[發(fā)明專利]衛(wèi)星熱布局代理模型的超參數(shù)優(yōu)化方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010595051.9
• 申請(qǐng)日: 2020-06-28
• 公開(kāi)（公告）號(hào): CN111783337B
• 公開(kāi)（公告）日: 2023-07-25
• 發(fā)明（設(shè)計(jì)）人: 張俊;常強(qiáng);姚雯
• 申請(qǐng)（專利權(quán)）人: 中國(guó)人民解放軍軍事科學(xué)院國(guó)防科技創(chuàng)新研究院
• 主分類號(hào): G06F30/23
• 分類號(hào): G06F30/23;G06F30/27;G06F18/22;G06F111/04;G06F119/08
• 代理公司: 北京奧文知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11534
• 代理人: 張文;苗麗娟

本發(fā)明公開(kāi)了一種衛(wèi)星熱布局代理模型的超參數(shù)優(yōu)化方法。該方法包括：對(duì)衛(wèi)星結(jié)構(gòu)進(jìn)行近似描述，建立衛(wèi)星組件布局方案的簡(jiǎn)化結(jié)構(gòu)模型和衛(wèi)星熱布局代理模型；確定設(shè)計(jì)任務(wù)和設(shè)計(jì)任務(wù)對(duì)應(yīng)的多個(gè)新數(shù)據(jù)集；確定設(shè)計(jì)任務(wù)對(duì)應(yīng)的若干個(gè)源任務(wù)及若干個(gè)源任務(wù)對(duì)應(yīng)的多個(gè)源數(shù)據(jù)集；利用熵權(quán)法判別設(shè)計(jì)任務(wù)與源任務(wù)的相似性，篩選出與新數(shù)據(jù)集相似性最高的源數(shù)據(jù)集；從相似性最高的源數(shù)據(jù)集中篩選出最優(yōu)超參數(shù)配置；遷移篩選出的最優(yōu)超參數(shù)配置代替衛(wèi)星熱布局代理模型的原有隨機(jī)初始化過(guò)程。本發(fā)明的方法能夠提高衛(wèi)星熱布局代理模型的優(yōu)化效率，縮短衛(wèi)星熱布局代理模型的訓(xùn)練周期，從而以較少工作量獲得滿足衛(wèi)星總體溫度場(chǎng)的性能要求的衛(wèi)星熱源組件布局方案。

技術(shù)領(lǐng)域

本發(fā)明涉及衛(wèi)星熱布局技術(shù)領(lǐng)域，尤其涉及一種衛(wèi)星熱布局代理模型的超參數(shù)優(yōu)化方法。

背景技術(shù)

衛(wèi)星熱布局優(yōu)化問(wèn)題主要研究衛(wèi)星各組件在衛(wèi)星艙有限空間中的合理布局，使組件布局對(duì)應(yīng)的溫度場(chǎng)分布能夠滿足衛(wèi)星總體溫度場(chǎng)的性能要求。衛(wèi)星熱布局優(yōu)化問(wèn)題通常為帶約束條件的優(yōu)化問(wèn)題，主要有以下三種邊界條件：第一類邊界條件—Dirichlet邊界條件；第二類邊界條件—Neumann邊界條件；第三類邊界條件—Robin邊界條件。為了獲得滿足衛(wèi)星總體溫度場(chǎng)性能要求的衛(wèi)星組件布局方案，需要計(jì)算確定每個(gè)一種衛(wèi)星組件布局方案下的溫度場(chǎng)分布。由于每一種不同的衛(wèi)星組件布局方案對(duì)應(yīng)了一種不同的溫度場(chǎng)分布，為了提供衛(wèi)星熱布局優(yōu)化效率，降低計(jì)算工作量，目前提出了利用衛(wèi)星熱布局代理模型來(lái)實(shí)現(xiàn)對(duì)任意組件布局方案下的溫度場(chǎng)分布的快速高精度預(yù)測(cè)。

