融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化方法及系统

1.本发明涉及航空空乘培训服务技术领域，具体涉及一种融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化方法及系统。


背景技术：

2.近在航空空乘培训服务技术领域中，需要通过训练学员完成不同的机舱协作训练任务；开展与飞行模拟器联动模式的任务型协作训练，可使机组人员或航空院校学生提高资源管理能力，降低发生人为事故的概率。机组人员是否严格按规程操作并及时维护、保养飞行器营运及人员生活需要的各种机舱设备和系统，是否能够合理配置管理飞行所需的油、水、气、电等能耗类资源，是否能实现各部分机组人员的有效沟通和协作，是否能够及时传递并有效应用数据、资料等信息类资源，特殊飞行区域以及恶劣飞行天气状况下的航行环境是否能被有效应对，这些都能对飞行器的运营效率甚至航行安全产生较大的影响。
3.智能评估通过特定的情景和任务确定了一个机组人员实操评估项目，而构造评估指标的权重对机舱协作的评估成绩有着较大的影响，如何提高评估真实性和合理性成了急需解决的问题。


技术实现要素：

4.本发明针对上述的问题提供一种数据离差权重小，评价结果离差小的融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化方法及系统。
5.本发明是这样实现的：1.融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化方法，其特征在于：所述该方法包括以下步骤：
6.s1：在评估开始前，可按需要对一个或多个评估科目进行调整，也可仅对一个或多个评估科目内的一个或多个评估环节进行调整，对于首次增加的评估科目或评估环节，利用标准ahp方法确定基准权重系数；
7.s2：指引全部机组成员完成一次完整的评估，并记录所产生的各类数据，从而计算各评估科目内各评估环节的得分情况，将一位机组成员进行一次完整评估过程中产生的全部数据称为一个数据点，称剔除掉必须达到满分的评估科目或评估环节后，对某数据点计算得出的分数为降衡得分，参考最近一次使用的评估指标权重分配数据，计算出初始情况下，参与评估的各机组成员的得分及其降衡得分；
8.s3：提取与当前时间相距一段时间内的历史评估数据，称为有效历史数据集，利用在线学习的方法将有效历史数据集按时间分批次处理，在衰减因子作用下对其中的部分数据点执行过采样操作，并计算每个数据点的降衡得分，将所有降衡得分以高斯分布进行拟合；
9.s4：以目标高斯误差这一评价指标的最小化为进化目标，利用分层差分进化算法优化，先对各评估科目间的权重分布情况进行顶层差分优化，再对各评估科目间的各评估
环节的权重分布情况进行次层差分优化；重复这一步骤，直至达到所设置的最大函数评价次数；
10.s5：按得到的各评估科目间的权重分布情况及各评估科目间的各评估环节的权重分布情况，重新计算有效历史数据集内所有数据点对应的得分情况，展示各机组成员的组内得分排名情况、得分在有效历史数据内的排名百分比等相关数据。
11.一种融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化系统，其特征在于：包括终端设备，所述所述终端设备采用互联网终端设备，包括处理器和计算机可读存储介质，所述处理器用于实现各指令；所述计算机可读存储介质用于存储多条指令。
12.优选的，根据以下步骤处理有效历史数据：
13.步骤2-1：提取与当前时间相距一段时间内的历史评估数据，将每一位机组成员进行一次完整评估过程中产生的全部数据作为一个数据点，这些数据点共同构成有效历史数据集；
14.步骤2-2：将采集到的有效历史数据集内的全部数据点按发生时间排序，将数据点按产生时间聚类为多个批次，不同数据批次间仍按发生时间进行排序；
15.步骤2-3：在衰减因子作用下，计算每个数据批次需要执行过采样操作的次数，对任意数据批次，记录每个数据点被执行过采样操作的次数，每次执行过采样操作时，从该数据批次中被选取次数最少的点中随机选取一个作为目标执行一次过采样操作；
