基于群體智能的半結(jié)構(gòu)化數(shù)據(jù)查詢優(yōu)化算法

高俊杰，楊 帆

(1.山西大學(xué)計算機與信息技術(shù)學(xué)院，山西太原030006；2.山西醫(yī)科大學(xué)計算機教學(xué)部，山西太原030001)

1 引言

隨著計算機技術(shù)的不斷發(fā)展，人類已經(jīng)逐漸走向全面數(shù)字化時代，人們在各個領(lǐng)域中都開始應(yīng)用數(shù)字化技術(shù)，為此需要研究能夠高效率處理大數(shù)據(jù)的方法，解決數(shù)據(jù)智能化等問題[1-3]。為了能夠區(qū)分不同類型的數(shù)據(jù)，將網(wǎng)絡(luò)數(shù)據(jù)按照信息結(jié)構(gòu)進行劃分，為計算機系統(tǒng)提供靈活的數(shù)據(jù)轉(zhuǎn)換平臺[4]。半結(jié)構(gòu)化數(shù)據(jù)由于其組成信息結(jié)構(gòu)的不完整性，需要不斷地對數(shù)據(jù)結(jié)構(gòu)進行修改，再根據(jù)半結(jié)構(gòu)化數(shù)據(jù)的特征完成數(shù)據(jù)查詢、數(shù)據(jù)采集、數(shù)據(jù)分析等內(nèi)容，半結(jié)構(gòu)化數(shù)據(jù)查詢是較為復(fù)雜的一項基礎(chǔ)工作，只有從多角度完成數(shù)據(jù)分析并及時發(fā)現(xiàn)潛在數(shù)據(jù)才能穩(wěn)定支持計算機系統(tǒng)運行[5，6]。

文獻[7]提出一種基于路徑索引的密集鄰域圖數(shù)據(jù)查詢方法，該方法通過分析頂點密集領(lǐng)域數(shù)據(jù)特點，設(shè)計頂點密集鄰域的數(shù)據(jù)查詢模式，運用B+樹方法對數(shù)據(jù)查詢路徑進行索引與存儲。實驗結(jié)果表明，該方法能夠提升數(shù)據(jù)查詢與處理性能，但是存在數(shù)據(jù)查詢量較少的問題。文獻[8]提出了基于Python的協(xié)議棧軟件內(nèi)部數(shù)據(jù)查詢方法，該方法通過Linux系統(tǒng)與Windows系統(tǒng)的兼容，實現(xiàn)直接使用命令在屏幕上輸出所查數(shù)據(jù)結(jié)構(gòu)中的所有數(shù)據(jù)。實驗結(jié)果表明，該方法數(shù)據(jù)查詢精度較高，但是耗時較長。除此之外，文獻[9]還提出了基于符號語義的不完整數(shù)據(jù)聚集查詢處理算法，該算法對傳統(tǒng)關(guān)系數(shù)據(jù)庫模型進行了擴展，實現(xiàn)對不完整數(shù)據(jù)聚集的區(qū)間估計，并在該區(qū)間內(nèi)實現(xiàn)對數(shù)據(jù)的查詢。實驗結(jié)果表明，該算法數(shù)據(jù)查詢速度較快，但是得到的數(shù)據(jù)量較少。

針對現(xiàn)有方法存在的問題，提出基于群體智能的半結(jié)構(gòu)化數(shù)據(jù)查詢優(yōu)化算法。

2 基于粒子群優(yōu)化算法的半結(jié)構(gòu)化數(shù)據(jù)識別

采用粒子群優(yōu)化算法作為半結(jié)構(gòu)化數(shù)據(jù)查詢模型的優(yōu)化算法，應(yīng)用該算法的環(huán)境移動特征能夠更加精準、快速地在一定范圍內(nèi)尋找可靠數(shù)據(jù)，可以在三維空間中建立數(shù)據(jù)質(zhì)量與數(shù)據(jù)規(guī)模的位置檢索空間，在空間內(nèi)建立多種數(shù)據(jù)結(jié)構(gòu)代表粒子，粒子在半結(jié)構(gòu)化模型中的飛行過程稱為查詢過程，具體的飛行軌跡與飛行終點是根據(jù)粒子數(shù)據(jù)的自身經(jīng)驗來完成動態(tài)調(diào)整的，具有不確定性[10]。三維空間粒子分布如圖1所示。

