[发明专利]基于大数据人工智能算法的祖源多态性预测方法有效

专利信息
申请号: 201810004076.X 申请日: 2018-01-03
公开(公告)号: CN109993305B 公开(公告)日: 2023-01-03
发明(设计)人: 叶伟健;杨武兵;王勉 申请(专利权)人: 成都二十三魔方生物科技有限公司
主分类号: G06N3/12 分类号: G06N3/12
代理公司: 深圳市万商天勤知识产权事务所(普通合伙) 44279 代理人: 王志明
地址: 610000 四川省成*** 国省代码: 四川;51
权利要求书: 查看更多 说明书: 查看更多
摘要: 发明公开了基于大数据人工智能算法的祖源多态性预测方法,包括以下步骤:A:根据人群基因组数据,构建训练集合;B:对训练集合的群体样品进行基因定向,把定向后的两条单倍型进行1和‑1编码,同时对基因组进行窗口划分;C:通过投票策略选取最佳分类器,组成窗口观察序列,以分类器的结果作为下一步输入;D:构建窗口的转移矩阵和发射矩阵,建立隐马可夫模型;E:通过隐马可夫模型预测隐藏状态的概率分布,求出最优的祖源结果标签,作为最终结果输出。通过本发明可克服现有群体多态性方法对于遗传非常相近的群体,同时能够精细化预测染色体基因组片段的多态性,该方法对基因群体研究和某些群体关联疾病基因组片段定位起到重要作用。
搜索关键词: 基于 数据 人工智能 算法 多态性 预测 方法
【主权项】:
1.基于大数据人工智能算法的祖源多态性预测方法,其特征在于,包括以下步骤:A:根据人群基因组数据,利用主成分分析PCA构建参考群体基因数据训练集合,记录该训练集合的群体样品;B:对训练集合的群体样品进行基因定向,把每个样品的基因组数据划分成为两条单倍型,并对定向后的两条单倍型进行1和‑1编码,同时按照 SNP 个数对基因组进行窗口划分;C:通过投票策略选取最佳分类器,组成窗口观察序列,以分类器的结果作为下一步输入;D:构建窗口的转移矩阵和发射矩阵,建立隐马可夫模型,并利用隐马可夫模型对分类结果的观察序列进行校正;E:通过隐马可夫模型预测隐藏状态的概率分布,求出最优的祖源结果标签,作为最终结果输出。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于成都二十三魔方生物科技有限公司,未经成都二十三魔方生物科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/patent/201810004076.X/,转载请声明来源钻瓜专利网。

同类专利
  • 数据处理方法、装置、电子设备及可读存储介质-201911425293.7
  • 郭庆;赵伟;谢莹莹;于宏亮 - 中科曙光国际信息产业有限公司
  • 2019-12-31 - 2023-01-20 - G06N3/12
  • 本申请提供一种数据处理方法、装置、电子设备及可读存储介质,涉及计算机技术领域。该方法包括:确定第i代种群的最优适应度以及第i‑1代种群的最优适应度;基于第i代种群的最优适应度与第i‑1代种群的最优适应度确定适应度变化趋势;确定第i代种群进行下一次遗传算法迭代时第i代种群中淘汰的个体;基于适应度变化趋势生成新的个体,使用新的个体替换淘汰的个体;将所述第i代种群中保留的个体以及新的个体进行下一次遗传算法迭代,直至获得最优解。该方案通过基于适应度变化率生成新的个体,使得生成的新的个体的适应度不会太低,并且参与迭代的个体数量增多,从而可避免了遗传算法过早陷入局部收敛的问题,更有利于算法寻找全局最优解。
  • 一种识别进化算法参数化效应的可视化系统-201910709082.X
  • 王琦;王礼炳;文豪;黄稳;周倩倩;王志红 - 广东工业大学
  • 2019-08-01 - 2023-01-17 - G06N3/12