現(xiàn)有的衛(wèi)星熱布局代理模型主要采用主體結(jié)構(gòu)為特征金字塔網(wǎng)絡(luò)(FPN)的深度神經(jīng)網(wǎng)絡(luò)模型，通過(guò)采用主體結(jié)構(gòu)為特征金字塔網(wǎng)絡(luò)(FPN)的深度神經(jīng)網(wǎng)絡(luò)模型來(lái)擬合組件布局方案和對(duì)應(yīng)溫度場(chǎng)分布之間的映射關(guān)系，通過(guò)提供多個(gè)不同組件布局方案及其對(duì)應(yīng)溫度場(chǎng)分布的數(shù)據(jù)作為訓(xùn)練集數(shù)據(jù)，以使深度神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)其中的物理規(guī)律，最終訓(xùn)練出一個(gè)泛化能力較強(qiáng)的FPN網(wǎng)絡(luò)，可以對(duì)任意組件布局方案下的溫度場(chǎng)分布實(shí)現(xiàn)快速高精度的預(yù)測(cè)。FPN網(wǎng)絡(luò)在訓(xùn)練過(guò)程中的優(yōu)化目標(biāo)分為兩個(gè)部分：一是計(jì)算在邊界條件約束下真實(shí)溫度場(chǎng)分布和預(yù)測(cè)溫度場(chǎng)分布之間的平均誤差，即損失函數(shù)定義為在邊界條件約束下真實(shí)溫度場(chǎng)分布和預(yù)測(cè)溫度場(chǎng)分布之間的平均誤差，優(yōu)化此目標(biāo)即是最小化此項(xiàng)誤差，等價(jià)于提供預(yù)測(cè)溫度場(chǎng)分布的預(yù)測(cè)精度；二是超參數(shù)的優(yōu)化，包括三種邊界條件權(quán)重參數(shù)的優(yōu)化。

在機(jī)器學(xué)習(xí)中，通常采用超參數(shù)定義機(jī)器學(xué)習(xí)中模型屬性或訓(xùn)練過(guò)程。例如假設(shè)：機(jī)器學(xué)習(xí)算法A有n個(gè)超參數(shù){θ₁，…,θ_n}，各超參數(shù)的定義域?yàn)閧Θ₁,…,Θ_n}；將給定數(shù)據(jù)集D按需劃分為訓(xùn)練數(shù)據(jù)D_train和驗(yàn)證數(shù)據(jù)D_valid，即D＝(D_train,D_valid)，超參算法A以超參數(shù)配置θ在訓(xùn)練數(shù)據(jù)上訓(xùn)練模型，在驗(yàn)證數(shù)據(jù)上驗(yàn)證模型的損失，即采用V(L,θ,D_train,D_valid)作為評(píng)價(jià)算法性能的指標(biāo)，當(dāng)V越小，說(shuō)明算法性能越好，超參數(shù)配置θ越優(yōu)秀；因此，超參優(yōu)化目標(biāo)為尋找超參數(shù)配置θ^*以使得V最小，具體優(yōu)化目標(biāo)函數(shù)為

現(xiàn)有的衛(wèi)星熱布局代理模型的超參數(shù)優(yōu)化方法包括隨機(jī)搜索、網(wǎng)格搜索和貝葉斯優(yōu)化，然而隨機(jī)搜索和網(wǎng)格搜索的優(yōu)化效率較低；為此，目前主要采用貝葉斯優(yōu)化方法作為衛(wèi)星熱布局代理模型的超參數(shù)優(yōu)化方法。貝葉斯優(yōu)化作為一種迭代算法，該算法由三個(gè)部分組成，包括建立概率代理模型、采集函數(shù)決定下一個(gè)評(píng)估點(diǎn)和評(píng)估新評(píng)估點(diǎn)的函數(shù)值；具體地，在每次迭代中，先根據(jù)更新的觀測(cè)值修正先驗(yàn)分布，根據(jù)先驗(yàn)分布建立概率代理模型，以準(zhǔn)確地?cái)M合真實(shí)目標(biāo)函數(shù)；利用代理模型的后驗(yàn)分布信息構(gòu)造采集函數(shù)，以平衡寬度搜索與深度搜索之間的關(guān)系，預(yù)測(cè)不同候選點(diǎn)“潛力”；最大化采集函數(shù)主動(dòng)選擇最有“潛力”的評(píng)估點(diǎn)進(jìn)行評(píng)估，保證僅經(jīng)過(guò)少次評(píng)估得到近似最優(yōu)解，以在最大化采集函數(shù)前提下，貝葉斯優(yōu)化經(jīng)過(guò)多次迭代能在理論上保證最終收斂。