基于AGN及CNN的单目标优化问题寻优方法及装置制造方法及图纸

本发明专利技术公开了一种基于AGN及CNN的单目标优化问题寻优方法及装置，通过训练完成的AGN的编码部分将决策变量个数k的优化问题模型转换为决策变量个数为2的优化问题模型，其中k不为2，并将转换后的两个决策变量输入到已训练成功的CNN二决策变量寻优器中快速输出全局最优结果，最终通过训练完成的AGN的解码部分将CNN二决策变量寻优器输出的全局最优结果中两个决策变量转换为原来决策变量个数为k的空间，输出最终该优化问题的全局最优结果。应用本发明专利技术实施例所提供的技术方案，CNN二决策变量寻优器的寻优计算为线性并行计算，寻优速度快，可直接找到全局最优，不存在陷入局部最优的情况。另外，对于有约束的优化问题，同样简单适用。

【技术实现步骤摘要】
基于AGN及CNN的单目标优化问题寻优方法及装置
本专利技术涉及计算机应用
，特别是涉及一种基于AGN及CNN的单目标优化问题寻优方法及装置。
技术介绍
随着计算机应用技术的快速发展，对优化问题的研究也受到越来越多的关注。现实世界中有着大量的优化问题，对于优化问题的解决主要可以分为两个步骤。第一步是针对给定的一个实际优化问题，通过数学建模的方式将其转换为有着规范函数表达的优化问题，也就是定义决策空间、目标空间以及两者之间的映射关系；第二步是在上一步中获得的规范函数表达的优化问题基础上，通过计算的方式求得其最优解。优化问题依据决策变量是否连续可以分为两大类。如果决策变量是连续的，那么优化问题是连续优化问题；如果决策变量是离散的，那么优化问题是组合优化问题。优化问题依据是否有约束，可以分为有约束的和无约束的。依据目标变量的个数，可以分为单目标优化和多目标优化。优化问题的求解有两大类方法，包括解析方法和数值方法。解析方法是通过严格的数学证明与推导，得到精确的最优解，仅能解决一些典型的优化问题，在实际问题上往往难以应用。数值方法是通过设计恰当的迭代算式，通过一系列迭代，得到近似最优解，本文档来自技高网...

【技术保护点】
一种基于AGN及CNN的单目标优化问题寻优方法，其特征在于，包括：步骤A：根据待处理的优化问题，确定待优化函数Z＝g(x1，x2，x3，…，xk)；其中，x1、x2、x3、……、xk为决策变量，Z为优化目标，k为决策变量个数；步骤B：在待优化领域Db中采集所述待优化函数的待优化目标点云组，所述待优化目标点云组包含p个待优化目标点云；其中，所述待优化领域Db中，x1∈[a1,b1]，x2∈[a2,b2]，…，xk∈[ak,bk]；步骤C：在k＞2时，创建并训练去噪自编码器网络AGN，利用所述AGN的编码部分将各个决策变量x1、x2、x3、……、xk编码为y1和y2，所述AGN的输入层和输出层神经...

