一种最优化问题的求解方法及系统与流程

本发明涉及一种最优化问题的求解方法及系统，特别涉及一种利用turf(totalunduplicatedreach&frequency：总和和到达频率)方法求解最优化问题的方法及系统。

背景技术：

最优化问题是一个非常普遍的，在生产管理、经济金融、环境工程、交通运输以及国防等领域都会遇到的问题。最优化是讨论决策问题的最佳选择，构造寻求最佳解的计算方法，其与分析、几何、代数、概率论及计算机科学、系统科学、自动化等学科紧密联系，互相促进。如果说“模拟”深刻地改变着人们改造世界的能力，那么“优化”则深刻地改变着人们改造世界的方法和途径。例如：资源分配时，怎样分配，采取什么样的分配方式，可以使得既满足现有需求又能获得好的经济效益；生产计划安排时，采取什么方案安排既能在提高产量的同时又可以获得更多利润；在城市建设时，怎样合理的布局道路、住宅、学校以及医院等建筑，才能有利城市各行各业的发展又方便群众。

最优化问题常常不是由单个表现最优的候选项组成。单个表现最优的选项间存在重叠和替代关系，从而导致对一个选出的子集来说，某些选项的边际贡献很小乃至为零，简单化的选取表现最好的候选项进行组合是不可取的。

从分析方法角度来看，迄今为止，人们采用的解决最优化问题的最优组合产生方法，一直是比较初级的，多方面的实际需求并没有得到很好解决。例如：达到深度问题，选项采用顺序问题、强制性问题、选项间的互斥问题等，都没有得到系统解决。

技术实现要素：

本发明提供一种灵活、适用范围广的最优化问题的求解方法及系统。

本发明的一种最优化问题的求解方法，所述方法包括：

s1：输入数据；

s2：根据最优化问题和需求，自定义参数：

所述参数至少包括数据子集的到达标准和到达深度；

s3：采用turf方法，将输入数据的子集频率加权的总和和到达频率作为优化目标，结合自定义的参数，对最优化问题求取最优解。

优选的是，所述自定义参数还包括自定义数据子集的数量阈值和维度阈值；

所述s3中，对最优化问题求取最优解：

将输入的数据子集的数量及维度与自定义的数量阈值和维度阈值相比较，确定最优化问题的难易程度，进而选择相应的算法求取最优解。

优选的是，所述s3中，对最优化问题求取最优解：

判断输入的数据子集的数量是否大于数量阈值，若否，采用穷举法对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解；若是，则判断输入的数据子集的维度是否大于维度阈值，若否，则采用遗传算法对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解，若是，将穷举法和遗传算法相结合，对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解。

优选的是，所述自定义参数还包括自定义数据子集的顺序、自定义数据子集的强制选项、自定义数据子集的选项捆绑、自定义数据子集的互斥选项、对数据子集中的某个体数据和/或某选项加权。

优选的是，所述自定义参数还包括自定义数据子集的最小边际贡献。

本发明还提供一种最优化问题的求解系统，所述系统包括：

输入模块，用于输入数据；

自定义模块，用于根据最优化问题和需求，自定义参数，所述参数至少包括数据子集的到达标准和到达深度；

turf模块，用于采用turf方法，将输入数据的子集频率加权的总和和到达频率作为优化目标，结合自定义的参数，对最优化问题求取最优解。

优选的是，所述自定义参数还包括自定义数据子集的数量阈值和维度阈值；

所述turf模块中，对最优化问题求取最优解：

将输入的数据子集的数量及维度与自定义的数量阈值和维度阈值相比较，确定最优化问题的难易程度，进而选择相应的算法求取最优解。

优选的是，所述自定义参数还包括：

所述turf模块中，对最优化问题求取最优解：

判断输入的数据子集的数量是否大于数量阈值，若否，采用穷举法对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解；若是，则判断输入的数据子集的维度是否大于维度阈值，若否，则采用遗传算法对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解，若是，将穷举法和遗传算法相结合，对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解。

优选的是，所述自定义参数还包括自定义数据子集的顺序、自定义数据子集的强制选项、自定义数据子集的选项捆绑、自定义数据子集的互斥选项、对数据子集中的某个体数据和/或某选项加权。

优选的是，所述自定义参数还包括自定义数据子集的最小边际贡献。

上述技术特征可以各种适合的方式组合或由等效的技术特征来替代，只要能够达到本发明的目的。

本发明的有益效果在于：

1、灵活、适用范围广，本发明自定义到达标准、自定义到达深度、可以指定数据子集特定的顺序、强制选项以及互斥选项、可以定义最小边际贡献，其可以适用于不同场合的优化问题求解；

2、计算效率高，采用穷举法和遗传算法相结合，自动切换的机制，对于数据子集数量小于阈值的一般问题采用穷举法求最优解，对稍复杂问题切换到遗传算法求最优解，对于非常复杂问题可以穷举法和遗传算法相结合求最优解，极大的提高了优化问题求解速度；

3、计算结果可信度高、实用性强，该方法增加了到达深度、顺序、个体权重、选项权重、选项互斥、选项捆绑、强制选项等维度，求解过程和实际问题贴合度高，结果实用性强，且本发明可以一次输出多个解，即：输出多个候选方案。

