一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法技术方案

本发明专利技术公开了一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，根据MEMS的设计变量的控制范围，对种群进行初始化；接着根据选择规则从候选集中选择适量的样本作为训练集来训练集成模型；然后使用社会学习粒子群优化算法对种群进行演化，再由集成模型给出每个个体的适应度预测值；最后使用SMIC加点准则对模型进行管理，其中选择合适的个体进行真实适应度评估；在每次迭代中，都会从候选集缓存中去寻找最优位置，当迭代终止时，最后保存下来的最优个体的位置进而作为MEMS设计中的最优变量组合。本发明专利技术不仅可以得到高质量的设计解决方案，还能降低因拟合不佳的代理模型带来的风险，适用于不同类型的MEMS优化问题。

【技术实现步骤摘要】
一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法
本专利技术涉及微机电系统设计优化的
，尤其涉及到一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法。
技术介绍
微机电系统(Micro-Electro-MechanicalSystem,MEMS)是集微执行器、微传感器、信号处理和控制电路、通信、接口等一体的微型器件。MEMS在医疗、工业、汽车和航空等领域上有着广泛的应用前景，这对促进国民经济增长以及提高军事能力起着重要的作用，因此，对MEMS的形状进行优化设计是必不可少的且具有很大的现实意义。目前MEMS的形状优化方法有两种：第一种是使用设计专业知识进行局部优化，先提供初始设计，再缩小搜索范围并根据灵敏度来减少设计变量的数量，最后使用数值模拟来优化局部结构；第二种是利用进化算法进行全局优化，由于进化算法具有全局搜索能力、收敛速度快以及在MEMS优化中无需进行初始设计等优点，其在MEMS的优化中得到了广泛的关注。国内外对MEMS的优化设计方法研究较少,主要集中为遗传算法、差分进化算法等自然模拟算法，但这些优化算法对MEMS的优化中存在着高效率和高性能的瓶颈。另外，要让MEMS得到更好的优化，则需要花费计算昂贵的数值模拟或计算昂贵的真实适应度评估成本，应用是不可能的。
技术实现思路
本专利技术的目的在于克服现有技术的不足，将在线代理模型辅助的进化算法(SurrogateassistedEvolutionalgorithm,SAEA)引入到MEMS的形状优化中，提供一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法。目前用于优化MEMS的形状的SAEA都偏向于使用单个代理模型，但实际上是没有一种特定类型的代理模型能够很好地解决所有问题。而本专利技术设计好的集成模型辅助社会学习粒子群算法不仅可以得到高质量的设计解决方案，还能降低因拟合不佳的代理模型带来的风险，因此本专利技术的算法能适用于不同类型的MEMS优化问题。为实现上述目的，本专利技术所提供的技术方案为：一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，包括以下步骤：S1、根据设计空间的范围使用Latinhypercube采样方法初始化整个种群，并对整个种群的个体进行真实的适应度评估，给予它们真实适应度值；初始化后的个体以及其适应度值保存在一个缓存中，形成初始候选集DB；S2、判断候选集DB中的样本是否大于或等于所构建候选集A的样本数N，若不满足大于或等于的判断条件，则用社会学习粒子群优化算法来进化种群，接着对种群进行真实适应度评估，然后把进化后的种群加入到候选集DB中，直到候选集DB中的样本总数大于N为止；否则跳转到S3；S3、从候选集DB中选择N个样本构建候选集A；S4、