本发明涉及高维度大规模问题优化，具体是一种基于随机插值的大规模问题优化方法。
背景技术：
1、在数据爆炸式增长的客观环境下，出现了更复杂、更高维的大规模优化问题，解决这类问题在科学计算和实际生产等领域具有重要意义，大规模优化问题具有解空间维度大的特点，在此类问题的优化过程中，算法会出现以下问题：1)高维空间导致种群在迭代过程中，需完成大量运算；2)高维解空间大幅度延缓搜索过程，降低搜索效率。
2、针对种群迭代计算量大的问题，由于种群迭代涉及大量关于个体的重复操作，已有研究验证了通过gpu大量alu单元并行处理，可以实现算法加速。多任务优化算法emt作为一种新兴的优化策略，当有多个问题待求解时，能发挥其进化优势，不仅可以同时处理不同的问题，也可应对单一问题重新描述得到多个待解决问题的情况，而且多个任务内部的自进化过程、知识迁移过程均可通过并行方式执行，因此，emt特别适合gpu并行运算。
3、针对高维解空间导致搜索效率降低的问题，已有大量研究对大规模优化问题提出了通用解决策略，其中，随机插值是基于有效低维度提出的降维方式，其建立在大量矩阵运算基础上，可通过并行运算实现加速。已有许多学者聚焦于其有效性和可行性的研究，例如：文献【yinglan feng,liang feng,yaqing hou,kay chen tan,sam kwong.emt-remo:evolutionary multitasking for high-dimensional multi-objective optimizationvia random embedding[c].ieee congress on evolutionary computation,2021:1672-1679】和【yinglan feng,liang feng,yaqing hou,kay chen tan.large-scaleoptimization via evolutionary multitasking assisted random embedding[c].ieeecongress on evolutionary computation,2020:1-8】。然而，随机插值的降维方式需获知先验知识，例如：文献【hong qian,yi-qi hu,yang yu.derivative-free optimization ofhigh-dimensional non-convex functions by sequential random embeddings[c].theproceedings of the 25th international joint conference on artificialintelligence,2016:1946-1952】中，作者发现通过单一插值矩阵重构原始解空间会产生插值间隙，所以提出了利用多个插值矩阵减小间隙，从而提高随机插值的精度的方法。但是，实验结果表明仅在已知有效低维度的特定条件下，将原空间降至有效低维度对应空间附近才能通过进化得到最优值，在实际的优化问题中，无法提前获悉问题的真实有效低维度，也不能保证在特定条件下进行优化，导致随机插值的降维方式在问题的有效低维度未知的情况下，无法有效应用于理论研究或实际应用。
技术实现思路
1、针对现有技术存在的不足，本发明的目的是提供一种基于随机插值的大规模问题优化方法，缓解了随机插值在大规模问题优化中的局限性，提升了运行速度。
2、为了实现上述目的，本发明采用以下技术方案予以实现：
3、一种基于随机插值的大规模问题优化方法，包括如下步骤：
4、步骤1、构建基于随机插值的大规模多任务优化算法模型lsemt-re
5、采用基于岛模型的并行emt框架，将所有任务中的种群均分为多个高度并行的岛，以岛为单位进行评估排序以及优化，在基于岛模型的并行emt框架中引入多层知识迁移模块，在隶属不同任务的个体间以及属于同一任务不同岛的个体间实现条件触发的知识迁移；
6、步骤2、利用lsemt-re算法优化大规模问题
7、步骤2.1、任务初始化
