一种用于求解单目标最优化问题的卷积神经网络算法制造技术

本发明专利技术提供了一种用于求解单目标最优化问题的卷积神经网络算法，包括搭建适应度映射网络，构建适应度映射网络的训练数据集，完成对适应度映射网络的训练；搭建最优解映射网络，并将最优解映射网络与已经训练好的适应度映射网络组合联合网络，构建联合网络训练集，进行联合网络的训练；从训练好的联合网络中取出最优解映射网络，应用该网络获取最优解。本发明专利技术提出的最优解映射网络相比于进化算法具备明显更高的求解效率。备明显更高的求解效率。备明显更高的求解效率。

【技术实现步骤摘要】
一种用于求解单目标最优化问题的卷积神经网络算法


[0001]本专利技术属于神经网络
，尤其是涉及一种用于求解单目标最优化问题的卷积神经网络算法。

技术介绍

[0002]从优化目标数量的角度，可以将最优化问题分为单目标最优化问题和多目标最优化问题，其中单目标最优化问题只有一个优化目标。最优化作为应用数学领域的一个重要分支，涌现出许多经典的求解方法，如梯度下降法、牛顿法、线性搜索、拉格朗日乘数法、内点法、分支定界法、动态规划，这些方法在求解各类最优化问题中发挥了重要的作用。复杂最优化问题通常具有较大的解空间、较多的优化目标以及目标函数非凸、非线性、不可微等特点。对于这一类问题，对函数标准型、线性、可微性等有着一定要求的传统优化算法变得不再适用。进化算法成为求解复杂最优化问题的主要方法。
[0003]在现有的最优化方法中，进化算法具有比传统最优化方法更大的求解范围，然而进化算法的求解也要依赖于个体适应度评估函数，因此进化算法无法应用于个体适应度评估函数尚不明确的最优化问题，且对于个体适应度评估函数复杂的最优化问题也存在求解耗时长这一缺点。