采用步骤S3构建的候选集A来训练各代理模型，并通过组合策略集成各代理模型，从而形成一个强大的集成模型；S5、使用社会学习粒子群优化算法对整个种群进行更新；S6、使用集成模型预测出新种群中每个个体的适应度值；S7、采用SMIC加点准则来管理集成模型，选取合适的个体进行真实适应度评估；对于整个种群的最优潜在个体，如果尚未在SMIC加点准则中得到真实适应度评估，则将会被进行真实适应度评估；S8、若真实适应度评估次数达到算法设定的真实适应度评估次数的最大值，则算法结束，否则，更新候选集DB并跳转到S2继续运行；S9、当迭代结束后，从候选集DB中选出最优个体来作为MEMS的最优变量设计组合。进一步地，所述步骤S4中，采用GP模型和RBF模型作为单个代理模型，并使用在线加权平均法对GP模型和RBF模型进行集合。进一步地，使用在线加权平均法给予GP模型和RBF模型不同的权重，从而得出一个强大的集成模型；权重计算公式如下所示：上式中，εi为第i个代理模型的预测误差度量，wj为第j个代理模型的权重值；采用均方根误差值RMSE作为代理模型的预测误差度量值；每个代理模型的RMSE由以下公式来计算：上式中，RMSE用符号ε表示，则第j个代理模型的RMSE值，y(xi)为样本xi的真实适应度值，为第j个代理模型对样本xi的预测适应度值，N为代理模型的训练样本个数。进一步地，上述步骤S5中，粒子的更新方式如下所示：上式中，i为整个群体中的第i个个体，1≤i≤m，m代表整个种群的实际大小，j为个体i的第j个维度，1≤j≤D，D为搜索空间的维度；xij(t)表示为第t子代中粒子i的第j维的行为向量，xij(t+1)则表示为第t+1子代中粒子i的第j维的行为向量；Δxij(t+1)表示为矫正因子；PiL为每个粒子i向优秀个体学习的最大限定概率，而pi(t)为个体i在第t代的向优秀个体学习的概率；另外，Δxij(t+1)的计算方式如下所示:Δxij(t+1)＝r1(t)Δxij(t)+r2(t)·Iij(t)+r3(t)·φ·Cij(t)；其中，上式Δxij(t+1)由三部分组成：惯性部分、向随机个体学习部分和向社会全部个体学习部分；在第二部分中，Iij(t)表示在第t代中个体i向适应度好的随机个体k(k∈[1,2,...,i-1])学习后的行为向量；在第三部分中，Cij(t)表示在第t代中个体i向种群中所有个体学习后的行为向量，表示整体种群在第j维的平均行为水平，ф为社会影响因子，用于控制群体水平的平均行为；r1(t),r2(t),r3(t)为[0,1]区间内的独立随机数。进一步地，所述步骤S6使用集成模型预测出新种群中每个个体的适应度值的计算公式如下：上式中，为集成模型最终的预测适应度值，为第j个代理模型对新样本x*的预测适应度值，wj为第j个代理模型的权重，K为代理模型的个数。进一步地，所述步骤S7中，采用SMIC加点准则来管理集成模型，选取合适的个体进行真实适应度评估的具体过程如下：首先计算整个种群的邻域半径Ri，为候选解划分其邻域范围U(xi,Ri)＝[xi-Ri,xi+Ri]，让候选解i从候选集A中选出自己的近邻样本，具体的邻域计算方法如下所示：Rij＝ρ|cxjmax-cxjmin|；上式中，ρ为收敛因子；cxjmax和cxjmin分别为候选解i的第j维上的上限取值和下限取值，其两者由下式计算得出：接着根据每个候选解i的邻域范围，从候选集A中为每个候选解i找出其对应的近邻个体，从而让其近邻个体组成对应的近邻集；然后计算每个候选解i的局部粗糙度δi；每个候选解i都有属于自己的局部粗糙度δi，具体计算公式如下所示：上式中，xk代表候选解i的近邻集合的个体，而xev代表候选集A的缓存中的个体，f(xk)和f(xev)分别代表它们各自的适应度值；最后分别计算每个候选解i与其每个近邻个体的相似度，并从候选解i对应的全部相似度中选出最大相似度来作为候选解i与其近本文档来自技高网...

