申请/专利权人：大连东软信息学院

申请日：2024-03-18

公开（公告）日：2024-05-17

公开（公告）号：CN118052299A

主分类号：G06N20/00

分类号：G06N20/00;G06N3/086;G06N3/092

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.04#实质审查的生效;2024.05.17#公开

摘要：本发明公开了一种高维非线性计算昂贵优化问题的自适应优化方法，所述方法包括以下步骤：根据备选代理模型动作集与备选进化算法动作集，选取基于备选代理模型动作与备选进化算法动作的动作组合，将动作组合作用于代谢网络；获取待真实评价点集中各样例点的奖惩结果，根据后代样例点集、所选动作组合以及奖惩结果获取元素{S12,ai,aj,r}并存入回放池，并根据回放池训练深度神经网络，得到最适合所述样例点集的最优动作组合，进而确认拟合实验数据最好的一组代谢网络参数值。本发明解决了现有基于代理的进化算法在优化过程不能自动选择确定优化算法结构中的关键步骤，因此无法用于有效解决高维非线性且计算昂贵优化问题的问题。

主权项：1.一种高维非线性计算昂贵优化问题的自适应优化方法，其特征在于，包括以下步骤：S1：获取备选代理模型动作集A1与备选进化算法动作集A2，初始化样例点集S并获取初始化样例点集S中对应的真实函数适应度FS；且所述样例点集为用于描述代谢网络常微分方程中的待确定参数值的集合；S2：基于深度Q学习网络N，根据所述备选代理模型动作集A1与备选进化算法动作集A2，选取基于备选代理模型动作ai，i＝1，...，I与备选进化算法动作aj，j＝1，...，J的动作组合{ai，aj}；S3：根据选取的动作组合{ai，aj}获取样例点集S的后代样例点集S12，并基于样例评价选点原则，获取待真实评价点集Sr；S4：获取待真实评价点集Sr中所有例点的真实函数适应度FSr，并根据真实函数适应度FSr更新样例点集S中的最优样例点S*；S5：获取待真实评价点集Sr中各样例点执行S2获取的动作组合{ai，aj}的奖惩结果r，并将所述奖惩结果r存入奖惩序列R中；S6：根据所述后代样例点集S12、动作组合{ai，aj}以及奖惩序列R中的奖惩结果r获取元素{S12，ai，aj，r}并存入预设的回放池T，并根据所述回放池T训练深度Q学习网络N，以更新深度Q学习网络N；S7：根据更新的深度Q学习网络N的权重，得到最适合所述样例点集S的动作组合{ai，aj}，以获取最优真实适应度的样例点S*。

全文数据：

权利要求：

百度查询： 大连东软信息学院 一种高维非线性计算昂贵优化问题的自适应优化方法

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