  • 本发明涉及一种识别进化算法参数化效应的可视化系统,包括数值计算模块、图形配置模块、绘图参数预处理模块以及图形生成模块;本发明可以直观地识别某种进化算法在求解特定问题时的参数化效应,并发现针对此问题的最优参数组合。本发明的价值在于提出一种有效克服进化算法参数不确定性的系统分析方法,降低了应用进化算法求解具体问题时的盲目性,有利于提高进化算法的优化效果,即在有限的时间内提高获得更接近于目标问题全局最优解的概率。
  • 基于大数据人工智能算法的祖源多态性预测方法-201810004076.X
  • 叶伟健;杨武兵;王勉 - 成都二十三魔方生物科技有限公司
  • 2018-01-03 - 2023-01-03 - G06N3/12
  • 本发明公开了基于大数据人工智能算法的祖源多态性预测方法,包括以下步骤:A:根据人群基因组数据,构建训练集合;B:对训练集合的群体样品进行基因定向,把定向后的两条单倍型进行1和‑1编码,同时对基因组进行窗口划分;C:通过投票策略选取最佳分类器,组成窗口观察序列,以分类器的结果作为下一步输入;D:构建窗口的转移矩阵和发射矩阵,建立隐马可夫模型;E:通过隐马可夫模型预测隐藏状态的概率分布,求出最优的祖源结果标签,作为最终结果输出。通过本发明可克服现有群体多态性方法对于遗传非常相近的群体,同时能够精细化预测染色体基因组片段的多态性,该方法对基因群体研究和某些群体关联疾病基因组片段定位起到重要作用。
  • 一种基于遗传算法的高光谱图像波段选择方法、系统、设备以及介质-202211210578.0
  • 纪元 - 吉林省安谱科技有限公司
  • 2022-09-30 - 2022-12-30 - G06N3/12
  • 一种基于遗传算法的高光谱图像波段选择方法。步骤S1,采用整数编码的方式对遗传算法进行编码;步骤S2,在各个波段子空间内均随机生成一个波段高光谱图像作为该波段子空间内的波段高光谱图像代表,各个波段子空间内选取的波段高光谱图像代表组合在一起构成一个染色体,重复该步骤,生成若干个染色体;步骤S3,利用适应度函数对若干个对染色体进行适应度的度量;步骤S4,选择两个优秀的染色体交叉运算,产生优秀的染色体;步骤S5,通过设置染色体变异概率来判断遗传算法是否需要进行染色体变异操作,若需要,则执行步骤S6,若不需要,则重复步骤S1‑步骤S5;步骤S6,随机选取一个波段将该位置的波段进行替换后,则终止对遗传算法的判断。
  • 一种结合空间均分与定向变异改进的烟花算法-202211373645.0
  • 贾苛威;裴树军;张虎宾 - 哈尔滨理工大学
  • 2022-11-03 - 2022-12-27 - G06N3/12
  • 本发明涉及一种结合空间均分思想与定向变异改进的烟花算法。本发明针对烟花算法对解决离散调度的问题效果不佳的情况,提出一种结合空间均分思想和定向变异改进的云计算任务调度算法。算法首先将多维解空间映射到三维空间,随后在三维空间尽可能选取空间中均匀的点作为初始群体中的个体,减少初始化的选取存在随机性,以使得避免爆炸过程中最优解的丢失。在烟花变异阶段,由于高斯变异应用于离散的调度问题所产生的结果并不好,于是采用定向随机变异替代高斯变异,并且对每代最优火花采取多轮定向变异,增强算法对局部最优解的搜寻能力。同时在选择阶段采取适应值精英选择策略替代原本的欧氏距离轮盘赌选择法,既减少了多余的计算过程,又能更好的挑选下一代的火花个体。本发明方法不仅可以获得更好的调度结果,还可以有效减少算法运行的时间。
  • 阵列式核酸信息存储方法及装置-202011040283.4
  • 徐弢;裴犇 - 清华大学
  • 2020-09-28 - 2022-12-20 - G06N3/12
  • 本发明公开了一种阵列式核酸信息存储方法及装置,其中,该方法包括:对待存储信息进行格式转换;利用碱基构建不同种类的核酸阵列存储基本单元;根据核酸阵列存储基本单元的种类对格式转换后的待存储信息进行编码,将待存储信息编码为相应的序列码;利用微纳材料递送手段,按照待存储信息的序列码顺序将核酸阵列存储基本单元递送至基底表面的特定位置,并进行固定,形成特定的信息阵列,通过特定的信息阵列对待存储信息进行存储;通过特定检测方式对存储的特定的信息阵列进行读取得到核酸阵列信息;根据编码算法与解码算法对核酸阵列信息进行解码,还原待存储信息。该方法读写速度快,存储成本低。
