申请/专利权人：西安电子科技大学

申请日：2022-11-16

公开（公告）日：2024-05-17

公开（公告）号：CN118052120A

主分类号：G06F30/27

分类号：G06F30/27;G06N3/04;G06N3/08;G06N3/126;G06N3/006;G06F111/04

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：本发明提出了一种基于径向基函数神经网络的单目标约束优化方法，主要解决现有方法中代理模型预测精度差、进化搜索代数无法自适应的问题，其实现方案为：1初始化参数，设置种群和训练集；2分别构建目标代理模型和约束代理模型并用训练集对其进行训练；3在训练好的这两个模型上进行进化搜索以获取两个候选种群；4在获取的种群内使用预测不确定的信息指导采样新样本；5根据采样结果调整进化搜索代数、挑选训练数据并更新种群，获得待优化问题的最优解。本发明有效的提升了代理模型的全局预测精度，能自适应调整进化搜索代数，能适应不同特征的单目标约束优化问题，可用于翼型、电池管理系统及熔炼镁炉的设计。

主权项：1.一种基于径向基函数神经网络的单目标约束优化方法，其特征在于，包括如下：1获取训练数据和种群：1a获取待优化目标的原始信息，包括决策空间，目标函数和约束函数，并对决策空间进行初始采样；对采样得到的样本点使用目标函数和约束函数进行评估，得到大小均为N的样本点集和对应的目标集、约束集；1b利用样本点集和目标集构成第一训练集D1t，利用样本点集和约束集构成第二训练集D2t，利用样本点集、目标集和约束集构成种群Pt，其中t＝1；2初始化参数：初始化搜索代数为Wt＝Wc，原始函数评估计数值为Fest＝N，最大原始函数评估次数为MaxFes，其中Wc≥1，MaxFes≥N且均为整数；3构建目标代理模型和约束代理模型，并对其进行训练：3a基于径向基函数神经网络结构分别搭建目标代理模型和约束代理模型；3b将第一训练集D1t输入到目标代理模型中，将第二训练集D2t输入到约束代理模型中，采用最小二乘法对这两个模型分别进行训练，得到训练好的目标代理模型和约束代理模型；4获取第一候选种群和第二候选种群：4a使用种群Pt作为初始种群，并使用训练好的目标代理模型和训练好的约束代理模型分别代替目标函数和约束函数，进行Wt代的种群进化，以寻找训练好的目标代理模型和约束代理模型上的最优解；4b将第W代时得到的种群记为第一候选种群P1，将第W2代时得到的种群记为第一候选种群P2；5获取新样本：5a使用可行性准则判断第一候选种群P1中个体之间的优劣关系，得到第一候选种群中的最优个体S1，并计算最优个体S1与种群Pt中每个个体之间的距离，再判断其最小距离d是否满足d＝0：若是，则执行步骤5b；否则，执行步骤5c；5b计算第一候选种群P1中个体的不确定度，找到具有最大不确定度的个体S0，并通过目标函数、约束函数分别对其进行评估,得到S0对应的目标值和约束值，再将S0及其对应的目标值加入到第一训练集D1t中，将S0及其对应的约束值加入到第二训练集D2t中；令Fest+1等于Fest+1，跳转执行步骤9；5c使用可行性规则判断第二候选种群P2中个体之间的优劣关系，得到第二候选种群中的最优个体S2；对第一候选种群中的最优个体S1和第二候选种群中的最优个体S2同时使用目标函数和约束函数进行评估，分别得到S1和S2对应的目标值和约束值，并将S1和S2及其对应的目标值都加入到第一训练集D1t中，将S1和S2及其对应的约束值都加入到第二训练集D2t中；令Fest+1等于Fest+2，执行步骤6；6使用可行性规则比较第一候选种群中的最优个体S1和第二候选种群中的最优个体S2在目标函数和约束函数评估下的优劣：若第一候选种群中的最优个体S1优于第二候选种群中的最优个体S2，则增大搜索代数Wt；否则，减小搜索代数Wt，得到调整后的搜索代数Wt+1；7获取更新后的第一训练集D1t+1和第二训练集D2t+1：7a分别计算S1和S2在约束函数评估下的可行性，同时计算S1和S2在约束代理模型评估下的可行性；7b判断是否满足S1和S2在约束函数评估下都为可行解且S1的目标值比S2的目标值差的条件；若满足，则从第一训练集D1t中移除具有最大目标值的样本，得到更新后的第一集D1t+1；否则，保持第一训练集D1t不动，得到更新后的第一集D1t+1；7c判断S1在约束代理模型评估下的可行性和在约束函数评估下的可行性：若满足S1在约束代理模型评估下为可行且约束函数评估下为不可行时，则执行步骤7d；若满足S1在约束代理模型评估下为不可行且约束函数评估下为可行时，则执行步骤7e；7d计算第二训练集D2t中每个样本对S1预测结果的贡献值I，将第二训练集D2t中具有最小贡献I的可行样本移入到样本库Dr中；判断样本库Dr中是否存在不可行样本，如果Dr中存在不可行样本，则从存在的不可行样本中随机挑选一个样本移入到第二训练集D2t中,得到更新后的第二训练集D2t+1；7e计算第二训练集D2t中每个样本对S1预测结果的贡献值I，将第二训练集D2t中具有最大贡献I的可行样本移入到样本库Dr中；判断样本库Dr中是否存在可行样本，如果Dr中存在可行样本，则从存在的可行样本中随机挑选一个样本移入到第二训练集D2t中，得到更新后的第二训练集D2t+1；8将第一候选种群P1中最大不确定度的个体S0或第一候选种群中的最优个体S1和第二候选种群中的最优个体S2与种群Pt合并，得到合并后的种群Q，根据可行性规则，将Q中的个体从优到劣进行排序，选取前N个优势个体组成更新后的种群Pt+1；9判断Fest+1MaxFes是否成立：若是，则根据可行性规则比较更新后种群Pt+1中的个体之间的优劣，获得待优化单目标的最优解；否则，令t＝t+1，返回步骤3。

全文数据：

权利要求：

百度查询： 西安电子科技大学 基于径向基函数神经网络的单目标约束优化方法

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