买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉安徽大学申请的专利一种多模态数据模型的问题求解层选择方法、系统、装置获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115222049B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210834493.3，技术领域涉及：G06N3/126；该发明授权一种多模态数据模型的问题求解层选择方法、系统、装置是由徐怡;邱紫恒设计研发完成，并于2022-07-14向国家知识产权局提交的专利申请。

本一种多模态数据模型的问题求解层选择方法、系统、装置在说明书摘要公布了：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。

本发明授权一种多模态数据模型的问题求解层选择方法、系统、装置在权利要求书中公布了：1.一种多模态数据模型的问题求解层选择方法，其用于在划分序乘积空间中对问题求解层进行优选，进而得到最优的问题求解层；其特征在于，所述问题求解层选择方法包括预选阶段和优选阶段，预选阶段采用经典遗传算法进行处理，用于选出部分次优问题求解层；优选阶段采用改进的自适应遗传算法进行处理，用于确定最优问题求解层； 其中，所述问题求解层选择方法包括如下处理步骤： S1：采用实数编码方式将划分序乘积空间中的问题求解层表示成遗传空间的染色体个体，进而随机生成一个包含多个染色体的准初始种群； S2：根据目标问题求解层对分类精度指标和粒度指标的边界限制条件，定义一个适应度函数； S3：设定预选阶段的迭代条件，对所述准初始种群进行迭代更新，并保存每轮迭代更新过程中的最优个体，进而预选出种群中的部分次优个体；预选过程详细如下： S31：采用自定义的适应度函数计算当前轮次中所述准初始种群内每个个体的适应度值； S32：选择适应度值最佳的个体作为当前轮次的最优个体，并保存到一个预选集合中； S33：使用经典遗传算法依次对所述准初始种群进行选择、交叉以及变异操作；更新所述准初始种群； S34：循环执行步骤S31-S33，直到达到预选阶段设定的迭代条件，结束算法迭代并输出所述预选集合；所述预选集合中包含的所有个体即为预选出的次优种群； 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；所述自适应遗传算法的改进方法如下： S41：将选择算子设计为随当前种群进化迭代次数动态变化的自适应算子；在迭代前期同时选择轮盘赌选择和精英保留策略；在迭代后期仅选择精英保留策略； S42：将交叉算子设计为交叉概率随当前种群进化迭代次数以及交叉个体适应度值动态变化的自适应交叉算子；交叉方式选择多点交叉； S43：将变异算子设计为密集因子随当前种群进化迭代次数动态变化的自适应大变异算子，使得迭代前期的密集因子大于迭代后期的密集因子； S5：随机生成一批新的染色体，将新的染色体和所述次优种群合并作为优选阶段的初始种群； S6：设定优选阶段的迭代条件，对所述初始种群进行迭代更新；并在迭代更新结束后选择出最优的问题求解层；详细过程如下： S61：采用自定义的适应度函数计算当前轮次中所述初始种群内每个个体的适应度值； S62：使用自适应遗传算法依次对准初始种群进行自适应选择、自适应交叉以及自适应变异操作； S63：循环执行步骤S61-S62，直到达到预选阶段设定的迭代条件，结束算法迭代并输出初始种群中适应度值最优的个体作为所需的最优问题求解层。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。