【技术特征摘要】
1.一种基于AGN及CNN的单目标优化问题寻优方法，其特征在于，包括：步骤A：根据待处理的优化问题，确定待优化函数Z＝g(x1，x2，x3，…，xk)；其中，x1、x2、x3、……、xk为决策变量，Z为优化目标，k为决策变量个数；步骤B：在待优化领域Db中采集所述待优化函数的待优化目标点云组，所述待优化目标点云组包含p个待优化目标点云；其中，所述待优化领域Db中，x1∈[a1,b1]，x2∈[a2,b2]，…，xk∈[ak,bk]；步骤C：在k＞2时，创建并训练去噪自编码器网络AGN，利用所述AGN的编码部分将各个决策变量x1、x2、x3、……、xk编码为y1和y2，所述AGN的输入层和输出层神经元个数均为k；步骤D：将所述待优化目标点云组对应的y1值及y2值分别按由小至大的方式进行排序，将y1值映射为其在按y1排序中的序号y1'，将y2值映射为其在按y2排序中的序号y2'，并创建映射表aa存储y1值与y1'的关系、y2值与y2'的关系以及对应的Z值；步骤E：选取每个待优化目标点云的y1'值及y2'值作为代表相应待优化目标点云的两个特征，创建所述待优化目标点云组的二维矩阵kk；其中，y1'为所述二维矩阵kk的行序号，y2'为所述二维矩阵kk的列序号，所述二维矩阵kk上第y1'行第y2'列的值为Z；步骤F：将所述二维矩阵kk输入到预先训练获得的CNN二决策变量寻优器中，获得所述二维矩阵kk中最值点的y1'值、y2'值及Z值；步骤G：查询所述映射表aa，将y1'值映射为y1，将y2'值映射为y2，利用所述AGN的解码部分将y1和y2解码为X1、X2、X3、……、Xk，输出优化结果为：当x1取X1、x2取X2、……、xk取Xk时达到全局最优Z。2.根据权利要求1所述的方法，其特征在于，还包括：在k＝2时，令y1＝x1，y2＝x2，执行步骤D至步骤G的操作。3.根据权利要求1或2所述的方法，其特征在于，所述创建并训练获得去噪自编码器网络AGN，包括：创建一个三层的去噪自编码器模型，所述去噪自编码器模型的输入层和输出层的神经元个数均为k，所述去噪自编码器模型的隐藏层神经元个数为2；分别设置所述去噪自编码器模型的相关参数，所述相关参数包括神经元激活函数、损失函数、训练算法、学习率、批量训练样本数目ba'、噪声系数和最小误差Nm'；在所述待优化领域Db上采集所述待优化函数的p个待优化目标点云，构成训练集P’；利用高斯分布随机数初始化所述去噪自编码器模型的所有权值和阈值；对所述训练集P’中各待优化目标点云进行归一化处理；从所述训练集P’中依次选取ba'个待优化目标点云输入到所述去噪自编码器模型进行前向传播计算，获得相应的模型输出，分别计算该ba'个待优化目标点云对应的模型输出与相应待优化目标点云自身之间的误差，并反向传播调节所述去噪自编码器模型所有权值和阈值；直至整体误差N'小于最小误差Nm'，结束训练。4.根据权利要求3所述的方法，其特征在于，通过以下步骤预先训练获得所述CNN二决策变量寻优器：步骤H：选取一个目标二维函数K＝f(k1,k2)，在训练领域Da上采集该目标二维函数的目标二维函数点云组，所述目标二维函数点云组包含n*n个目标二维函数点云，所述训练领域Da中，k1∈[a,b]，k2∈[c,d]，n为正整数；步骤I：将所述目标二维函数点云组对应的k1值及k2值分别按由小至大的方式进行排序，将k1值映射为其在按k1排序中的序号k1'，将k2值映射为其在按k2排序中的序号k2'，并创建映射表bb存储k1值与k1'的关系、k2值与k2'的关系以及对应的K值；步骤J：选取每个目标二维函数点云的k1'值及k2'值作为代表相应目标二维函数点云的两个特征，并创建所述目标二维函数点云组的二维矩阵KK；其中，k1'为所述二维矩阵KK的行序号，k2'为所述二维矩阵KK的列序号，所述二维矩阵KK中第k1'行第k2'列的值为该目标二维函数的K值；步骤K：确定所述二维矩阵KK中K值为最值的点，并基于预设的标定方式，以该最值点的k1'值、k2'值和K值对所述二维矩阵KK进行标定，获得一组已标定训练数据；步骤L：选取NN-1个其他不同的目标二维函数或训练领域Da分别重复步骤H至步骤K，共获得NN组已标定训练数据；步骤M：将NN组已标定训练数据中的m组已标定训练数据构成训练集P，剩余的已标定训练数据构成测试集S；步骤N：通过所述训练集P和所述测试集S对预先创建的CNN模型进行训练，直至训练成功，获得所述CNN二决策变量寻优器；其中，NN、m均为正整数，且m小于NN。5.根据权利要求4所述的方法，其特征在于，所述步骤N：通过所述训练集P和所述测试集S对预先创建的CNN模型进行训练，直至训练成功，获得所述CNN二决策变量寻优器，包括：初始化预先创建的CNN模型；分别对所述训练集P中每组已标定训练数据进行归一化处理；从所述训练集P中，依次选取一组已标定训练数据，将该组已标定训练数据输入到所述CNN模型进行前向传播计算，获得相应的模型输出，计算该组已标定训练数据对应的模型输出与预先标定的标签之间的误差，并反向传播调节所述CNN模型的所有权值和阈值；直至整体误差N小于最小误差Nm，结束训练；将所述测试集S进行归一化处理；将从所述测试集S中，依次选取一组已标定训练数据输入到已完成训练的所述CNN模型中进行前向传播计算，获得相应的模型输出，并与预先标定的标签进行对比，最终计算所述测试集S的整体错误率M；确定所述整体错误率M是否满足预设要求，如果是，则确定所述CNN模型训练成功，获得所述CNN二决策变量寻优器。6.根据权利要求5所述的方法，其特征在于，在确定所述整体错误率M不满足所述预设要求时，还包括：选取其他不同的目标二维函数K＝f(k1,k2)或训练领域Da，重复...

【专利技术属性】
技术研发人员：陈达权，李海艳，黄运保，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44