技术实现思路

[0004]有鉴于此，本专利技术旨在提出一种用于求解单目标最优化问题的卷积神经网络算法，该网络可基于部分以适应度值作为标签的可行解来训练，训练出的网络可直接输出最优化问题的一个最优解或近似最优解，不再依赖于个体适应度评估函数，相比于进化算法，本专利技术提出的卷积神经网络具有更大的求解范围和更高的求解效率。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：一种用于求解单目标最优化问题的卷积神经网络算法，包括搭建适应度映射网络，构建适应度映射网络的训练数据集，完成对适应度映射网络的训练；搭建最优解映射网络，并将最优解映射网络与已经训练好的适应度映射网络组合联合网络，构建联合网络训练集，进行联合网络的训练；从训练好的联合网络中取出最优解映射网络，应用该网络获取最优解。
[0006]进一步的，所述适应度映射网络包括卷积层、池化层和全连接层构成，全连接层位于网络的最后部分，全连接层的最后一层只有一个神经元，适应度映射网络的输入为需要进行适应度评估的个体，一个个体对应一个最优化问题解空间中的可行解，适应度映射网络的输出为适应度值。
[0007]进一步的，所述最优解映射网络包括权重映射模块，所述权重映射模块包括卷积层、池化层、以及Sigmod激活函数，最优解映射网络的输入为解空间的上界矩阵和下界矩阵组成的张量，最优解映射网络的输出为最优解矩阵。
[0008]进一步的，所述联合网络的训练包括：将训练好的适应度映射网络和一个初始化的最优解映射网络进行连接，共同组成一个联合网络；在训练的过程中，在联合网络最后一层输出后再将此输出输入到一个Sigmod激活函数中，在Sigmod激活函数后面接适应度映射网络的损失函数，用于联合网络训练；提取解空间的上界和下界共同构成输入样本；将输入样本反复输入到联合网络中，进行联合网络训练，在训练过程中保持联合网络中的适应度映射网络部分参数不变，只更新联合网络中最优解映射网络部分的网络参数，使得联合网络输出的预测值接近于标签值，多次迭代后，训练终止；进一步的，在联合网络训练完成后，将其中的最优解映射网络取出，作为最终要应用的网络，将解空间上下界组成的张量输入到网络中，输出最优解矩阵，对最优解矩阵进行变换，转化成解向量，作为最终解。
[0009]相对于现有技术，本专利技术所述的一种用于求解单目标最优化问题的卷积神经网络算法具有以下优势：（1）个体适应度评估函数不明确的最优化问题无法通过进化算法等常用最优化方法求解，本专利技术提出的求解单目标最优化问题的卷积神经网络适用于求解以上问题，因此本专利技术为更多最优化问题提供了求解途径；（2）本专利技术提出的最优解映射网络相比于进化算法具备明显更高的求解效率。
附图说明
[0010]构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1为本专利技术的适应度映射网络架构图；图2为本专利技术的联合网络架构图。
具体实施方式
[0011]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0012]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0013]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是
两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本专利技术中的具体含义。
[0014]下面将参考附图并结合实施例来详细说明本专利技术。
[0015]本专利技术提出了一种用于单目标最优化问题求解的卷积神经网络。该网络的训练需要与一个适应度映射网络连接起来组成一个联合网络。在训练阶段，首先需要训练一个适应度映射网络，在适应度映射网络训练完成之后，再将适应度映射网络与最优解映射网络连接成一个联合网络，再对联合网络进行训练。在联合网络训练完成后，再从联合网络中将适应度映射网络这一部分取出，这一部分即最终的最优解映射网络。
[0016]本专利技术的整体流程如下：一、搭建适应度映射网络，构建适应度映射网络的训练数据集，完成对网络的训练。
[0017]具体的，适应度映射网络的网络框架如图1所示，该网络基于一种卷积神经网络架构，用于处理的是回归任务，其中适应度映射网络的输入为需要进行适应度评估的个体，一个个体对应一个最优化问题解空间中的可行解。对于解空间维度为m
×
n的最优化问题，个体的表现形式为一个m
×
n的二维矩阵：（1）该个体对应的解变现形式为维的向量：
ꢀꢀ
（2）中的元素与中元素的对应关系为：。个体对应的适应度映射网络输出为该个体对应的适应度值y。适应度映射网络由卷积层、池化层和全连接层构成，全连接层位于网络的最后部分，全连接层的最后一层只有一个神经元。除全连接层的最后一层之外，卷积层、池化层和其它部分的全连接层的结构可以根据实际需要来进行灵活调整。
[0018]在适应度映射网络搭建完成后，构建训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于求解单目标最优化问题的卷积神经网络算法，其特征在于：包括搭建适应度映射网络，构建适应度映射网络的训练数据集，完成对适应度映射网络的训练；搭建最优解映射网络，并将最优解映射网络与已经训练好的适应度映射网络组成联合网络，构建联合网络训练集，进行联合网络的训练；从训练好的联合网络中取出最优解映射网络，应用该网络获取最优解。2.根据权利要求1所述的一种用于求解单目标最优化问题的卷积神经网络算法，其特征在于：所述适应度映射网络包括卷积层、池化层和全连接层，全连接层位于网络的最后部分，全连接层的最后一层只有一个神经元，适应度映射网络的输入为需要进行适应度评估的个体，一个个体对应一个最优化问题解空间中的可行解，适应度映射网络的输出为适应度值。3.根据权利要求1所述的一种用于求解单目标最优化问题的卷积神经网络算法，其特征在于：所述最优解映射网络包括权重映射模块，所述权重映射模块包括卷积层、池化层、以及Sigmod激活函数，最优解映射网络的输入为解空间的上界矩阵和下界矩阵组成的张量，最优解映射网络...

【专利技术属性】
技术研发人员：赵鑫，孔令国，张涛，曹亚慧，齐佳静，
申请(专利权)人：天津大学，
类型：发明
国别省市：