申请/专利权人：太原科技大学

申请日：2023-12-18

公开（公告）日：2024-03-19

公开（公告）号：CN117726115A

主分类号：G06Q10/0631

分类号：G06Q10/0631;G06F17/11;G06N3/006;G06N20/00;G06F17/16

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明涉及单目标大规模昂贵优化技术领域，尤其涉及一种部分再生的昂贵大规模优化方法，具体步骤为：首先，采用两阶段特征选择策略对原始大规模优化问题降维，并将提取出的重要维度作为低维子问题，以确保降维处理的同时将计算资源集中在重要维度上，从而加速搜索过程并增强算法收敛性；其次，应用RBF辅助改进的社会学习粒子群优化算法产生子种群的子代，通过环境选择形成新的子种群并确定子问题最佳解，以增强算法在子问题上的收敛性，提高算法的收敛速度；同时，使用新的子种群更新种群pop；最后，提供了一种新的填充采样策略更新最优解和存档Arc。此外，本发明还提供了一种计算机可读存储介质以及计算机设备。

主权项：1.一种部分再生的昂贵大规模优化方法，其特征在于，具体步骤为:S1、参数设置：初始采样解的数量为N，种群规模为m，真实适应度评估最大次数为FEmax；S2、采用拉丁超立方采样LHS在决策空间生成初始采样解，对初始采样解中的个体进行真实适应度评估，并将初始采样解中的个体及其适应度值存储于存档Arc中，同时将初始采样解中适应度值最小的个体定义为最优解Xgbest；S3、随机初始化生成规模为m的种群pop，并初始化种群pop中每个个体的速度为v；S4、采用两阶段特征选择策略对原始大规模优化问题降维，将提取出的重要维度作为子问题并存储于矩阵Ds中，其中两阶段特征选择过程是通过代理模型M辅助完成；S5、应用RBF辅助改进的社会学习粒子群优化算法SL-PSO产生子种群的子代，并通过环境选择形成新的子种群，从而确定子问题最佳解sub-Xbest；S6、使用新的子种群sub-pop替换种群pop中相应的维度，形成新的种群pop；S7、利用子问题最佳解sub-Xbest替换最优解Xgbest的相应维度并进行真实评估，通过比较后更新最优解Xgbest和存档Arc；S8、判断是否满足停止标准，如果是，则评估停止，输出最优解Xgbest和其真实适应度值fXgbest；否则，继续执行步骤S4-S8。

全文数据：

权利要求：

百度查询： 太原科技大学 一种部分再生的昂贵大规模优化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD