[發明專利]一種基于學習自動機隨機點定位算法的多模態優化系統

在審

• 申請號: 202011497670.0
• 申請日: 2020-12-17
• 公開（公告）號: CN112529190A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 張軍旗;仇鵬展;王成;康琦;臧笛;劉春梅
• 申請（專利權）人: 同濟大學
• 主分類號: G06N7/00
• 分類號: G06N7/00;G06N20/00
• 代理公司: 上海科盛知識產權代理有限公司 31225
• 代理人: 趙繼明

本發明涉及一種基于學習自動機隨機點定位算法的多模態優化系統，包括初始化模塊、參數選擇模塊、環境反饋模塊、多模態隨機點定位優化模塊和輸出模塊，初始化模塊初始化系統參數，參數選擇模塊對參數搜索空間中的每個參數子區間進行參數的迭代選擇，參數經過優化后得到反饋輸入環境反饋模塊，得到環境反饋，輸入多模態隨機點定位優化模塊得到當前所有最優參數的估計值，當多模態隨機點定位優化模塊中的迭代次數達到預設的最大迭代次數時，多模態隨機點定位優化模塊將得到的所有最優參數輸入到輸出模塊，輸出模塊輸出所有最優參數對應的最優參數集。與現有技術相比，本發明具有同時找到所有全局最優參數、提升隨機點定位方法的適用范圍等優點。

技術領域

本發明涉及多模態優化領域，尤其是涉及一種基于學習自動機隨機點定位算法的多模態優化系統。

背景技術

參數優化問題的目的是在給定的搜索空間內找到最優的參數設置，從而達到某些已知準則的最大或最小值。多模態參數優化問題是參數優化問題中的一個重要研究方向，其目的是在算法的一次執行過程中找到多個全局最優參數。多模態參數優化問題大量存在于實際的應用當中，如分布式信道選擇、圖像分割、服務選擇、機器人路徑規劃等諸多實際優化問題，這些問題普遍存在著不止一個全局最優參數，需要對所有全局最優參數進行計算。

在大量的參數實際優化問題中，存在著各種各樣的噪聲，這些噪聲可能由系統輸入的擾動、系統輸出或適應值的噪聲甚至時變性引起，導致優化難度增加、優化性能急劇下降。

學習自動機是一種基于強化學習機制的概率自動機，以不確定環境下序貫決策的優化為目標，通過與隨機環境交互來學習最優決策。作為典型的強化學習模型，學習自動機非常擅長處理與環境交互的學習問題，特別是當環境由于噪聲具有一定隨機性時，其強大的容錯率可以在噪聲干擾下收斂到正確的動作或決策。隨機點定位算法是一種基于學習自動機的優化方法，其指的是一個智能體(機器人，學習機等等)通過隨機環境的引導，在一維線性空間中尋找一個點或者一個參數的方法。其中，隨機環境提供的信息可能是正確的，也可能是錯誤的。通常將隨即環境返回正確信息的概率定義為p，則返回錯誤信息的概率為1-p。隨機點定位算法可以看作是最優動作個數為無限情況下的一種學習自動機，其繼承并發展了傳統的學習自動機模型的優勢，因此隨機點定位算法展現出了在眾多參數優化問題上的潛力。

隨機點定位算法已經被應用于許多實際參數優化問題并取得了出色的優化效果，如隨機流行病模型中的重要參數CP的學習，Goore博弈論，智能電網中的電源管理，分布式信道選擇，解決最小權重連接控制集，服務選擇，隨機分散游戲和最佳傳感器放置。然而，現有的隨機點定位算法都只能找到單一的全局最優解。隨著計算資源的可訪問性和計算能力的急劇增加，實際參數優化問題變得越來越復雜，上述應用隨機點定位算法解決的實際參數優化問題的搜索空間也不僅是一種單模態搜索空間，而更可能是具有多個最優參數的搜索空間，即多模態優化問題。然而作為一類重要的參數優化方法，目前還不存在解決多模態優化問題的隨機點定位方法，因此，需要有效的多模態隨機點定位方法，以解決實際應用中更加復雜的多模態參數優化問題。

發明內容

本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種基于學習自動機隨機點定位算法的多模態優化系統，利用歷史反饋信息的統計特征，同時找到多個全局最優參數，彌補當前無法解決多模態參數優化問題的不足。

本發明的目的可以通過以下技術方案來實現：

一種基于學習自動機隨機點定位算法的多模態優化系統，適用于分布式信道選擇、圖像分割、服務選擇或機器人路徑規劃，包括初始化模塊、參數選擇模塊、環境反饋模塊、多模態隨機點定位優化模塊和輸出模塊，所述初始化模塊初始化系統參數，參數選擇模塊對參數搜索空間中的每個參數子區間進行參數的迭代選擇，所述參數經過優化后得到相應反饋，輸入到環境反饋模塊，得到對應的環境反饋，所述環境反饋輸入多模態隨機點定位優化模塊得到當前所有最優參數的估計值，當多模態隨機點定位優化模塊中的迭代次數達到預設的最大迭代次數時，多模態隨機點定位優化模塊將得到的所有最優參數輸入到輸出模塊，輸出模塊輸出所有最優參數對應的最優參數集。