圖1 三維空間粒子分布

根據(jù)圖1可知，基本的粒子群算法應(yīng)用需要建設(shè)一個三維立體空間為粒子群提供飛行場地，每個粒子所在的粒子種群可以代表在三維空間中的精準位置，粒子飛行的速度與種群迭代速度主要通過設(shè)定位置參數(shù)的方式進行表示，基本粒子群中的粒子超出標準飛行速度，則三維立體空間內(nèi)的維度參數(shù)會根據(jù)超出的飛行速度重新定義，制定超出空間邊界的參數(shù)值[11]。標準的粒子群算法基于基本粒子群算法的三維立體空間，可以在粒子飛行過程中完成算法的慣性參數(shù)計算，相對于基本粒子群算法有著較強的空間查詢能力，此算法在半結(jié)構(gòu)化查詢模型中主要通過線性遞增的方式調(diào)節(jié)數(shù)據(jù)的檢索范圍，實現(xiàn)了全方面的數(shù)據(jù)結(jié)構(gòu)探索。在結(jié)構(gòu)模型中進行深度的數(shù)據(jù)種子探索，為粒子群的收斂速度提供保障，粒子飛行的基本慣性參數(shù)可以在線性關(guān)系的基礎(chǔ)上引用常數(shù)因子，粒子飛行速度與常數(shù)因子呈現(xiàn)權(quán)重關(guān)系。離散粒子群算法是粒子群優(yōu)化算法中的高階算法，能夠?qū)Τ掷m(xù)性函數(shù)提出優(yōu)化解法，粒子在每個空間維度中的飛行狀態(tài)都需要經(jīng)過向量標準進行評判，若粒子的飛行速度沒有受到半結(jié)構(gòu)化數(shù)據(jù)查詢模型的限制，粒子群則建立隨機數(shù)據(jù)檢索范圍，針對更深層次的算法搜索空間建立粒子飛行節(jié)點[12]。離散粒子分布狀態(tài)如下圖2所示。

圖2 離散粒子分布狀態(tài)

中心學(xué)習(xí)算法建立在粒子群中的共享中央位置，此算法能夠為整個粒子群中的每個粒子解決粒子飛行層面問題，當粒子種群中的部分個體產(chǎn)生位置聚攏情況時，中心學(xué)習(xí)算法能夠協(xié)同粒子參數(shù)與種群的數(shù)據(jù)查詢機制，為該種群的局部空間設(shè)定閾值。在中心學(xué)習(xí)算法中的迭代關(guān)系主要依靠粒子的維度空間運轉(zhuǎn)速度，中心學(xué)習(xí)算法的迭代運行公式為

(1)

式中，v代表普通粒子在維度空間內(nèi)的飛行速度；x代表中心學(xué)習(xí)算法中的精英粒子在維度空間中的飛行速度；t代表維度空間內(nèi)的種群飛行時間；ω代表粒子慣性權(quán)重。

粒子離散過程如圖3所示。

圖3 粒子離散過程

離散學(xué)習(xí)算法是一種能夠在數(shù)據(jù)查詢模型中進行大范圍數(shù)據(jù)查詢的搜索算法，中心學(xué)習(xí)算法主要用于計算模型數(shù)據(jù)中的精英粒子，離散學(xué)習(xí)算法主要用于計算模型數(shù)據(jù)中的普通粒子，普通粒子需要對應(yīng)每個維度空間階層，在離散學(xué)習(xí)層次上需要具備不同的粒子個體。離散學(xué)習(xí)算法的迭代運行公式為

(2)

式中，λ代表粒子在空間中的飛行速度；t′代表粒子在空間中的總飛行時間；ω0代表粒子學(xué)習(xí)對象的權(quán)重值；?代表粒子的分布離散系數(shù)。

