[发明专利]基于自适应协同进化算法的信息核提取方法

摘要

一种基于自适应协同进化算法的信息核提取方法，主要解决现有技术不能保证推荐效果最优的问题。其实现步骤为(1)构建用户评分矩阵；(2)初始化父代种群；(3)自适应调整交叉算子选择概率；(4)自适应调整变异算子选择概率；(5)对父代种群分类；(6)组建团队；(7)判断每个团队成员是否来源于父代精英种群；(8)更新子代精英种群；(9)更新子代普通种群；(10)判断父代精英种群的所有信息核是否为中心信息核；(11)更新父代种群；(12)判断迭代次数是否等于200次；(13)输出最佳信息核。通过实验仿真结果表明，本发明与现有信息核提取方法相比推荐效果更高。

主权项

一种基于自适应协同进化算法的信息核提取方法，包括如下步骤：(1)构建用户评分矩阵：从用户项目的评分数据集中提取评分信息，将未评过分的项目的评分用0表示，将评过分的项目的评分用对应评分值表示，组成用户评分矩阵；(2)初始化父代种群：(2a)将评分信息中用户数目的20％作为信息核长度；(2b)从评分信息的用户ID集合中，随机选取50个与信息核长度相等的用户ID子集组成初始化父代种群；(2c)将迭代次数初始化为1；(3)自适应调整交叉算子选择概率：(3a)按照下式，计算每个自适应调整交叉算子的比例适应度值：Hj(t)=Hj(t-1)×0.7+(COj++1COj-+1)×0.3,ift>110,ift=1]]>其中，Hj(t)表示第t次迭代时，第j个自适应调整交叉算子的比例适应度值，j＝1,2,3，Hj(t‑1)表示第t‑1次迭代时，第j个自适应调整交叉算子的比例适应度值，表示第j个自适应调整交叉算子的积极影响系数，表示第j个自适应调整交叉算子的消极影响系数；(3b)按照下式，计算每个自适应调整交叉算子的选择概率：sn=HnΣe=13He]]>其中，sn表示第n个自适应调整交叉算子的选择概率，n＝1,2,3，Hn表示第n个自适应调整交叉算子的比例适应度值，He表示第e个自适应调整交叉算子的比例适应度值；(3c)将每个自适应调整交叉算子的积极影响系数和消极影响系数设定为0；(4)自适应调整变异算子选择概率：(4a)按照下式，计算每个自适应调整变异算子的比例适应度值：Jw(t)=Jw(t-1)×0.7+(LDw++1LDw-+1)×0.3,ift>110,ift=1]]>其中，Jw(t)表示第t次迭代时，第w个自适应调整变异算子的比例适应度值，w＝1,2，Jw(t‑1)表示第t‑1次迭代时，第w个自适应调整变异算子的比例适应度值，表示第w个自适应调整变异算子的积极影响系数，表示第w个自适应调整变异算子的消极影响系数；(4b)按照下式，计算每个自适应调整变异算子的选择概率：qh=JhΣb=12Jb]]>其中，qh表示第h个自适应调整变异算子的选择概率，h＝1,2，Jh表示第h个自适应调整变异算子的比例适应度值，Jb表示第b个自适应调整变异算子的比例适应度值；(4c)将每个自适应调整变异算子的积极影响系数和消极影响系数设定为0；(5)对父代种群分类：(5a)利用推荐误差方法，获得父代种群中每个信息核的推荐误差值；(5b)将父代种群中每个信息核，按照其对应的推荐误差值由小到大进行排序，将前5个推荐误差值小的信息核划分到父代精英种群中，其余的信息核划分到父代普通种群中；(6)组建团队：(6a)从父代精英种群中选择一个未曾选作中心的信息核；(6b)按照下式，计算每个团队的成员总数：其中，G表示每个团队的成员总数，表示向上取整操作，N表示父代种群的规模，M表示父代精英种群的规模；(6c)从父代精英种群和父代普通种群随机选取与团队的成员数相同数目的信息核；(6d)将所选取的信息核组成团队；(7)判断每个团队成员是否来源于父代精英种群；若是，则执行步骤(8)，否则，执行步骤(9)；(8)更新子代精英种群：(8a)在(0,1)区间，生成一个随机数ε；(8b)判断随机数ε是否满足0＜ε＜s1，若是，执行步骤(8c)，否则，执行步骤(8e)，其中，s1表示第1个自适应调