16.步骤2-4：有效历史数据集中的全部数据批次的过采样操作均执行完成后，得到的新的数据点的集合为扩增数据集，剔除掉必须达到满分的评估科目或评估环节的得分后，参考最近一次使用的评估指标权重分配数据，计算扩增数据集中每个数据点的降衡得分；以频次区间统计的方式，将所有降衡得分以高斯分布的方法进行拟合；拟合结果如下述公式所示：
[0017][0018]
其中，f(x)为某一数据区间拟合后得到的高斯分布值，x为这一数据区间左端点和右端点的均值，拟合过程采用标准最小二乘法的方法，使得所有数据区间中点处的高斯分布值f(x)与落入该数据区间的数据点的数量的差值的综合尽可能小，σ和μ为拟合得到的正态分布的两个参数，第一参数μ是服从正态分布的随机变量的均值，第二个参数μ是此随机变量的标准差，μ是正态分布的位置参数，描述正态分布的集中趋势位置，与降衡得分分布最集中的这一数据区间左端点和右端点的均值对应。
[0019]
优选的，根据以下步骤利用分层差分进化算法执行优化操作：
[0020]
步骤3-1：以目标高斯误差这一评价指标的最小化为进化目标，计算初始状态下，扩增数据集的目标高斯误差的值；将扩增数据集中的每个数据点作为一个个体，共同用于实现分层差分进化算法的初始种群的初始化；
[0021]
步骤3-2：先对各评估科目间的权重分布情况进行顶层差分优化；用标准差分进化算法，对各评估科目间的权重分布情况进行一次迭代，称迭代前与迭代后的种群分别为父代和子代，对子代进行一次高斯拟合，从而计算出子代的目标高斯误差，计算父代的目标高斯误差减去子代的目标高斯误差所得到的误差差值，若误差差值为非负数，则接受此次迭代，将子代种群传入步骤3，若误差差值不为非负数，则拒绝此次迭代，将父代种群传入步骤
3；
[0022]
步骤3-3：对各评估科目间的各评估环节的权重分布情况进行次层差分优化，利用标准差分进化算法，对各评估科目间的各评估环节的权重分布情况进行一次迭代，对子代进行一次高斯拟合，从而计算出子代的目标高斯误差；计算父代的目标高斯误差减去子代的目标高斯误差所得到的误差差值，若误差差值为非负数，则接受此次迭代，将子代种群传入步骤4，若误差差值不为非负数，则拒绝此次迭代，将父代种群传入步骤4；
[0023]
步骤3-4:重复步骤3-2、步骤3-3两个步骤，直至达到所设置的最大函数评价次数，退出迭代，并返回优化后的各评估科目间的权重分布情况及各评估科目间的各评估环节的权重分布情况。
[0024]
优选的，计算每个数据批次需要执行过采样操作的次数，采用公式：
[0025][0026]
其中，oi为按发生时间从早到晚排序的第i批数据需要执行过采样操作的次数，ni为第i批数据中所包含的数据点的数量，brri为第i批数据的批次复制比，ρ为衰减因子；发生时间最早的一个数据批次的批次复制比被赋值为1。
[0027]
优选的，根据以下步骤计算目标高斯误差：
[0028]
步骤5-1：根据预设的区间切片长度l，将扩增数据集中全部数据点的降衡得分映射到各分数区间内，并统计出各分数区间内的数据点数量；
[0029]
步骤5-2：根据如下公式计算得到目标高斯误差：
[0030][0031]
其中，σg为所求的目标高斯误差，σj为第j个分数区间的目标区间高斯误差，n为分数区间的总数量，f(x)为对正在处理的种群进行高斯拟合得到的高斯分布，μ和σ分别为高斯分布f(x)的期望和标准差，δe为用户输入的期望高斯分布均值e与实际高斯分布均值μ的差值的绝对值，δe越大，则拟合得到的高斯分别的中心与期望高斯分布的中心的偏离越大，和分别为第j个分数区间的目标区间的左、右端点处的分数的值，为落在第j个分数区间内的数据点的数量。
[0032]
本发明的有益效果：1、通过融合在线学习的分层差分进化算法与虚拟机舱协作智能评估结合，有效将历史信息进行分批处理，通过衰减因子作用下对其中的部分数据点执行过采样操作，得到学员真实水平，提高数据的真实性和合理性，通过进化算法进行非线性寻优，采用成绩的区分度来表示离差程度，通过提取最优化目标函数，找到最小的权重从而