為了解決粒子群在半結(jié)構(gòu)化查詢模型中的粒子收斂不均勻的現(xiàn)象，在模型中進行維度協(xié)同，應(yīng)用粒子的自身參數(shù)設(shè)定維度閾值，根據(jù)每種類型的粒子參數(shù)進行維度內(nèi)的數(shù)據(jù)更新。不同維度下的離散數(shù)據(jù)如圖4所示。

圖4 不同維度下的離散數(shù)據(jù)

觀察圖4可知，假設(shè)一定范圍內(nèi)的結(jié)構(gòu)模型中維度為N，則粒子種群中每個粒子可以被描述的向量需要進行維度劃分，在粒子運行的周期內(nèi)完成粒子與固定維度的關(guān)聯(lián)。由于維度空間內(nèi)的位置劃分具有一定的隨機特性，所以需要每層粒子在飛行前進行隨機采樣，進行不同維度空間的粒子協(xié)同，確保每個粒子在隨機維度中都能完成半結(jié)構(gòu)化數(shù)據(jù)識別。

3 基于群體智能的半結(jié)構(gòu)化數(shù)據(jù)查詢優(yōu)化算法

以半結(jié)構(gòu)化數(shù)據(jù)識別結(jié)果為基礎(chǔ)，進行半結(jié)構(gòu)化數(shù)據(jù)查詢優(yōu)化。傳統(tǒng)半結(jié)構(gòu)化數(shù)據(jù)模型的設(shè)計不考慮數(shù)據(jù)的查詢路徑以及數(shù)據(jù)查詢方法等問題，主要設(shè)計半結(jié)構(gòu)化數(shù)據(jù)模型的整體構(gòu)架以及數(shù)據(jù)儲存空間，而本文在半結(jié)構(gòu)化數(shù)據(jù)模型建設(shè)過程中添加數(shù)據(jù)導(dǎo)向體系，能夠?qū)⒉樵償?shù)據(jù)在有向圖中進行表示，可以在不同數(shù)據(jù)環(huán)境中與其它種類的查詢數(shù)據(jù)相互轉(zhuǎn)換。離散數(shù)據(jù)采集過程如圖5所示。

圖5 離散數(shù)據(jù)采集過程

數(shù)據(jù)標記技術(shù)隨著數(shù)據(jù)運用功能的不斷豐富，在目前的數(shù)據(jù)傳輸領(lǐng)域、數(shù)據(jù)識別領(lǐng)域、數(shù)據(jù)采集、查詢等領(lǐng)域均有所運用，數(shù)據(jù)標記技術(shù)應(yīng)用在空間結(jié)構(gòu)的半結(jié)構(gòu)化數(shù)據(jù)查詢模型中，主要體現(xiàn)在數(shù)據(jù)結(jié)構(gòu)樹中，在數(shù)據(jù)樹中首先建立查詢對象支路，在每條查詢支路中安裝編程接口，再通過文檔接口映射形成一套數(shù)據(jù)查詢模型集合，集合的運行是經(jīng)過應(yīng)用程序?qū)Σ樵兾臋n的數(shù)據(jù)屬性提取后實現(xiàn)的。

隨著半結(jié)構(gòu)化數(shù)據(jù)模型中的數(shù)據(jù)表現(xiàn)形式越來越豐富，數(shù)據(jù)查詢模型中的數(shù)據(jù)文檔對數(shù)據(jù)挖掘需求越來越大。需要對數(shù)據(jù)進行深入挖掘，深入挖掘示意圖如圖6所示。