  • 一种Kafka参数调优方法、装置、设备及介质-202211164630.3
  • 张旭 - 中国银行股份有限公司
  • 2022-09-23 - 2022-12-16 - G06N3/12
  • 本申请公开了一种Kafka参数调优方法、装置、设备及介质,可应用于大数据领域或金融领域。获取Kafka的配置参数集合;所述配置参数集合包括多个配置参数;将所述配置参数集合输入训练好的性能预测模型中,得到Kafka的性能情况集合;将所述配置参数集合和所述性能情况集合输入参数优化模型中,得到优化后的配置参数集合;所述优化后的配置参数集合包括最优配置参数。通过将配置参数输入性能预测模型中可以预测Kafka的性能情况,无需人工反复手工修改配置参数,通过参数优化模型可以对配置参数进行优化,得到最优配置参数,能够提高参数优化的精度和效率,得到Kafka的最优配置参数,使性能情况得到明显改善。
  • 代理二进制优化-202180031703.9
  • 田村泰孝;迈赫达德·马利克穆罕默迪;凯伊万·达比里;阿利·舍伊克霍尔斯拉米 - 富士通株式会社
  • 2021-04-30 - 2022-12-09 - G06N3/12
  • 操作可以包括标识与优化问题对应的变量,每个变量具有初始值。操作可以包括基于每个变量的初始值来计算目标函数值和多个函数值改变。每个函数值改变可以基于不同的变量值改变来计算,每个变量值改变与对变量中不同的一个做出的相应改变对应。操作可以包括基于相应的函数值改变以及对子集中的变量的相应初始值做出的对应变量值改变来选择变量的子集,并且使用子集来生成代理二次无约束二进制优化(QUBO)模型。操作可以包括使用代理QUBO模型来确定包括解值集的优化问题的解,解值中的每一个与不同变量对应。
  • 面向采购计划优化的多重自适应计算方法与装置-202210948146.3
  • 王国强;蒋媛媛;罗贺;肖向才;杨兴刚;朱家伟;陈盈盈;陆效农;吴志伟;余本功;程八一 - 合肥工业大学
  • 2022-08-09 - 2022-12-02 - G06N3/12
  • 本发明提供一种面向采购计划优化的多重自适应计算方法与装置,涉及物料采购技术领域。本发明包括获取海外基地运营过程中需采购的产品生产所需物料;根据所述产品生产所需物料的数量,以综合采购成本最小为目标获取多个可行的采购计划方案;根据多个可行的采购计划方案,设计多重自适应机制的遗传算法获取全局最优解,确定海外基地在一个采购周期内每种物料的供应商选择及其采购数量。多重自适应机制的遗传算法能够在短时间内获得高质量的解,算法改进部分主要体现在多种选择方式组合使用避免算法陷入早熟状态,采用自适应交叉、变异策略提高算法后期局部搜索能力,改进基于精英保留的重启机制使算法能够及时跳出局部最优,由此获取全局最优解。
  • 基于DNA的可动态均衡系统、数据存储方法以及解码方法-202210953717.2
  • 杨旭;石晓龙 - 广州大学
  • 2022-08-10 - 2022-12-02 - G06N3/12
  • 本发明涉及数据存储领域,公开了一种基于DNA的可动态均衡系统、数据存储方法以及解码方法,通过对第一数据进行编码得到DNA分子链的过程中,对第一地址和第二地址添加了多种约束,使得能够高效率且准确地的对编码数据进行读取,如使第一地址与第二地址的汉明距离大于或等于第一地址长度的一半,降低读取时的地址选择错误的可能性;第一地址的前缀与第二地址的前缀以及第二地址的后缀均不相同,避免了读取过程中出现匹配错误的可能性;每一引物的前缀中鸟嘌呤和胞嘧啶的含量占引物所含有的鸟嘌呤、胞嘧啶、腺嘌呤和胸腺嘧啶总含量的预设比值,使得在需要读取编码数据事先进行测序时,准确率高。
  • 数据存储方法、解码方法、设备及存储介质-202210903661.X
