[發明專利]基于CNN的二決策變量優化問題連續式尋優方法及裝置

在審

• 申請號: 201711249110.1
• 申請日: 2017-12-01
• 公開（公告）號: CN107977705A
• 公開（公告）日: 2018-05-01
• 發明（設計）人: 陳達權;黃運保;李海艷
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司11227
• 代理人: 羅滿

1.一種基于CNN的二決策變量優化問題連續式尋優方法，其特征在于，包括：

步驟A：根據待處理的二決策變量單目標連續型優化問題，確定待優化函數R＝g(x1,x2)；其中，x1、x2為決策變量，R為優化目標；

步驟B：在待優化領域Db中，獲取所述待優化函數的待優化目標點云組，所述待優化目標點云組包含p個待優化目標點云；其中，所述待優化領域Db中，x1∈[a1,b1]，x2∈[a2,b2]；

步驟C：將p個待優化目標點云的x1值及x2值按由小至大的方式分別進行排序，將x1值映射為其在排序中的序號x1'，將x2值映射為其在排序中的序號x2'，并創建映射表存儲x1值與x1'的關系，x2值與x2'的關系，x1、x2與R的關系；

步驟D：選取每個待優化目標點云的x1'值及x2'值作為代表相應待優化目標點云的兩個特征，創建所述待優化目標點云組的二維矩陣kk；其中，x1'為所述二維矩陣kk的行序號，x2'為所述二維矩陣kk的列序號，所述二維矩陣kk上第x1'行第x2'列的值為查所述映射表所得的R值；

步驟E：將所述二維矩陣kk輸入到預先訓練獲得的CNN二決策變量連續式尋優器中，獲得所述二維矩陣kk中最值點的x1'值為x01'、x2'值為x02'及R值；

步驟F：按照預設的第一映射關系，將x1'值映射為X1，將x2'值映射為X2；

步驟G：輸出優化結果為：當x1取X1，x2取X2時達到全局最優R。

2.根據權利要求1所述的方法，其特征在于，所述步驟B：在待優化領域Db中，獲取所述待優化函數的待優化目標點云組，包括：

在待優化領域Db中，采集p個所述待優化函數的待優化目標點云；

如果p大于n*n，則在采集到的待優化目標點云中選取n*n個待優化目標點云，構成待優化目標點云組，并令p等于n*n；

如果p不大于n*n，則采集到的待優化目標點云直接構成所述待優化目標點云組。

3.根據權利要求1或2所述的方法，其特征在于，通過以下步驟預先訓練獲得所述CNN二決策變量連續式尋優器：

步驟H：選取一個目標二維函數Z＝F(x,y)，在訓練領域Da上均勻采集該目標二維函數的目標二維函數點云組，所述目標二維函數點云組包含n*n個目標二維函數點云，所述訓練領域Da中，x∈[a,b]，y∈[c,d]；

步驟I：根據預設的第二映射關系，將x值映射為x'，將y值映射為y'；

步驟J：選取每個目標二維函數點云的x'值及y'值作為代表相應目標二維函數點云的兩個特征，并創建所述目標二維函數點云組的二維矩陣KK；其中，x'為所述二維矩陣KK的行序號，y'為所述二維矩陣KK的列序號，所述二維矩陣KK中第x'行第y'列的值為該目標二維函數Z＝F(x,y)的Z值；

步驟K：確定該目標二維函數Z＝F(x,y)在所述訓練領域Da中Z值為最值的點，將該最值點的x值和y值按照預設的第二映射關系分別映射為x'和y'，并以該最值點的x'值、y'值和Z值對所述目標二維函數點云組進行標定，獲得一組已標定訓練數據；

步驟L：選取NN-1個其他不同的目標二維函數Z＝F(x,y)或訓練領域Da分別重復步驟H至步驟K，得到NN-1組已標定訓練數據，共構成NN組已標定訓練數據；

步驟M：將NN組已標定訓練數據中的m組已標定訓練數據構成訓練集P，剩余的已標定訓練數據構成測試集S；

步驟N：通過所述訓練集P和所述測試集S對預先創建的CNN模型進行訓練，直至訓練成功，獲得所述CNN二決策變量連續式尋優器；

其中，NN、m均為正整數，且m小于NN。