《大數據共性最佳化模型的高效算法研究》是依託西安電子科技大學，由王宇平擔任項目負責人的面上項目。
基本介紹
- 中文名：大數據共性最佳化模型的高效算法研究
- 項目類別：面上項目
- 項目負責人：王宇平
- 依託單位：西安電子科技大學
中文摘要,結題摘要,
中文摘要
大數據領域中的很多套用問題可以建成共同類型的最佳化模型：大規模複雜全局最佳化模型和超多目標最佳化模型。這些模型的本質特徵是：大規模、複雜（大量局部最優解）、超多目標。已有算法具有如下缺陷：效率低、能力差（難以求出真正的全局最優解，易陷入局部最優解）、對超多目標最佳化模型難以求出在整個解空間分布均勻的代表解集。本項目對大數據領域各類套用問題經常出現的這些共性模型，研究將大規模問題轉化為小規模問題的高效新技術，極大減小求解難度；研究消除大量局部最優解的技術，極大提高求解效率並降低求解難度；研究跳出局部最優解的新技術，保證算法能求出真正全局最優解，為解決大規模複雜全局最佳化問題提供新的途徑。對超多目標最佳化模型，研究解之間優劣排序的新方法，克服用Pareto最優解概念排序導致最優解數目太多的缺陷；同時研究新的高效聚合函式法，使其能求出反映最優解整體分布的代表解集，克服已有算法難以求出分布好的最優解集的缺陷。
結題摘要
本項目按計畫研究了大數據共性最佳化模型的高效算法，並超額完成了研究計畫中的所有任務和所有預期的研究成果。在國際和國內重要刊物上發表學術論文62篇，其中SCI檢索期刊論文28篇、EI檢索期刊論文15篇（SCI和EI論文不重複計算）、EI檢索國際會議19篇。發表的28篇SCI論文中，有8篇發表在中科院一區和二區的國際期刊。所有成果中第一標註是該項目資助總計38篇，第二標註是該項目資助總計21篇。項目的主要研究成果包括： 首先，針對大數據建模成的大規模全局最佳化問題，為了解決高維度所造成的求解困難這一瓶頸，設計了變數的分組方法。所提方法能夠根據函式的結構和特點，自動判別問題是否可以轉化為若干小規模問題。再結合協同進化的思想，對多個子問題同時進行最佳化，提高了問題的求解效率。為了消除大量局部最優解，讓算法儘快求出全局最優解，我們通過改造填充函式，放寬一些不易滿足的條件，重新定義了一類更易於套用、包含參數更少甚至不包含參數、不容易溢出、效果更好的新函式類。這類函式保留了填充函式能跳出局部最優解的特點並克服了其缺點。再利用與填充函式法類似的框架和過程，對新的函式進行最佳化，從而可以跳出當前的局部最優解，更快地找到更好的解。 其次，針對大數據建模成的超多目標最佳化問題，提出了求解超多目標最佳化問題高效的聚合函式，設計了適合超多目標最佳化問題解的優劣性的新排序方法。為了使超多目標最佳化問題的Pareto解集均勻的分布在決策空間中，引入了均勻設計的方法在目標空間產生均勻分布的權向量；利用子種群策略增強算法的局部搜尋能力；引入了正交設計與水平集的思想，通過設計合理的交叉運算元來增加每個子問題的鄰域信息，從而加強子問題間的相關性，提高算法的全局搜尋能力。 最後，針對實際大數據環境下的大規模全局最佳化問題、多目標最佳化問題和超多目標最佳化問題，將上述最佳化理論和最佳化技術成功的套用於各個具體的大數據套用問題中。實驗驗證了所提最佳化模型的有效性和算法的高效性。