圖6 數(shù)據(jù)深入挖掘示意圖

圖6中，α、θ分別表示不同區(qū)域的數(shù)據(jù)挖掘方向。被標記的半結(jié)構(gòu)化數(shù)據(jù)模型還具有靈活性強的特點，能夠在任意時間內(nèi)完成數(shù)據(jù)查詢程序的更改，數(shù)據(jù)查詢結(jié)構(gòu)內(nèi)部也在不斷地進行數(shù)據(jù)庫更新工作，還能夠在同一查詢階段建立多種版本的數(shù)據(jù)文檔，為動態(tài)查詢程序增加可利用點。由于數(shù)據(jù)自身具備流動特性，所以本文針對頻繁變化的數(shù)據(jù)內(nèi)容建立標記特征的半結(jié)構(gòu)化模型，在已知的動態(tài)數(shù)據(jù)結(jié)構(gòu)基礎(chǔ)上，開發(fā)文檔版本與文檔版本之間的了半結(jié)構(gòu)化模型。設(shè)計子半結(jié)構(gòu)化模型的文檔版本查詢閾值，不斷累積查詢用戶與查詢參數(shù)之間的融合信息。優(yōu)化時間如圖7所示。

圖7 優(yōu)化時間

根據(jù)圖7可知，T代表優(yōu)化時間，S1代表優(yōu)化距離。半結(jié)構(gòu)化數(shù)據(jù)查詢模型中常常出現(xiàn)模糊數(shù)據(jù)的拓展問題，通過統(tǒng)計不同數(shù)據(jù)庫中的一些不確定性信息可知，這些模糊數(shù)據(jù)在模型中容易與其它類型查詢數(shù)據(jù)結(jié)合成為隨機數(shù)據(jù)集合或粗糙數(shù)據(jù)集合，不方便查詢運行程序的管理。為此，基于群體智能標簽樹研究不確定性查詢數(shù)據(jù)的節(jié)點關(guān)系，建立基本模型，優(yōu)化數(shù)據(jù)查詢過程中的模糊數(shù)據(jù)與其它數(shù)據(jù)建立不確定關(guān)系問題。基于群體智能的半結(jié)構(gòu)化數(shù)據(jù)查詢優(yōu)化過程如圖8所示。

圖8 半結(jié)構(gòu)化數(shù)據(jù)查詢優(yōu)化流程

標簽樹在半結(jié)構(gòu)化數(shù)據(jù)查詢模型中關(guān)聯(lián)著每層數(shù)據(jù)結(jié)構(gòu)中的節(jié)點，區(qū)分數(shù)據(jù)結(jié)構(gòu)與數(shù)據(jù)層次，查詢標簽樹的內(nèi)部數(shù)據(jù)信息時可以采用數(shù)學(xué)歸納法建立數(shù)據(jù)模型與標簽數(shù)據(jù)的等價關(guān)系，要求每層次的數(shù)據(jù)結(jié)構(gòu)與節(jié)點中的數(shù)據(jù)可進行區(qū)分。設(shè)定標簽樹在數(shù)據(jù)模型中的應(yīng)用語言可以跨平臺使用，在傳統(tǒng)數(shù)據(jù)系統(tǒng)d基礎(chǔ)上增加語言的分析能力，簡約化分析標簽樹語言的精準性。定義標簽樹信息在數(shù)據(jù)結(jié)構(gòu)中的決策規(guī)則為：

DR=(l→ac)∧(l0→a0c0)

∧…∧(ln→ancn)?

(l→ad)∧(l0→a0d0)

∧…∧(ln→andn)

(3)

式中，(l→ac)代表標簽樹數(shù)據(jù)節(jié)點中的決策點；(l→ad)代表模型決策后的數(shù)據(jù)關(guān)聯(lián)內(nèi)容，主要用于半結(jié)構(gòu)化數(shù)據(jù)決策與分化。

依據(jù)式(3)所示的決策規(guī)則，確定數(shù)據(jù)關(guān)聯(lián)關(guān)系，從而實現(xiàn)半結(jié)構(gòu)化數(shù)據(jù)的查詢優(yōu)化。

4 實驗測試

為了評估本文研究的基于群體智能的半結(jié)構(gòu)化數(shù)據(jù)查詢優(yōu)化算法的有效性，設(shè)定實驗測試環(huán)節(jié)。選用6個基本函數(shù)作為粒子群優(yōu)化算法的綜合性能基準測試函數(shù)，前兩個函數(shù)每個函數(shù)中只有一個峰值，后四個函數(shù)具有多個峰值，多峰值函數(shù)用來檢測算法在半結(jié)構(gòu)化模型中的數(shù)據(jù)查詢量，單峰函數(shù)用來檢測算法在半結(jié)構(gòu)化數(shù)據(jù)模型中的查詢功能強度。