  • 蔡铭元;王洋;吴嘉澍;叶可江;须成忠 - 中国科学院深圳先进技术研究院;澳门大学
  • 2022-07-28 - 2022-11-22 - G06N3/12
  • 本发明公开了一种数据存储方法、解码方法、设备及存储介质,其中数据存储方法包括:对原始数据进行DNA编码,并将编码结果与预设的解码程序的DNA编码拼接得到第一DNA碱基序列;识别所述第一DNA碱基序列中带有禁忌信息的禁忌字符串;基于第一预设规则和所述第一DNA碱基序列生成不包括禁忌信息的目标字符串,每个禁忌字符串对应一个目标字符串;以所述目标字符串替换所述第一DNA碱基序列中的所述禁忌字符串,得到第二DNA碱基序列进行保存,并生成字符串替换记录。本申请实现了对DNA碱基序列中的禁忌字符串的检测和替换,从而使得生成的DNA碱基序列有效、且更为安全和可靠。
  • 一种基于相互作用力的DNA三链体编码优化方法-202211109246.3
  • 王宾;孙立军;张强;魏小鹏 - 大连大学
  • 2022-09-13 - 2022-11-18 - G06N3/12
  • 本发明公开了一种基于相互作用力的DNA三链体编码优化方法,首先构造出定数的DNA三链体编码序列作为初始种群,对种群的适应度进行评价排序;其次,利用已经得出的DNA三链体编码序列,通过旗鱼算法和布朗运动进行优化,得到适应度高的DNA三链体编码序列。然后,通过约束比对根据约束条件判断是否加入备选解集合;最后,输出优质量DNA三链体编码序列。本发明生成的DNA三链体序列具有较高的稳定性和可逆性,并且实现了高效、自动化的序列设计,促进了DNA三链体在纳米技术中的更广泛应用。
  • 基于自适应并行遗传算法的大规模符号回归方法及系统-201910254056.2
  • 钟竞辉;黄至行 - 华南理工大学
  • 2019-03-30 - 2022-11-18 - G06N3/12
  • 本发明公开了一种基于自适应并行遗传算法的大规模符号回归方法及系统,所述系统包括:主进程模块,用于初始化,调用CPU线程模块,同步障与迁移操作;CPU线程模块,用于执行遗传编程算法,EV的更新,以及调用GPU适应值评估模块;GPU适应值评估模块,包括CPU辅助线程、CUDA库函数、及CUDA自定义函数,用于执行适应值评估。本发明为遗传编程算法引入自适应的多种群进化机制与异构计算资源的并行计算系统,运用自适应的多种群进化机制成功提取出有效构建元素,从而提高遗传编程算法在多构建元素的复杂问题中的性能,通过设计异构计算资源的并行计算系统,充分利用了CPU与GPU的计算资源,显著提高了搜索效率。
  • 一种基于双时间限制的群智感知任务分配方法-201910337164.6
  • 李鑫;张幸林 - 华南理工大学
  • 2019-04-25 - 2022-11-18 - G06N3/12
  • 本发明公开了一种基于双时间限制的群智感知任务分配方法,包括以下步骤:S1、任务发布者将具有时间限制的感知任务发送给感知服务平台;S2、感知参与者将自己的个人信息上传到感知服务平台;S3、感知服务平台收到感知任务集合和参与者的信息后,运行免疫遗传算法,得到参与者与任务配对情况;S4、感知服务平台将任务信息发送给选中的参与者,并为提供完成任务的顺序;S5、被选中的参与者执行感知任务并将感知结果发送给感知服务平台;S6、感知服务平台整合收到的感知结果并返回感知结果给任务发布者,支付报酬给参与者。所述方法能够在预算约束,双时间限制的条件下,使得感知平台所获的效益最高。
  • 一种基于深度强化学习和遗传算法的分批调度优化方法-202011373229.1
  • 谭琦;贾铖钰;余荣坤;孙晨皓;唐昊;夏田林 - 合肥工业大学
  • 2020-11-30 - 2022-11-04 - G06N3/12