8、每个任务将种群分为四个独立的岛，每个岛内的个体单独进化，基于给定的高维问题，原始解空间维度为d，对不同任务所处的低维进化空间维度di进行初始化，di满足逐渐增大的原则，根据di生成不同任务对应的随机插值矩阵ai，用于将低维进化空间种群映射至原始解空间，其中ai～n(0，1/di)；对于不同任务的随机插值矩阵ai，通过公式(1)求得逆映射矩阵pinvai，用于将种群从原始解空间映射回低维空间，然后在各任务对应的低维空间di生成种群后续种群以岛为单位进行独立自进化，通过将种群映射至原始解空间完成种群在不同维度的统一，根据目标函数对种群进行评估与排序，公式(1)表示为：
9、
10、步骤2.2、生成基于选择性交配的子代
11、lsemt-re算法进入迭代后，当满足特定情况时，多层知识迁移模块执行任务内部的跨岛个体迁移以及跨任务的隐式知识迁移，从处在不同低维进化空间的任务中提炼有效的信息，迁移至其他低维度任务，起到加速收敛的作用，然后通过随机选择确定父代，在低维进化空间完成子代进化；
12、步骤2.3、基于优胜劣汰原则的种群更新
13、通过逆映射矩阵将子代映射至原始解空间进行评价排序，与父代比较从而淘汰劣质个体，筛选出下一轮进化的子代；
14、重复执行步骤2.1～步骤2.3直至迭代结束，完成所有任务的自进化，实现大规模问题优化。
15、进一步地，述步骤2.1还包括：根据所处任务的低维进化空间维度大小，对随机插值矩阵服从的正态分布适应性调整，以降低矩阵中数据的方差。
16、进一步地，述步骤2.2的任务内部的跨岛个体迁移的过程为：在低维空间种群进行个体的优劣替换，将种群变化同步至原始空间。进化过程分为t个任务，每个任务内部分为k个岛，每个岛以相邻岛为目标，k个岛组成环形拓扑，依次选择目标迁移岛屿。如果目标岛的最优个体比本岛最差个体更优，则进行替换，然后将次优个体与本岛次差个体比较，依此类推，完成任务内部的跨岛个体迁移。
17、进一步地，所述步骤2.2的跨任务的隐式知识迁移的过程为：选择低维空间维度与目标任务最接近的任务作为源任务，通过模拟二进制交叉利用原始解空间中的种群产生子代并与目标任务父代所在岛的最差个体进行比较，若更优，则替换，同时将变化同步至低维空间。
18、本发明与现有技术相比，具有如下技术效果：
19、本发明借助emt能够同时优化多个任务的特点，将一个大规模问题通过随机插值方法降至不同维度，置于不同任务，通过gpu完成大量并行运算，从而缓解随机插值在处理大规模优化问题过程中需获知先验知识的局限性；为了保证低维进化空间的优化方向可以代表原始解空间较好的优化方向，即保证高维与低维空间进化的连续性，通过知识迁移，把低维进化空间中的有利信息交换至其他任务，加速整体优化速度，把高维进化空间中的有利信息交换至其他任务，提升其他任务的优化潜力，最终达到求解大规模优化问题的目的。总之，本发明不仅在保证优化质量良好的前提下，大幅提升了运行速度，而且提高了随机插值的降维方式的适用范围。
1.一种基于随机插值的大规模问题优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于随机插值的大规模问题优化方法，其特征在于，所述步骤2.1还包括：根据所处任务的低维进化空间维度大小，对随机插值矩阵服从的正态分布适应性调整，以降低矩阵中数据的方差。
3.根据权利要求1所述的基于随机插值的大规模问题优化方法，其特征在于，所述步骤2.2的任务内部的跨岛个体迁移的过程为：在低维空间种群进行个体的优劣替换，将种群变化同步至原始空间，进化过程分为t个任务，每个任务内部分为k个岛，每个岛以相邻岛为目标，k个岛组成环形拓扑，依次选择目标迁移岛屿，如果目标岛的最优个体比本岛最差个体更优，则进行替换，然后将次优个体与本岛次差个体比较，依此类推，完成任务内部的跨岛个体迁移。
4.根据权利要求1所述的基于随机插值的大规模问题优化方法，其特征在于，所述步骤2.2的跨任务的隐式知识迁移的过程为：选择低维空间维度与目标任务最接近的任务作为源任务，通过模拟二进制交叉利用原始解空间中的种群产生子代并与目标任务父代所在岛的最差个体进行比较，若更优，则替换，同时将变化同步至低维空间。
