[發(fā)明專利]一種基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110317986.5
• 申請(qǐng)日: 2021-03-25
• 公開（公告）號(hào): CN113094979A
• 公開（公告）日: 2021-07-09
• 發(fā)明（設(shè)計(jì)）人: 鄭少勇;王海軍
• 申請(qǐng)（專利權(quán)）人: 中山大學(xué)
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06N3/00;G06F119/18
• 代理公司: 廣州嘉權(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 黎揚(yáng)鵬

1.一種基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化方法，其特征在于，包括以下步驟：

迭代執(zhí)行多輪處理過程；

在每輪所述處理過程中，獲取父代種群，對(duì)所述父代種群中的每個(gè)成員使用差分進(jìn)化算法生成連續(xù)試驗(yàn)向量；對(duì)所述父代種群中的生存時(shí)間小于1的成員，將該成員內(nèi)的每個(gè)離散變量依次從所有處于蘇醒狀態(tài)的可能值中通過輪盤賭方式確定取值，將該成員的生存時(shí)間置為1，從而獲得離散試驗(yàn)向量；合并所述連續(xù)試驗(yàn)向量和所述離散試驗(yàn)向量，從而獲得完整試驗(yàn)向量；整合所有所述完整試驗(yàn)向量，從而獲得試驗(yàn)種群；將所述父代種群和所述試驗(yàn)種群組合成混合種群，對(duì)所述混合種群使用多目標(biāo)更新策略進(jìn)行更新，從而獲得更新種群；使用所述更新種群更新存檔；

其中，在第一輪所述處理過程中，所述父代種群由初始連續(xù)子群和初始離散子群合并得到，所述初始連續(xù)子群是在給定的連續(xù)參數(shù)取值范圍內(nèi)隨機(jī)生成的，所述初始離散子群是對(duì)初始生成的成員中的離散變量依次從處于蘇醒狀態(tài)時(shí)的候選值中，通過輪盤賭方式確定取值生成的；在除第一輪所述處理過程以外的其他所述處理過程中，所述父代種群為上一輪所述處理過程所獲得的所述更新種群。

2.根據(jù)權(quán)利要求1所述的基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化方法，其特征在于，在每輪所述處理過程中，如果所獲得的所述更新種群中部分或全部成員與所述父代種群中的成員相同，那么將所述更新種群中的這些相同的成員的生存時(shí)間延長一代；如果所獲得的所述更新種群中部分或全部成員與所述父代種群中的成員不相同，那么將所述更新種群中的這些不相同的成員的生存時(shí)間縮短一代。

3.根據(jù)權(quán)利要求1所述的基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化方法，其特征在于，在每輪所述處理過程中，對(duì)于一個(gè)處于蘇醒狀態(tài)的可能值，如果包含該可能值的所有成員未能從所述父代種群中存活至所述更新種群，將該可能值的狀態(tài)由蘇醒狀態(tài)設(shè)置為睡眠狀態(tài)。

4.根據(jù)權(quán)利要求3所述的基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化方法，其特征在于，在每輪所述處理過程中，對(duì)于一個(gè)離散變量，如果該離散變量對(duì)應(yīng)的全部可能值均為睡眠狀態(tài)，將該離散變量對(duì)應(yīng)的全部可能值設(shè)置為蘇醒狀態(tài)。

5.根據(jù)權(quán)利要求4所述的基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化方法，其特征在于，對(duì)于一個(gè)離散變量，如果該離散變量對(duì)應(yīng)的部分或全部可能值的狀態(tài)在連續(xù)多輪所述處理過程中均未發(fā)生變化，將未發(fā)生變化的這些可能值的狀態(tài)設(shè)置為蘇醒狀態(tài)。

6.根據(jù)權(quán)利要求1所述的基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化方法，其特征在于，所述對(duì)所述混合種群使用多目標(biāo)更新策略進(jìn)行更新，包括：

使用第一選擇算子和第二選擇算子對(duì)所述混合種群進(jìn)行連續(xù)多代的交替執(zhí)行；其中，所述第一選擇算子為基于非支配占優(yōu)的NSGAIII的選擇算子，所述第二選擇算子為MOEA/D中基于Tchebyshev分解的選擇算子。

7.根據(jù)權(quán)利要求1-6任一項(xiàng)所述的基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化方法，其特征在于，所述使用所述更新種群更新存檔，包括：

將所述混合種群中通過非支配排序確定的最前面多個(gè)成員存儲(chǔ)至所述存檔中，并覆蓋所述存檔中的原內(nèi)容。

8.根據(jù)權(quán)利要求7所述的基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化方法，其特征在于，還包括：

當(dāng)所述處理過程滿足終止條件，以最后一輪所述處理過程所使用的所述父代種群與從所述存檔中讀取出的內(nèi)容混合后，通過非支配排序確定混合結(jié)果中的最前面多個(gè)成員作為最終解；

返回所述最終解。

9.一種基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化系統(tǒng)，其特征在于，所述基于狀態(tài)變換差分進(jìn)化的混合離散變量優(yōu)化系統(tǒng)用于：

迭代執(zhí)行多輪處理過程；

在每輪所述處理過程中，獲取父代種群，對(duì)所述父代種群中的每個(gè)成員使用差分進(jìn)化算法生成連續(xù)試驗(yàn)向量；對(duì)所述父代種群中的生存時(shí)間小于1的成員，將該成員內(nèi)的每個(gè)離散變量依次從所有處于蘇醒狀態(tài)的可能值中通過輪盤賭方式確定取值，將該成員的生存時(shí)間置為1，從而獲得離散試驗(yàn)向量；合并所述連續(xù)試驗(yàn)向量和所述離散試驗(yàn)向量，從而獲得完整試驗(yàn)向量；整合所有所述完整試驗(yàn)向量，從而獲得試驗(yàn)種群；將所述父代種群和所述試驗(yàn)種群組合成混合種群，對(duì)所述混合種群使用多目標(biāo)更新策略進(jìn)行更新，從而獲得更新種群；使用所述更新種群更新存檔；

其中，在第一輪所述處理過程中，所述父代種群由初始連續(xù)子群和初始離散子群合并得到，所述初始連續(xù)子群是在給定的連續(xù)參數(shù)取值范圍內(nèi)隨機(jī)生成的，所述初始離散子群是對(duì)初始生成的成員中的離散變量依次從處于蘇醒狀態(tài)時(shí)的候選值中，通過輪盤賭方式確定取值生成的；在除第一輪所述處理過程以外的其他所述處理過程中，所述父代種群為上一輪所述處理過程所獲得的所述更新種群。