整交叉算子的选择概率；(8c)在(0,1)区间，随机生成一个与步骤(2a)所设定的信息核长度相等的随机数序列，将生成的随机数序列带入下式，生成两个候选精英信息核；其中，zu表示第一候选精英信息核，μ表示生成的随机数序列，x表示中心信息核，y表示来源于父代精英种群的团队成员，zv表示第二候选精英信息核，[·]表示四舍五入取整操作；(8d)利用自适应调整交叉算子影响系数公式，更新第1个自适应调整交叉算子的影响系数；(8e)判断随机数ε是否满足s1≤ε≤s1+s2，若是，执行步骤(8f)，否则，执行步骤(8h)，其中，s2表示第2个自适应调整交叉算子的选择概率；(8f)利用集合{0,1}中的元素，随机生成一个与信息核长度相等的随机整数序列，将生成的随机整数序列带入下式，生成两个候选精英信息核；其中，φ表示生成的随机整数序列；(8g)利用自适应调整交叉算子影响系数公式，更新第2个自适应调整交叉算子的影响系数；(8h)判断随机数ε是否满足s1+s2＜ε＜s1+s2+s3，若是，执行步骤(8i)，否则，执行步骤(8l)，其中，s3表示第3个自适应调整交叉算子的选择概率；(8i)在(1，β)区间，随机生成两个整数g1、g2，满足g1<g2，生成一个与信息核长度相等的序列，按照下式，确定序列中每个元素的值，其中，β表示信息核长度：λk=1,ifg1≤k≤g20,ifg1>k||g2<k]]>其中，λk表示序列λ第k个元素，||表示或操作符号；(8j)将步骤(8i)生成的序列带入下式，生成两个候选精英信息核；(8k)利用自适应调整交叉算子影响系数公式，更新第3个自适应调整交叉算子的影响系数；(8l)将子代精英种群初始化为父代精英种群；(8m)将两个生成的候选精英信息核与子代精英种群的每个信息核，按其对应的推荐误差值从小到大排序，用前5个推荐误差值小的信息核分别替换子代精英种群中每一个信息核；(9)更新子代普通种群：(9a)在(0,1)区间，生成一个随机数η；(9b)判断随机数η是否满足0＜η＜q1，若是，执行步骤(9c)，否则，执行步骤(9f)，其中，q1表示第1个自适应调整变异算子的选择概率；(9c)在(‑1,1)区间，随机生成一个与步骤(2a)中所设定的信息核长度相等的随机数序列，将生成的序列带入下式，生成一个候选普通信息核：c＝[x+τ×(x‑d)]其中，c表示候选普通信息核，d表示来源于父代普通种群的团队成员，τ表示生成的随机数序列；(9d)利用修正公式，修正候选普通信息核的每个用户ID；(9e)利用自适应调整变异算子影响系数公式，更新第1个自适应调整变异算子的影响系数；(9f)判断随机数η是否满足q1≤η＜q1+q2，若是，执行步骤(9g)，否则，执行步骤(9j)，其中，q2表示第2个自适应调整变异算子的选择概率；(9g)在(0,1)区间，随机生成两个与信息核长度相等的随机数序列，按照下式，计算候选普通信息核的所有的用户ID；其中，表示生成的第一个随机数序列中第l个元素的值，γl表示生成的第二个随机数序列γ中第l个元素的值，xl表示中心信息核x中第l个用户ID；(9h)利用修正公式，修正候选普通信息核的每个用户ID；(9i)利用自适应调整变异算子影响系数公式，更新第2个自适应调整变异算子的影响系数；(9j)将子代普通种群初始化为父代普通种群；(9k)将生成的候选普通信息核与子代普通种群的每个信息核，按其对应的推荐误差值从小到大排序，用将前45个推荐误差值小的信息核分别替换子代普通种群中每一个信息核；(10)判断父代精英种群的所有信息核是否为中心信息核，若是，执行步骤(11)，否则，执行步骤(6)；(11)更新父代种群：将子代精英种群与子代普通种群合并组成过渡种群，用过渡种群的信息核依次替换种群的每一个信息核；(12)判断迭代次数是否等于200次，若是，则执行步骤(13)，否则，将迭代次数加1后执行步骤(3)；(13)输出最佳信息核：(13a)利用推荐误差方法，获得父代种群中所有信息核的推荐误差值；(13b)将父代种群中推荐误差值最小的信息核作为最佳信息核输出。