[發(fā)明專利]一種減少智能優(yōu)化算法計算耗時的方法

在審

• 申請?zhí)枺?/td>: 201510016121.X
• 申請日: 2015-08-04
• 公開（公告）號: CN104504289A
• 公開（公告）日: 2015-07-29
• 發(fā)明（設計）人: 趙寧;秋朋園;趙永志
• 申請（專利權）人: 西北工業(yè)大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 西北工業(yè)大學專利中心 61204
• 代理人: 王鮮凱

技術領域

本發(fā)明屬于計算機在智能優(yōu)化算法中減少計算耗時的方法，具體涉及一種減少智能優(yōu)化算法計算耗時的方法，是一種利用適應值預測來減少智能優(yōu)化算法計算耗時的方法。

背景技術

基于群體的智能優(yōu)化算法，如遺傳算法(GA)、蟻群算法(ACO)、粒子群算法(PSO)等，由于相比于傳統(tǒng)優(yōu)化算法具有更快的尋優(yōu)速度、更好的全局收斂性能、對初值選取的不敏感性、以及解決不連續(xù)、多峰、高維優(yōu)化問題的能力，在復雜機械系統(tǒng)優(yōu)化設計中得到廣泛的應用。然而，這些智能優(yōu)化算法都面臨著尋優(yōu)過程中適應值計算的耗時問題。例如有些黑盒問題，這類問題不能直接給出明確的適應值計算模型，通常需要使用有限元分析(FEA)仿真或計算流體力學(CFD)進行適應值計算，而這些仿真也是非常費時的。Yaochu?Jin在文獻中描述了進行一次三維流體仿真，在高性能計算機上需要消耗超過10個小時；G.Gary?Wang在文獻中描述了福特摩托公司執(zhí)行一次碰撞仿真模擬大概需要36小時到160小時。如果要對這種問題進行種群迭代優(yōu)化，那么這個優(yōu)化的時間在工程中是無法接受的。

目前，提高智能優(yōu)化算法運行速度的方法主要有兩種：一種是采用并行算法，其實現(xiàn)原理為：主處理器監(jiān)控整個種群，而子處理器完成費時的適應值計算，并根據(jù)一定規(guī)則與主處理器交換數(shù)據(jù)。并行算法的有效性取決于通信時間與計算時間的博弈，當通信時間大于計算時間，反而降低算法的效率。此外，并行算法的實現(xiàn)還依賴于組建高性能計算平臺，實現(xiàn)門檻較高，不具備通用性和易用性。另一種是使用預測策略，對部分個體的適應值進行預測，從而避開耗時的適應值計算。目前，比較常用的適應值預測方法主要包括：多項式回歸、Kriging模型、人工神經(jīng)網(wǎng)絡(ANN)、支持向量機(SVM)等。這些模型都屬于樣本預測模型，構建此類模型的實質在于通過對大量樣本數(shù)據(jù)的學習實現(xiàn)對原始適應值函數(shù)的逼近，模型構建的正確性與選取的樣本有很大關系。而選取大量樣本數(shù)據(jù)，本身也需要大量的時間消耗。

發(fā)明內容

要解決的技術問題

為了避免現(xiàn)有技術的不足之處，本發(fā)明提出一種減少智能優(yōu)化算法計算耗時的方法，減小智能優(yōu)化算法計算消耗的方法存在實現(xiàn)門檻高、通用性不強或需要選取大量樣本數(shù)據(jù)的缺點。該方法容易實現(xiàn)，通用性強，且避開了需要選取大量數(shù)據(jù)樣本的缺點。

技術方案

一種減少智能優(yōu)化算法計算耗時的方法，其特征在于步驟如下：

步驟1：初始化種群數(shù)據(jù)庫Population和歷史種群數(shù)據(jù)庫History_Data；

所述初始化種群數(shù)據(jù)庫Population的操作為：指定種群規(guī)模Popsize，指定編碼方式，給種群中每個個體隨機產(chǎn)生一個基因編碼L(i)，置每個個體的適應值fitness(i)和適應值可信度R(i)均為0；

所述初始化歷史種群數(shù)據(jù)庫History_Data的操作為：置歷史種群數(shù)據(jù)庫History_Data為空；

步驟2：將當前種群Population中所有個體的基因編碼進行解碼操作，獲得對應個體的表現(xiàn)型X；所述表現(xiàn)型X指的是個體優(yōu)化變量的真實值；