4、扩展性高，本发明采用穷举法和遗传算法相结合、自动切换的机制，其可以方便扩展到三种以及更多计算方法相结合。

附图说明

图1为本发明实施例的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

结合图1说明本实施方式，本实施方式的一种最优化问题的求解方法，包括：

s1：输入数据；

本实施方式的数据为调研数据、历史数据或者开放文本数据；调研数据为产品测试、概念测试和品类管理中的专项采集数据；历史数据为多对象属性评分数据、多选项数据；

s2：根据最优化问题和需求，自定义参数：

所述参数至少包括数据子集的到达标准和到达深度；

s3：采用turf方法，将输入数据的子集频率加权的总和和到达频率作为优化目标，结合自定义的参数，对最优化问题求取最优解。

本实施方式根据实际优化问题，自定义到达标准、自定义深度，实现引入优化系数，使得turf方法得到的解与实际优化问题更加贴近，达到的优化效果可量化衡量；

优选实施例中，本实施方式的自定义参数还包括自定义数据子集的数量阈值和维度阈值；

s3中，对最优化问题求取最优解：

将输入的数据子集的数量及维度与自定义的数量阈值和维度阈值相比较，确定最优化问题的难易程度，进而选择相应的算法求取最优解。

本实施方式根据数量阈值和维度阈值，确定最优化问题的复杂程度，简单的最优化问题采用计算量较小的即可求解，随着最优化问题越来越复杂，采用的算法越复杂，计算量越大，自动切换，提高计算速度。使得用turf方法解决大型问题的障碍大大降低；

优选实施例中，s3中，对最优化问题求取最优解：

判断输入的数据子集的数量是否大于数量阈值，若否，采用穷举法对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解；若是，则判断输入的数据子集的维度是否大于维度阈值，若否，则采用遗传算法对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解，若是，将穷举法和遗传算法相结合，对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解。

现有turf方法中多采用穷举法或遗传算法对最优化问题求取最优解，本实施方式采用穷举法和遗传算法相结合，自动切换的机制，对于数据子集数量小于阈值的一般问题采用穷举法求最优解，对稍复杂问题切换到遗传算法求最优解，对于非常复杂问题可以穷举法和遗传算法相结合求最优解，极大的提高了优化问题求解速度；

优选实施例中，自定义参数还包括自定义数据子集的顺序、自定义数据子集的强制选项、自定义数据子集的选项捆绑、自定义数据子集的互斥选项、对数据子集中的某个体数据和/或某选项加权。

本实施方式为了使计算结果可信度高、实用性强，增加了顺序、个体权重、选项权重、选项互斥、选项捆绑、强制选项等维度，求解过程和实际问题贴合度高，使能够适用于有约束条件的具体问题，更具实用性。优选实施例中，自定义参数还包括自定义数据子集的最小边际贡献。

本实施方式通过自定义数据子集的最小边际贡献，保证收益。

具体实施例：

本实施例是根据一个关于唇彩的项目改造而来的。其优化问题是在33个候选颜色中，选出一个可以吸引最多消费者的数据子集。本实施例中假设可以选择1到33个中间任意个数进行一步开发。

一：根据上述问题进行问卷收集，问卷中购买意向尺度是1-6分的李科特尺度，其中5-6分被认为是消费者有正面购买意向的标准，将问卷中的数据进行转换，把5分到6分编码为1，把1-4分编码为0。

二：现在基于转换后的数据做分析，确定自定义参数：选定数据，设定最少包含一种颜色，最多包含33种，不包含频率，每个数量的组合下包含表现最佳的前3个方案。

三：以子集频率加权的总和和到达频率作为优化目标，结合自定义的参数，对最优化问题求取最优解以进行算法判定。

本实施例可以一次输出多个候选方案，且输出结果采用可视化的帕累托图。

本实施例从数据采集、数据转换到自定义参数定义、选项设置、模型计算、结果输出以及到结果可视化的整套流程，赋予了turf这一工具系统性和产品性。

本实施方式还提供一种最优化问题的求解系统，所述系统包括：

输入模块，用于输入数据；

自定义模块，用于根据最优化问题和需求，自定义参数，所述参数至少包括数据子集的到达标准和到达深度；

turf模块，用于采用turf方法，将输入数据的子集频率加权的总和和到达频率作为优化目标，结合自定义的参数，对最优化问题求取最优解。

优选实施例中，所述自定义参数还包括自定义数据子集的数量阈值和维度阈值；

所述turf模块中，对最优化问题求取最优解：

将输入的数据子集的数量及维度与自定义的数量阈值和维度阈值相比较，确定最优化问题的难易程度，进而选择相应的算法求取最优解。

优选实施例中，所述自定义参数还包括：

所述turf模块中，对最优化问题求取最优解：

判断输入的数据子集的数量是否大于数量阈值，若否，采用穷举法对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解；若是，则判断输入的数据子集的维度是否大于维度阈值，若否，则采用遗传算法对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解，若是，将穷举法和遗传算法相结合，对子集的频率加权总和和达到频率进行运算，对最优化问题求取最优解。

优选实施例中，所述自定义参数还包括自定义数据子集的顺序、自定义数据子集的强制选项、自定义数据子集的选项捆绑、自定义数据子集的互斥选项、对数据子集中的某个体数据和/或某选项加权。

优选实施例中，所述自定义参数还包括自定义数据子集的最小边际贡献。

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。