  • 本发明属于生产制造调度领域,公开了一种基于深度强化学习和遗传算法的分批调度优化方法,包括步骤:建立差异工件批调度问题的数学模型;采用指针网络建立该问题的策略模型;利用actor‑critic算法训练指针网络模型;定义并初始化遗传算法的参数;使用训练完成的指针网络优化遗传算法的初始种群;采用遗传算法对调度方案进行进一步优化;利用遗传算法得到的最优方案作为批处理机加工工件的生产方案。本发明中的指针网络相较于传统的启发式算法,可以获得更优的解;并且在遗传算法的交叉操作中,提出了一种新型的交叉方式,可以在指针网络所得调度方案的基础上,利用提高遗传算法的寻优能力,进一步提升方案的性能。
  • 一种用于DNA实验的交互套件及其使用方法-201910267965.X
  • 冯志全;王康 - 济南大学
  • 2019-04-03 - 2022-11-04 - G06N3/12
  • 本发明提出了一种用于DNA实验的交互套件及其使用方法,该套件包括带有标签的碱基模型、氢键模型、带有电信号传感的DNA单链模型、带有标签的DNA解旋酶模型和DNA聚合酶模型,标签被摄像设备获取,同时被AR系统检测到。ARM处理器用于接收DNA单链模型完成复制后发出的电信号,并根据电信号转换成逻辑信号发送给智能终端,同时在AR系统实时显示。本发明还给出一种用于DNA实验的套件的使用方法。通过本发明加强了在DNA实验过程中以DNA单链为模板的复制过程、解旋、聚合过程以及碱基配对的理解,在用特定的实物模拟DNA复制的过程,并结合AR系统,生动展示DNA从解旋、互补配对到整体连接这个流程。
  • 基于生成对抗网络的多目标优化方法及系统-202210928480.2
  • 华珉;尹本顺;陈智勇;夏斌;罗祾;李文清;潘爱强;齐晓曼;刘哲 - 国网上海市电力公司;上海交通大学
  • 2022-08-03 - 2022-11-01 - G06N3/12
  • 本发明提供了一种基于生成对抗网络的多目标优化方法及系统,包括:初始化第一代解集,初始化生成器与鉴别器的网络结构及学习率;采用遗传运算或生成器产生子解集;从当前解集与产生子解集的并集中挑选出下一代解;在下一代解集与被丢弃的解集之间搜寻支配对,利用支配对训练鉴别器;基于训练鉴别器对生成器进行训练预测解。本发明基于生成对抗网络的学习能力,设计支配对的搜索方法,并利用支配对训练鉴别器学习非支配解与被支配解之间的支配关系,然后使用鉴别器指导生成器在现有非支配解的基础上预测更好的解;经过迭代获取多目标优化问题的更好的帕累托最优前沿,以及对应的帕累托最优解集。
  • 一种基于RBS算法的DNA存储编码优化方法-202210945577.4
  • 王宾;穆子牛;张强 - 大连大学
  • 2022-08-08 - 2022-11-01 - G06N3/12
  • 本发明公开了一种基于RBS算法的DNA存储编码优化方法,该方法首先对二进制数据进行转换,转换为碱基序列;根据碱基频率将序列划分为三个文件。其次对三个文件分别采用了数据块合并、RH混合编码和字符合并三种方式进行编码。最后,采用轮转编码将二进制数据转换为碱基序列,并且分割为120nt一组的短序列。本发明生成的码字在DNA存储中信息存储密度更高,编码质量更好,提高了DNA存储的高效性、实用性和稳定性。
  • 一种多模态数据模型的问题求解层选择方法、系统、装置-202210834493.3
  • 徐怡;邱紫恒 - 安徽大学
  • 2022-07-14 - 2022-10-21 - G06N3/12
  • 本发明属于大数据领域,具体涉及一种多模态数据模型的问题求解层选择方法、系统、装置。该方法用于在划分序乘积空间中对问题求解层进行优选。包括预选和优选阶段。具体步骤如下:S1:将问题求解层表示成染色体个体,生成准初始种群。S2:定义一个适应度函数。S3:对准初始种群进行迭代更新,保存每轮迭代更新中的最优个体;S4:对经典遗传算法中的选择算子、交叉算子和变异算子进行改良,得到一种新的自适应遗传算法;S5:将随机生成的染色体和次优种群合并作为优选阶段的初始种群。S6:对初始种群进行迭代更新,并在迭代结束后选择出最优的问题求解层;本发明解决了现有经典遗传算法处理该问题时存在收敛困难,容易陷入局部最优等问题。