使得评价结果离差最小。
[0033]
2、通过利用分层差分进化算法优化，可在航空空乘培训与考核中提供指导作用，并有效提升各评估科目及评估环节的分数及权重赋值的合理性，进一步提高飞行器的运营效率，提高资源管理能力，降低风险。
附图说明
[0034]
图1为发明流程图。
具体实施方式
[0035]
以下结合附图对本发明做进一步概况。
[0036]
如图1所示，一种融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化方法，该方法包括：步骤s1：在评估开始前，可按需要对一个或多个评估科目进行调整，也可仅对一个或多个评估科目内的一个或多个评估环节进行调整；其中，调整的方法包括新增、删除、长期禁用或临时禁用等；对于首次增加的评估科目或评估环节，利用标准ahp方法确定基准权重系数；
[0037]
步骤s2：指引全部机组成员完成一次完整的评估，并记录所产生的各类数据，从而计算各评估科目内各评估环节的得分情况；不同的机组成员因其职能不同，可能存在不同的评估科目或评估环节；将一位机组成员进行一次完整评估过程中产生的全部数据称为一个数据点，剔除掉必须达到满分的评估科目或评估环节后，对某数据点计算得出的分数为降衡得分。参考最近一次使用的评估指标权重分配数据，计算出初始情况下，参与评估的各机组成员的得分及其降衡得分；
[0038]
步骤s3：提取与当前时间相距一段时间内的历史评估数据，称为有效历史数据集；利用在线学习的方法将有效历史数据集按时间分批次处理，在衰减因子作用下对其中的部分数据点执行过采样操作，并计算每个数据点的降衡得分；将所有降衡得分以高斯分布进行拟合；本步骤中，根据以下步骤处理有效历史数据：
[0039]
步骤2-1：提取与当前时间相距一段时间内的历史评估数据，其中，将每一位机组成员进行一次完整评估过程中产生的全部数据作为一个数据点，这些数据点共同构成有效历史数据集；
[0040]
步骤2-2：将采集到的有效历史数据集内的全部数据点按发生时间排序。将数据点按产生时间聚类为多个批次。其中，每个机组每次进行一次完整评估所产生的全部数据点作为同一个批次处理。此时，不同数据批次间仍按发生时间进行排序。
[0041]
步骤2-3：在衰减因子作用下，计算每个数据批次需要执行过采样操作的次数。对任意数据批次，记录每个数据点被执行过采样操作的次数，每次执行过采样操作时，从该数据批次中被选取次数最少的点中随机选取一个作为目标执行一次过采样操作。此时，根据以下公式计算每个数据批次需要执行过采样操作的次数：
[0042][0043]
其中，oi为按发生时间从早到晚排序的第i批数据需要执行过采样操作的次数，ni为第i批数据中所包含的数据点的数量，brri为第i批数据的批次复制比，ρ为衰减因子。发生时间最早的一个数据批次的批次复制比被赋值为1；
[0044]
步骤2-4：有效历史数据集中的全部数据批次的过采样操作均执行完成后，得到的新的数据点的集合为扩增数据集；在剔除掉必须达到满分的评估科目或评估环节的得分后，参考最近一次使用的评估指标权重分配数据，计算扩增数据集中每个数据点的降衡得分；以频次区间统计的方式，将所有降衡得分以高斯分布的方法进行拟合；拟合结果如下述公式所示：
[0045][0046]
其中，f(x)为某一数据区间拟合后得到的高斯分布值，x为这一数据区间左端点和右端点的均值，拟合过程采用标准最小二乘法的方法，使得所有数据区间中点处的高斯分布值f(x)与落入该数据区间的数据点的数量的差值的综合尽可能小，σ和μ为拟合得到的正态分布的两个参数，第一参数μ是服从正态分布的随机变量的均值，第二个参数μ是此随机变量的标准差，μ是正态分布的位置参数，描述正态分布的集中趋势位置，与降衡得分分布最集中的这一数据区间左端点和右端点的均值对应；
[0047]
步骤s4：以目标高斯误差这一评价指标的最小化为进化目标，利用分层差分进化算法优化，先对各评估科目间的权重分布情况进行顶层差分优化，再对各评估科目间的各评估环节的权重分布情况进行次层差分优化。重复这一步骤，直至达到所设置的最大函数评价次数。
