[發(fā)明專利]基于多點加點的代理模型約束優(yōu)化方法和裝置

有效

• 申請?zhí)枺?/td>: 202110107200.7
• 申請日: 2021-01-27
• 公開（公告）號: CN112434448B
• 公開（公告）日: 2021-04-09
• 發(fā)明（設(shè)計）人: 楊濤;黃浩;豐志偉;張青斌;葛建全;張斌;高慶宇
• 申請（專利權(quán)）人: 中國人民解放軍國防科技大學(xué)
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06F111/04;G06F111/06;G06F111/08
• 代理公司: 長沙國科天河知識產(chǎn)權(quán)代理有限公司 43225
• 代理人: 邱軼

1.一種基于多點加點的代理模型約束優(yōu)化方法，其特征在于，所述方法包括：

獲取待優(yōu)化對象原始模型的耗時函數(shù)信息，根據(jù)所述耗時函數(shù)信息進(jìn)行高效全局優(yōu)化的參數(shù)設(shè)置，以及初始采樣，根據(jù)初始采樣的樣本點集、對應(yīng)的響應(yīng)集和對應(yīng)的約束集構(gòu)成的樣本庫建立約束函數(shù)高斯過程代理模型；所述原始模型為對所述待優(yōu)化對象建模所得到的模型；所述耗時函數(shù)為對所述原始模型進(jìn)行仿真優(yōu)化對應(yīng)的時間函數(shù)；

判斷所述樣本庫中是否存在滿足約束的可行解，當(dāng)不存在滿足約束的可行解時，通過優(yōu)化算法對可行概率函數(shù)進(jìn)行優(yōu)化并獲得最優(yōu)解，將所述最優(yōu)解加入所述樣本庫中，再根據(jù)更新后的所述樣本庫更新所述約束函數(shù)高斯過程代理模型，直到更新后的所述樣本庫中存在滿足約束的可行解；所述可行概率函數(shù)是基于所述約束函數(shù)高斯過程代理模型構(gòu)建的；

根據(jù)當(dāng)前樣本庫建立目標(biāo)函數(shù)高斯過程代理模型，根據(jù)所述目標(biāo)函數(shù)高斯過程代理模型和所述可行概率函數(shù)構(gòu)建高效全局優(yōu)化算法的多目標(biāo)優(yōu)化子問題；所述多目標(biāo)優(yōu)化子問題將被所述可行概率函數(shù)懲罰后的期望改善的局部挖掘和全局探索特性的兩項作為兩個目標(biāo)項；所述多目標(biāo)優(yōu)化子問題為：

其中，表示樣本點中滿足約束的目標(biāo)函數(shù)的最小函數(shù)值；表示未知觀測點；表示高斯過程代理模型在未知觀測點處的函數(shù)預(yù)測值；表示高斯過程代理模型在未知觀測點處的預(yù)測方差；表示多目標(biāo)優(yōu)化子問題中的局部挖掘目標(biāo)函數(shù)；表示多目標(biāo)優(yōu)化子問題中的全局探索目標(biāo)函數(shù)；

通過多目標(biāo)優(yōu)化算法對所述多目標(biāo)優(yōu)化子問題進(jìn)行求解，得到多目標(biāo)最優(yōu)解集，所述最優(yōu)解集中包括多個候選點；

判斷優(yōu)化過程是否滿足設(shè)置的收斂準(zhǔn)則，當(dāng)不滿足所述收斂準(zhǔn)則時，獲取參數(shù)設(shè)置中包含的加點個數(shù)信息k，刪除所述候選點中的重疊點和與現(xiàn)有采樣點重復(fù)的點，在所述候選點中選擇所述局部挖掘目標(biāo)函數(shù)的最優(yōu)點和所述全局探索目標(biāo)函數(shù)的最優(yōu)點作為新樣本，當(dāng)k2時，選擇所述候選點中最大的點作為新樣本；其中，表示通過可行概率函數(shù)對期望改善進(jìn)行懲罰后的值，當(dāng)k3時，對所述候選點中的剩余點進(jìn)行模糊聚類分析，并分成k-3組，在每一組中選擇預(yù)測方差最大的點作為新樣本，通過所述耗時函數(shù)對所述新樣本進(jìn)行并行評估，得到新樣本響應(yīng)值和新樣本約束值；

將所述新樣本和對應(yīng)的響應(yīng)值和約束值加入所述樣本庫，根據(jù)更新后的所述樣本庫更新所述目標(biāo)函數(shù)高斯過程代理模型，直到優(yōu)化過程滿足所述收斂準(zhǔn)則，完成代理模型優(yōu)化。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲取待優(yōu)化對象原始模型的耗時函數(shù)信息，根據(jù)所述耗時函數(shù)信息進(jìn)行高效全局優(yōu)化的參數(shù)設(shè)置，以及初始采樣，根據(jù)初始采樣的樣本點集、對應(yīng)的響應(yīng)集和對應(yīng)的約束集構(gòu)成的樣本庫建立約束函數(shù)高斯過程代理模型，包括：

獲取待優(yōu)化對象原始模型的耗時函數(shù)信息，根據(jù)所述耗時函數(shù)信息進(jìn)行高效全局優(yōu)化的參數(shù)設(shè)置，以及初始采樣，根據(jù)初始采樣的樣本點集、對應(yīng)的響應(yīng)集和對應(yīng)的約束集構(gòu)成的樣本庫建立約束函數(shù)高斯過程代理模型；所述參數(shù)設(shè)置中的參數(shù)包括：設(shè)計變量的維數(shù)，耗時函數(shù)的最大評估次數(shù)，加點個數(shù)和初始采樣樣本數(shù)。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述獲取待優(yōu)化對象原始模型的耗時函數(shù)信息，根據(jù)所述耗時函數(shù)信息進(jìn)行高效全局優(yōu)化的參數(shù)設(shè)置，以及初始采樣，根據(jù)初始采樣的樣本點集、對應(yīng)的響應(yīng)集和對應(yīng)的約束集構(gòu)成的樣本庫建立約束函數(shù)高斯過程代理模型，包括：

獲取待優(yōu)化對象原始模型的耗時函數(shù)信息，根據(jù)所述耗時函數(shù)信息進(jìn)行高效全局優(yōu)化的參數(shù)設(shè)置；

通過拉丁超立方采樣法在整個設(shè)計空間獲取初始采樣點，得到初始采樣的樣本點集，由所述耗時函數(shù)評估初始采樣點，得到初始采樣的響應(yīng)集和約束集；

根據(jù)初始采樣的樣本點集、對應(yīng)的響應(yīng)集和對應(yīng)的約束集構(gòu)成的樣本庫建立約束函數(shù)高斯過程代理模型。