  • 遗传算法中种群个体初始化的方法及装置-202110651526.6
  • 姜雪松;李浩;井立超 - 齐鲁工业大学
  • 2021-06-10 - 2022-10-21 - G06N3/12
  • 本发明公开了一种遗传算法中种群个体初始化的方法及装置,方法包括以下步骤:基于均匀设计对函数的边界进行处理,生成均匀覆盖初始个体;基于局部搜索对生成的初始个体进行优化,生成优化后的初始个体;对优化后的初始个体进行聚合处理;对聚合处理后的初始个体进行聚类处理构建初始种群。本发明结合了初始种群个体的创建、优化、合并,使得新的种群个体以仅仅增加迭代前初始化时间为代价,使得迭代过程的时间消耗、适应度函数、收敛性等方面与已有初始化方法相比更有优势,进一步提高了遗传算法的性能。
  • 一种基于能量分布评估的多目标小行星交会序列搜索方法-201911236346.0
  • 乔栋;杨柳;韩宏伟;李翔宇 - 北京理工大学
  • 2019-12-05 - 2022-10-21 - G06N3/12
  • 本发明涉及一种基于能量分布评估的多目标小行星交会序列搜索方法,适用于多小行星探测任务中的脉冲轨迹规划问题,属于航空航天技术领域。本发明公开的一种基于能量分布评估的多目标小行星交会序列搜索方法,通过随机优化算法与分支剪切算法的有机结合,采用基于能量分布评估的剪枝指标,能以较高的计算效率,得到满足时间约束、性能优良的多目标小行星交会序列。本发明公开的一种基于能量分布评估的多目标小行星交会序列搜索方法,采用基于能量分布评估的剪枝指标,能有效缩减解空间,保证计算效率。
  • 一种基于局部搜索的二维异形下料算法-202210539080.2
  • 姜鹏 - 杭州零碳智能科技有限公司
  • 2022-05-18 - 2022-10-18 - G06N3/12
  • 本发明涉及剪裁算法技术领域,尤其涉及一种基于局部搜索的二维异形下料算法,针对当前现有的算法技术存在要求异形多边形料的旋转角度固定,无法支持任意角度旋转导致板材的利用率不理想的问题,现提出如下方案,其中包括以下步骤:S1:进行定义,S2:进行排序,S3:生成初始族群,S4:按序放置,S5:完成算法,本发明的目的是通过改进算法使得排料支持任意角度旋转,缩短了输出更优结果的时间,同时通过局部搜索,减小了搜索更优解的难度,提高了最终板材的利用率。
  • 一种用于DNA计算和存储的微流控芯片及其操控方法-202210638014.0
  • 许诺;臧金良;刘立滨;汪震海;张淮;王俊明 - 北京机械设备研究所
  • 2022-06-07 - 2022-10-18 - G06N3/12
  • 本发明公开了一种用于DNA计算和存储的微流控芯片及其操控方法,该微流控芯片包括底板、盖板和密封结构,盖板通过所述密封结构与所述底板密封并在盖板和所述底板之间形成DNA算子液滴的移动空间;所述底板上形成有用于驱动所述DNA算子液滴在底板移动的电极;其中,所述盖板上设置有注液口和检测口,外部加注设备通过所述注液口向芯片内加注所述DNA算子液滴,所述DNA算子液滴在所述电极的电场控制下按照预定计算流程在所述底板上运动,检测设备通过所述检测口对所述DNA算子液滴进行荧光或者DNA测序。本发明通过微流控芯片实现了DNA计算和存储,具有环境要求低,试剂消耗量小、体积微小、成本低、自动化程度高等优点。
  • 一种改进的基于规则模型的多目标分布估计方法-201811561604.8
  • 王彬;王慧君;江巧永;黑新宏 - 西安理工大学
  • 2018-12-20 - 2022-10-04 - G06N3/12
  • 一种改进的基于规则模型的多目标分布估计方法,包括以下步骤,采用基于序列的确定化随机化方法得到高质量的初始种群,并增加了基于差分算法的繁殖策略,将此策略与原有的基于规则模型的多目标分布估计算法中的建模采样繁殖策略通过参数有效地结合在一起;改进了繁殖过程,充分利用种群中个体的局部信息,增加种群个体的多样性,增强算法的全局搜索能力,加快其收敛速度;最后,通过在测试函数上的仿真实验验证所提出算法的有效性和正确性。