【技术保护点】
1.一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，包括以下步骤：/nS1、根据设计空间的范围使用Latin hypercube采样方法初始化整个种群，并对整个种群的个体进行真实的适应度评估，给予它们真实适应度值；初始化后的个体以及其适应度值保存在一个缓存中，形成初始候选集DB；/nS2、判断候选集DB中的样本是否大于或等于所构建候选集A的样本数N，若不满足大于或等于的判断条件，则用社会学习粒子群优化算法来进化种群，接着对种群进行真实适应度评估，然后把进化后的种群加入到候选集DB中，直到候选集DB中的样本总数大于N为止；否则跳转到S3；/nS3、从候选集DB中选择N个样本构建候选集A；/nS4、采用步骤S3构建的候选集A来训练各代理模型，并通过组合策略集成各代理模型，从而形成一个强大的集成模型；/nS5、使用社会学习粒子群优化算法对整个种群进行更新；/nS6、使用集成模型预测出新种群中每个个体的适应度值；/nS7、采用SMIC加点准则来管理集成模型，选取合适的个体进行真实适应度评估；对于整个种群的最优潜在个体，如果尚未在SMIC加点准则中得到真实适应度评估，则将会被进行真实适应度评估；/nS8、若真实适应度评估次数达到算法设定的真实适应度评估次数的最大值，则算法结束，否则，更新候选集DB并跳转到S2继续运行；/nS9、当迭代结束后，从候选集DB中选出最优个体来作为MEMS的最优变量设计组合。/n...

【技术特征摘要】
1.一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，包括以下步骤：
S1、根据设计空间的范围使用Latinhypercube采样方法初始化整个种群，并对整个种群的个体进行真实的适应度评估，给予它们真实适应度值；初始化后的个体以及其适应度值保存在一个缓存中，形成初始候选集DB；
S2、判断候选集DB中的样本是否大于或等于所构建候选集A的样本数N，若不满足大于或等于的判断条件，则用社会学习粒子群优化算法来进化种群，接着对种群进行真实适应度评估，然后把进化后的种群加入到候选集DB中，直到候选集DB中的样本总数大于N为止；否则跳转到S3；
S3、从候选集DB中选择N个样本构建候选集A；
S4、采用步骤S3构建的候选集A来训练各代理模型，并通过组合策略集成各代理模型，从而形成一个强大的集成模型；
S5、使用社会学习粒子群优化算法对整个种群进行更新；
S6、使用集成模型预测出新种群中每个个体的适应度值；
S7、采用SMIC加点准则来管理集成模型，选取合适的个体进行真实适应度评估；对于整个种群的最优潜在个体，如果尚未在SMIC加点准则中得到真实适应度评估，则将会被进行真实适应度评估；
S8、若真实适应度评估次数达到算法设定的真实适应度评估次数的最大值，则算法结束，否则，更新候选集DB并跳转到S2继续运行；
S9、当迭代结束后，从候选集DB中选出最优个体来作为MEMS的最优变量设计组合。


2.根据权利要求1所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，所述步骤S4中，采用GP模型和RBF模型作为单个代理模型，并使用在线加权平均法对GP模型和RBF模型进行集合。


3.根据权利要求2所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，使用在线加权平均法给予GP模型和RBF模型不同的权重，从而得出一个强大的集成模型；
权重计算公式如下所示：



上式中，εi为第i个代理模型的预测误差度量，wj为第j个代理模型的权重值；采用均方根误差值RMSE作为代理模型的预测误差度量值；
每个代理模型的RMSE由以下公式来计算：



上式中，RMSE用符号ε表示，则第j个代理模型的RMSE值，y(xi)为样本xi的真实适应度值，为第j个代理模型对样本xi的预测适应度值，N为代理模型的训练样本个数。


4.根据权利要求1所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，上述步骤S5中，粒子的更新方式如下所示：



上式中，i为整个群体中的第i个个体，1≤i≤m，m代表整个种群的实际大小，j为个体i的第j个维度，1≤j≤D，D为搜索空间的维度；xij(t)表示为第t子代中粒子i的第j维的行为向量，xij(t+1)则表示为第t+1子代中粒子i的第j维的行为向量；Δxij(t+1)表示为矫正因子；PiL为每个粒子i向优秀个体学习的最大限定概率，而pi(t)为个体i在第t代的向优秀个体学习的概率；另外，Δxij(t+1)的计算方式如下所示：
Δxij(t+1)＝r1(t)·Δxij(t)+r2(t)·Iij(t)+r3(t)·φ·Cij(t)；
其中，


<...

【专利技术属性】
技术研发人员：胡晓敏，苏文伟，李敏，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44