基于MSP-GEP-Elman算法的实时短视频用户画像预测方法，其特征在于，包括：

步骤1：设定Elman神经网络的初始权值和阈值；

步骤2：基于MSP-GEP算法，Spark分布式计算集群的master节点；

步骤3：分发基于master节点生成不同的随机种子到不同的worker节点，初始化MSP-GEP种群内的所有个体；并将Elman神经网络的初始权值和阈值映射到种群内个体的基因上，对每个个体都进行编码；

步骤4：对MSP-GEP种群内的所有个体进行进化迭代，丰富种群内多样性；

步骤5：判断种群内多样性是否大于阈值；若是，进行步骤6；若否，基于镜像重置策略，对劣质个体进行替代，进行步骤6；

步骤6：基于克隆对比策略，筛选种群中适应度值最大的若干个个体进行处理，提高种群的最大适应度值；

步骤7：判断局部迭代次数是否大于设定的最大值K₁时，若是，每个worker节点选出最优个体发送给master节点；若否，重复步骤4～步骤7；

步骤8：对比所有局部最优个体的适应度，筛选出适应度值最大的个体作为整个Spark分布式计算集群的全局最优个体以及全局最优个体对应的worker节点编号i，然后将全局最优个体和编号i发送到所有worker节点；

步骤9：对比worker节点自身编号与编号i，如果相等，则将自身最差个体替换为全局最优个体，反之，不进行任何操作；

步骤10：当全局迭代次数到达设定的最大值K₂时，结束迭代流程，否则，重复步骤4～步骤10；

步骤11：将MSP-GEP的全局最优个体传递给Elman神经网络进行二次初始化，即作为全局最优个体开始训练的初始权值和阈值；

步骤12：基于Elman神经网络的学习算法对全局最优个体进行训练，直到Elman神经网络的输出误差小于期望误差时即为训练完成。

2.根据权利要求1所述的基于MSP-GEP-Elman算法的实时短视频用户画像预测方法，其特征在于，所述将Elman神经网络的初始权值和阈值映射到种群内个体的基因上，对每个个体都进行编码，具体为：由Elman神经网络的权值和阈值w₁、w₂、w₃、b₁、b₂五个部分按照先后顺序组成的向量。

3.根据权利要求1所述的基于MSP-GEP-Elman算法的实时短视频用户画像预测方法，其特征在于，所述对MSP-GEP种群内的所有个体进行进化迭代，包括：各个worker节点同时进行计算适应度值、选择、复制、转座、重组和变异。

4.根据权利要求3所述的基于MSP-GEP-Elman算法的实时短视频用户画像预测方法，其特征在于，所述种群内个体的适应度值表达式如公式(1)所示：

式中：y_k(w)为原始输出向量；为目标输出向量。

5.根据权利要求4所述的基于MSP-GEP-Elman算法的实时短视频用户画像预测方法，其特征在于，所述镜像重置策略具体为：

5.1、分别计算理想种群的熵H_l和当前种群的熵H_p；

5.2、将种群的局部最大迭代次数K₁平均划分为三个等级，并设置每个等级所对应的阈值；

5.3、将理想种群的熵H_l与每个等级所对应的阈值分别相乘，获取每个等级的理想种群的阈值；

5.4、判断当前种群的熵H_p是否小于每个等级的理想种群的阈值；若是，进行步骤5.6；若否，进行步骤5.5；

5.5、计算种群内所有个体的适应度值，并筛选出适应度值最小的m个个体和在剩余的个体中适应度值最小的n个个体；

5.6、随机产生m个个体来替代适应度值最小的m个个体，使用n个镜像个体来替代在剩余的个体中适应度值最小的n个个体，并将种群中个体内的函数集的各个运算符替代为其镜像。