  • 一种基于遗传算法的神经网络自适应分布式并行训练方法-202210963656.8
  • 倪益杰;曾艳;张纪林;任永坚;袁俊峰;韩猛;徐梦楚 - 杭州电子科技大学
  • 2022-08-11 - 2022-09-27 - G06N3/12
  • 本发明公开了一种基于遗传算法的神经网络自适应分布式并行训练方法。本方法首先将模型并行中算子放置问题转化整数线性规划问题,构建解空间,并简化解空间的规模。其次构建代价评估模型,评估线性规划问题解的优劣,指导两个种群之间进行迭代更新两组放置策略。然后当到达迭代更新的终止条件后,将两组放置策略转化为数据流图的算子放置策略,算子放置策略对模型进行训练,以选取最优分布式调度策略。最后利用得到的分布式调度策略,对待训练的模型进行分布式调度,并将数据集输入到的神经网络中进行分布式训练。本发明在保证解空间质量的前提下加快算法搜索速度,以细粒度评估算子放置策略的执行性能,有效避免陷入局部最优情况。
  • 用遗传程序设计创建通用积木块-202080095841.9
  • 大卫·詹姆斯·兰达埃塔 - 自然计算有限责任公司
  • 2020-01-30 - 2022-09-23 - G06N3/12
  • 一种使通用计算积木块进化的方法。该方法用随机生成的程序初始化父种群。该方法还获得随机生成的测试输入的列表。该方法生成目标数据集,该目标数据集包括随机生成的二进制字符串的输入输出对。该方法还应用适应度函数来基于目标数据集的输入输出对为每个程序分配适应度分数。该方法通过将遗传算子应用到程序中并选择满足新颖性条件的后代来使种子列表生长。新颖性条件表示程序针对随机生成的测试输入的列表产生不同且唯一输出的能力。该方法不断迭代,直到满足终止条件为止。终止条件表示种子列表中的程序对一个或更多个遗传程序设计实例进行求解的能力。
  • 一种基于自适应遗传算法的多金属多目标配矿方法-201910817733.7
  • 顾清华;刘海龙;王迪;卢才武;冯治东;李学现;李俊飞 - 西安建筑科技大学
  • 2019-08-30 - 2022-09-09 - G06N3/12
  • 一种基于自适应遗传算法的多金属多目标配矿方法,根据矿山配矿实际生产要求和指标,构建多金属多目标配矿模型,包括:品位偏差最小目标、采掘成本和运输成本最小目标、总产量偏差最小目标、矿石岩性的配比偏差最小目标、任务量约束、生产能力约束、氧化率约束、有害物质约束以及运输量约束;然后采用自适应遗传算法对多金属多目标配矿模型进行求解。本发明通过建立以采矿和运输成本、配矿后品位偏差、总产量偏差和配矿后矿石岩性配比偏差最小为目标的配矿模型,并采用自适应遗传优化算法,对多金属多目标配矿问题进行求解,实现了多金属多目标配矿的优化。
  • 一种基于遗传算法的低轨卫星时间窗规划方法及系统-202110602810.4
  • 范钦豪;李黎;李志真;张祥;陈少鹏;廖浩伟;程启明;左轩尘;张琴;林晓;杜松;段红林 - 重庆两江卫星移动通信有限公司
  • 2021-05-31 - 2022-09-06 - G06N3/12
  • 本发明公开了一种基于遗传算法的低轨卫星通讯时间窗规划方法及系统,包括创建初始种群、对种群进行编码、根据个体的适应度值对种群个体进行筛选、进行遗传操作、产生新一代种群;循环执行种群个体进行筛选、进行遗传操作、产生新一代种群,直到子代种群中的所有时间窗口子序列的适应度值小于阈值或循环次数达到预设上限,得到最佳适应度时间窗口序列。其中,遗传操作包括选择操作、交叉操作和变异操作。本发明在遗传算法的基础上,对时间窗口序列进行了二进制编码,将时间窗选择问题进行了简化,加入了自适应的迭代终止条件,避免了时间的浪费,以及通过调节约束条件的权重,来平衡时间覆盖率、时间总长度、去冲突度之间的效果。
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top