[發(fā)明專(zhuān)利]一種基于搜索樹(shù)的智能工業(yè)設(shè)計(jì)算法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811589780.2
• 申請(qǐng)日: 2018-12-25
• 公開(kāi)（公告）號(hào): CN109740221B
• 公開(kāi)（公告）日: 2022-12-16
• 發(fā)明（設(shè)計(jì)）人: 張明;崔樹(shù)鑫;張良;張儒
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京天洑軟件有限公司
• 主分類(lèi)號(hào): G06F30/27
• 分類(lèi)號(hào): G06F30/27;G06N3/04;G06N3/08;G06F111/04
• 代理公司: 北京君恒知識(shí)產(chǎn)權(quán)代理有限公司 11466
• 代理人: 鄭黎明

1.一種基于搜索樹(shù)的智能工業(yè)設(shè)計(jì)算法，其特征在于，包括前處理、設(shè)計(jì)學(xué)習(xí)和設(shè)計(jì)應(yīng)用三個(gè)部分，通過(guò)以下幾個(gè)步驟實(shí)現(xiàn)：

步驟A：所述前處理用于確定工業(yè)設(shè)計(jì)中依賴(lài)的設(shè)計(jì)目標(biāo)、參數(shù)變量及其取值范圍；以設(shè)計(jì)目標(biāo)為指標(biāo)進(jìn)行分類(lèi)作為搜索樹(shù)的根節(jié)點(diǎn)，以具體參數(shù)變量作為搜索樹(shù)各層的節(jié)點(diǎn)，Li為對(duì)應(yīng)一個(gè)節(jié)點(diǎn)值，所述節(jié)點(diǎn)值用于表征對(duì)應(yīng)分支的評(píng)估值V，確定由設(shè)計(jì)變量計(jì)算目標(biāo)值的計(jì)算流程PROC，確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)；

步驟B：在初始化神經(jīng)網(wǎng)絡(luò)后，所述設(shè)計(jì)學(xué)習(xí)包括自主抽樣、學(xué)習(xí)數(shù)據(jù)轉(zhuǎn)換和神經(jīng)網(wǎng)絡(luò)訓(xùn)練強(qiáng)化三個(gè)子部分；

當(dāng)設(shè)計(jì)問(wèn)題確定后，通過(guò)構(gòu)建神經(jīng)網(wǎng)絡(luò)對(duì)矩陣X和矩陣Y建立映射，所述神經(jīng)網(wǎng)絡(luò)用于模糊地記錄搜索樹(shù)的信息，利用訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)代替搜索樹(shù)進(jìn)行自主抽樣，并添加至原始樣本集S0中，形成新的樣本集；

通過(guò)新的樣本集更新搜索樹(shù)，學(xué)習(xí)新的搜索樹(shù)結(jié)構(gòu)，形成新的神經(jīng)網(wǎng)絡(luò)；

若新的神經(jīng)網(wǎng)絡(luò)未能滿足強(qiáng)化終止條件，則新的神經(jīng)網(wǎng)絡(luò)仍需強(qiáng)化訓(xùn)練，即進(jìn)行不斷地自主抽樣，更新搜索樹(shù)并重建神經(jīng)網(wǎng)絡(luò)直至當(dāng)前神經(jīng)網(wǎng)絡(luò)滿足強(qiáng)化終止條件；

步驟C：設(shè)計(jì)應(yīng)用，若當(dāng)前神經(jīng)網(wǎng)絡(luò)滿足強(qiáng)化終止條件，保留并輸出當(dāng)前訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，并用于實(shí)際設(shè)計(jì)過(guò)程。

2.根據(jù)權(quán)利要求1中所述的一種基于搜索樹(shù)的智能工業(yè)設(shè)計(jì)算法，其特征在于，

所述評(píng)估值V用于決定向著優(yōu)選設(shè)計(jì)方向構(gòu)建搜索樹(shù)，所述自主抽樣的樣本將不斷改進(jìn)。

3.根據(jù)權(quán)利要求1中所述的一種基于搜索樹(shù)的智能工業(yè)設(shè)計(jì)算法，其特征在于，在步驟B中，所述矩陣X用于表征搜索樹(shù)對(duì)應(yīng)的各個(gè)子狀態(tài)。

4.根據(jù)權(quán)利要求1中所述的一種基于搜索樹(shù)的智能工業(yè)設(shè)計(jì)算法，其特征在于，在步驟B中，所述矩陣Y用于表征所述節(jié)點(diǎn)值的評(píng)估值。

5.根據(jù)權(quán)利要求1中所述的一種基于搜索樹(shù)的智能工業(yè)設(shè)計(jì)算法，其特征在于，在步驟B中，所述自主抽樣是指當(dāng)初始化完成的神經(jīng)網(wǎng)絡(luò)，算法自動(dòng)向神經(jīng)網(wǎng)絡(luò)傳入一組隨機(jī)的首個(gè)設(shè)計(jì)變量{ DP₀ⁱ }，會(huì)返回一組期望的最優(yōu)設(shè)計(jì)與目標(biāo)值的元組{ (DPⁱ , OBJⁱ)}，根據(jù)最大值優(yōu)先的篩選方式，從中選擇一組目標(biāo)值較高的設(shè)計(jì)變量子集，經(jīng)過(guò)PROC獲得對(duì)應(yīng)的目標(biāo)值后添加到原始樣本集S0。

6.根據(jù)權(quán)利要求1中所述的一種基于搜索樹(shù)的智能工業(yè)設(shè)計(jì)算法，其特征在于，在步驟B中，所述學(xué)習(xí)數(shù)據(jù)轉(zhuǎn)換具體的轉(zhuǎn)換機(jī)制包括兩個(gè)核心步驟，首先將樣本集中的每個(gè)元素中的DPⁱ分解為n個(gè)形如(V^m(DP₁), Vⁿ(DP₂),…)的有序結(jié)構(gòu)，其次，對(duì)于同型的結(jié)構(gòu)，僅保留對(duì)應(yīng)OBJⁱ最大的結(jié)構(gòu)于LS集合，即當(dāng)Tⁱ為子葉時(shí)，f(OBJⁱ) = OBJⁱ，否則f(OBJⁱ) = max(OBJⁱ)。

7.根據(jù)權(quán)利要求1中所述的一種基于搜索樹(shù)的智能工業(yè)設(shè)計(jì)算法，其特征在于，在步驟B中，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練強(qiáng)化是指根據(jù)更新過(guò)的LS集合作為新的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練強(qiáng)化數(shù)據(jù)，生成新的神經(jīng)網(wǎng)絡(luò)，即新的學(xué)習(xí)數(shù)據(jù)下的網(wǎng)絡(luò)參數(shù)集合。

8.根據(jù)權(quán)利要求1中所述的一種基于搜索樹(shù)的智能工業(yè)設(shè)計(jì)算法，其特征在于，在步驟B中，所述強(qiáng)化終止條件包括到達(dá)最大計(jì)算規(guī)模和到達(dá)收斂值。