【技术实现步骤摘要】
一种并行差分进化算法的昂贵函数寻优方法及其装置
[0001]本专利技术涉及智能计算
，特别涉及一种并行差分进化算法的昂贵函数寻优方法及其装置。
技术介绍
[0002]昂贵问题是指计算成本昂贵的问题，即得到运算结果需要耗费较大的时间代价。昂贵问题的优化在现阶段具有重要的意义，例如人群模型校准，电力系统的优化，大规模的优化等都为昂贵问题的优化。而加速这些昂贵问题的优化收敛速度是十分有价值的。
[0003]差分进化算法是一种强大的演化算法，该算法最早由Storn和Price于1995年首次提出，发表至今已成功应用于诸多昂贵问题的寻优和求解多维空间中整体最优解。差分进化算法可保留优秀的解，变异和交叉两个步骤保证了其在全局寻优的过程中减少陷入局部最优解的可能性。
[0004]现阶段，有许多结合差分进化算法对昂贵问题优化的研究，但差分进化算法对昂贵函数的寻优技术仍有不足。其中，代理模型辅助的差分进化算法的研究已获得广泛的认可，此类研究在加速算法的收敛速度上已取得良好的效果。但代理模型辅助的差分进化算法并没有充分利用...
【技术保护点】
【技术特征摘要】
1.一种并行差分进化算法的昂贵函数寻优方法，其特征在于，包括以下步骤：步骤S1，将种群分为N个子种群，所述N个子种群执行差分进化算法的全局搜索任务，每个任务单独分配一条线程进行并行运算，代理模型作为一个单独的模块分配一条线程与N个任务并行运算；步骤S2，对N个子种群进行初始化，得到的新个体及其适应值互斥访问并存入共享存储区域的历史库history；步骤S3，所述N个子种群进行变异和交叉，得到的新个体及其适应值互斥访问存入历史库history；步骤S4，如果历史库history的个体数大于或等于M，且前M个个体发生变化，则调用代理模型，进入步骤S5；否则跳转到步骤S8；步骤S5，运用历史库history中M个个体的基因及其适应值分别作为输入和输出的结果并构造高斯过程模型；步骤S6，运用基于高斯回归的代理模型进行局部最优预测，预测得到最优个体x
best
及其预测的适应度y
pre
，并对x
best
计算适应度真实值y
real
；步骤S7，所述共享存储区域还设有存储代理模型预测搜索得到的局部最优个体的共享存储单元local_best；如果y
real
优于或小于local_best个体的适应值或local_best为空，则x
best
取代或存入local_best，否则跳过；步骤S8，某个子种群中，交叉得到的最优个体为x
u_best
，其适应值为y
u_best
；互斥访问local_best，若local_best的适应度值小于或优于x
u_best
，则local_best中的个体取代x
u_best
，且设置local_best为空；步骤S9，对N个子种群中进行选择操作；若达到终止条件则该线程和任务结束；否则跳转至步骤S3。2.根据权利要求1所述的一种并行差分进化算法的昂贵函数寻优方法，其特征在于，所述历史库history用于记录历史个体数据；按适应值从小到大或从优到劣进行排序。3.根据权利要求1所述的一种并行差分进化算法的昂贵函数寻优方法，其特征在于，所述步骤S1中所述N个子种群的数量设置根据计算机的内核数目进行调整，所述N个子种群和代理模型在内，一共有n+1个任务并行运行。4.根据权利要求1所述的一种并行差分进化算法的昂贵函数寻优方法，其特征在于，所述步骤S5中选择个体的要求为距离历史最优点最近的M个点；高斯过程模型的超参数寻优算法为极大似然估计算法和差分进化算法。5.根据权利要求1所述的一种并行差分进化算法的昂贵函数寻优方法，其特征在于，所述步骤S4中代理模型的局部寻优算法为差分进化算法；所述步骤S6中局部...
【专利技术属性】
技术研发人员：钟竞辉，李怡娴，蔡文桐，
申请(专利权)人：中新国际联合研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。