實驗中首先測定中心-離散學(xué)習(xí)算法，將算法代入函數(shù)中重復(fù)查詢數(shù)據(jù)20次，記錄每次查詢結(jié)果，計算查詢結(jié)果的均值、方差、極差等值。應(yīng)用中心-離散學(xué)習(xí)算法對多峰函數(shù)的數(shù)據(jù)收斂效果進行確認，尋找算法中的函數(shù)最佳峰值，并在多峰值的環(huán)境中尋找周期性的函數(shù)最優(yōu)解。表1為各函數(shù)在算法中的參數(shù)設(shè)定值：

表1 參數(shù)設(shè)定值

實驗中，為了保障不同函數(shù)在算法中的同步性，需要在粒子種群中設(shè)置相同維度的迭代運算，每次完成迭代運算的函數(shù)會統(tǒng)計自身的目標函數(shù)值與峰值在函數(shù)環(huán)境中的最佳位置。實驗中還應(yīng)用維爾克森雙尾秩和檢驗方法對實驗結(jié)果進行驗證，圖9為本文算法對不同測試函數(shù)的數(shù)據(jù)查詢結(jié)果。

圖9 不同方法數(shù)據(jù)查詢量對比結(jié)果

根據(jù)圖9可知，本文選用的粒子群優(yōu)化算法不僅可以實現(xiàn)對半結(jié)構(gòu)化數(shù)據(jù)的查詢，而且隨著迭代次數(shù)的增長，數(shù)據(jù)查詢量整體上呈現(xiàn)出逐漸增長的趨勢，提高了維度空間內(nèi)非結(jié)構(gòu)化數(shù)據(jù)的查詢深度。

為了進一步驗證本文算法的有效性，對比基于路徑索引的密集鄰域圖數(shù)據(jù)查詢方法(文獻[7]方法)和基于Python的協(xié)議棧軟件內(nèi)部數(shù)據(jù)查詢方法(文獻[8]方法)與本文算法的數(shù)據(jù)查詢優(yōu)化時間，結(jié)果如下表2可知。

表2 數(shù)據(jù)查詢優(yōu)化時間對比結(jié)果

根據(jù)表2中的數(shù)據(jù)可知，本文提出的基于群體智能的半結(jié)構(gòu)化數(shù)據(jù)查詢優(yōu)化算法優(yōu)化時間小于傳統(tǒng)優(yōu)化算法。這是由于提出的算法引入了數(shù)據(jù)分析策略，具有很好的集中性，可以在短時間內(nèi)完成數(shù)據(jù)的分析。

綜上所述，提出的基于群體智能的半結(jié)構(gòu)化數(shù)據(jù)查詢優(yōu)化算法優(yōu)化能力更強，優(yōu)化效果更好，更適用于實際的數(shù)據(jù)優(yōu)化工作。

5 結(jié)論

半結(jié)構(gòu)化數(shù)據(jù)查詢模型自身具有結(jié)構(gòu)特性，相對于其它結(jié)構(gòu)的數(shù)據(jù)查詢模型需要不斷進行數(shù)據(jù)修復(fù)與結(jié)構(gòu)構(gòu)建，本文基于群體智能方法，選用粒子群優(yōu)化算法對傳統(tǒng)半結(jié)構(gòu)化數(shù)據(jù)查詢模型進行改良，從數(shù)據(jù)查詢模型的結(jié)構(gòu)、數(shù)據(jù)查詢模型維度空間以及數(shù)據(jù)查詢方式作為切入點，增強半結(jié)構(gòu)化數(shù)據(jù)查詢模型的可靠性與高效性。實驗結(jié)果表明，該算法具有半結(jié)構(gòu)化數(shù)據(jù)查詢量大和數(shù)據(jù)查詢時間較短的優(yōu)勢。