[0048]
步骤中s4，根据以下步骤采用分层差分进化算法执行优化操作：
[0049]
步骤3-1：以目标高斯误差这一评价指标的最小化为进化目标，首先，计算初始状态下，扩增数据集的目标高斯误差的值；将扩增数据集中的每个数据点作为一个个体，共同用于实现分层差分进化算法的初始种群的初始化。
[0050]
步骤3-2：先对各评估科目间的权重分布情况进行顶层差分优化。利用标准差分进化算法，对各评估科目间的权重分布情况进行一次迭代，称迭代前与迭代后的种群分别为父代和子代。对子代进行一次高斯拟合，从而计算出子代的目标高斯误差。计算父代的目标高斯误差减去子代的目标高斯误差所得到的误差差值，若误差差值为非负数，则接受此次迭代，将子代种群传入步骤3。若误差差值不为非负数，则拒绝此次迭代，将父代种群传入步骤3。
[0051]
步骤3-3：接下来，再对各评估科目间的各评估环节的权重分布情况进行次层差分优化；利用标准差分进化算法，对各评估科目间的各评估环节的权重分布情况进行一次迭代；对子代进行一次高斯拟合，从而计算出子代的目标高斯误差；计算父代的目标高斯误差减去子代的目标高斯误差所得到的误差差值，若误差差值为非负数，则接受此次迭代，将子代种群传入步骤4，若误差差值不为非负数，则拒绝此次迭代，将父代种群传入步骤4。
[0052]
步骤3-4：重复步骤3-2与步骤3-3这两个步骤，直至达到所设置的最大函数评价次数；此时，退出迭代，并返回优化后的各评估科目间的权重分布情况及各评估科目间的各评估环节的权重分布情况。
[0053]
同时，本步骤中，还根据以下步骤计算目标高斯误差：
[0054]
步骤5-1：根据预设的区间切片长度l，将扩增数据集中全部数据点的降衡得分映
射到各分数区间内，并统计出各分数区间内的数据点数量；
[0055]
步骤5-2：根据如下公式计算得到目标高斯误差：
[0056][0057]
其中，σg为所求的目标高斯误差，σj为第j个分数区间的目标区间高斯误差，n为分数区间的总数量，f(x)为对正在处理的种群进行高斯拟合得到的高斯分布，μ和σ分别为高斯分布f(x)的期望和标准差，δe为用户输入的期望高斯分布均值e与实际高斯分布均值μ的差值的绝对值，δe越大，则拟合得到的高斯分别的中心与期望高斯分布的中心的偏离越大，和分别为第j个分数区间的目标区间的左、右端点处的分数的值，为落在第j个分数区间内的数据点的数量；
[0058]
步骤s5：按得到的各评估科目间的权重分布情况及各评估科目间的各评估环节的权重分布情况，重新计算有效历史数据集内所有数据点对应的得分情况；展示各机组成员的组内得分排名情况、得分在有效历史数据内的排名百分比等相关数据；学员还可展开并查看详细得分明细。
[0059]
一种融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化系统，包括终端设备，终端设备采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令；指令适用于由终端设备的处理器加载并执行一种融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化方法。
[0060]
工作原理：融合在线学习的分层差分进化算法的虚拟机舱协作智能评估优化方法及系统，利用在线学习的方法将有效历史数据集按时间分批次处理，在衰减因子作用下对其中的部分数据点执行过采样操作；剔除掉必须达到满分的评估科目或评估环节所得到的降衡得分，并利用高斯分布拟合，以区分学员真实水平；利用分层差分进化算法优化，先对各评估科目间的权重分布情况进行顶层差分优化，再对各评估科目间的各评估环节的权重分布情况进行次层差分优化。本发明可在航空空乘培训与考核中提供指导作用，并有效提升各评估科目及评估环节的分数及权重赋值的合理性。
[0061]
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。