一种基于评估准确率的代理辅助进化算法框架制造技术

本发明专利技术提出了一种基于评估准确率的代理辅助进化算法框架，主要用于代理辅助进化算法求解最优化问题中。要点在于针对代理模型的更新设计模型管理策略，这一模型管理策略用到了评估准确率，用于自适应调整代理模型更新频率，从而有效减少算法运行时间，提升算法效率。这对于复杂最优化问题而言是很重意义的。这对于复杂最优化问题而言是很重意义的。这对于复杂最优化问题而言是很重意义的。

【技术实现步骤摘要】
一种基于评估准确率的代理辅助进化算法框架


[0001]本专利技术涉及代理辅助进化算法(SAEAs)的改进，特别是提出了SAEAs中适应度评估准确率的计算方法，基于该评估准确率设计了一种模型更新策略和种群生成方法，以提升代理辅助进化算法的模型的性能，该算法主要用于解决复杂单目标优化问题。

技术介绍

[0002]1.最优化问题
[0003]最优化是数学领域的一个重要分支，也是一门应用十分广泛的学科。最优化的目的在于针对给定的问题，找出最优的解决方案。用于求解优化问题的传统方法，如梯度下降法、拉格朗日松弛法、动态规划等，这些方法需要为目标函数建立精确的物理或机械模型。而有些实际问题，如计算流体力学、空气动力学问题、高炉优化问题，由于进行一次实验所需要的时间和计算资源是巨大的，因此采用传统优化方法进行求解不现实的。
[0004]近些年来，元启发式优化算法，如遗传算法、差分进化、蚁群优化算法、粒子群优化算法，为解决复杂优化问题提供了新的思路和方法，在经济、工程等领域得到了广泛地实践和应用。进化算法是对生物进化或群体行为特性的一种模拟，采用群体搜索技术以及优胜劣汰的自然选择指导和确定优化方向。在优化过程中通过不断迭代和相互作用逐步使整个群体达到优化的效果，从而达到最终的优化目标，已经被广泛应用到图像、路径规划等多个领域。使用进化算法求解优化问题不需要精确的目标函数及其派生信息，这使得进化算法适合于求解复杂的优化问题。随着当今科学技术的发展，各种应用所面临的计算量也越来越大，许多元启发式算法在找到全局最优解或可行解之前需要经过多次适应度评估，这通常需要耗费大量时间和计算资源，使得进化算法在解决复杂优化问题时遇到很大的障碍。例如，在空气动力学结构优化设计中，精确的风洞实验能够实现候选解的最准确估计，但是进行一次实验会花费大量时间。
[0005]为了降低进化优化中的计算成本和时间，一种常见的方法是引入近似值，基于历史数据我们可以建立目标函数的逼近函数。用于函数逼近的计算模型一般称为近似模型，也叫做代理模型或者元模型，能够替代计算复杂的原始目标函数，建立和使用代理模型进行适应度评估的计算量远远小于昂贵的原始目标函数评估方法。使用代理模型计算目标函数值的进化算法(EAs)通常称为代理辅助进化算法(SAEAs)法。基于代理模型，我们提出了一种模型管理策略，将适应度评估准确率作为一种监督来进行模型管理，包括模型的更新频率及种群再生方法，旨在于提升代理辅助进化算法的性能。
[0006]2.遗传算法
[0007]原始遗传算法由美国的J.Holland教授在1975年首先提出，是一种搜索最优解的方法。它模拟生命进化机制，即模拟自然选择和遗传进化中发生的交叉和变异现象。从任意一个初始种群出发，通过交叉、变异和选择操作，产生一群新的更适应环境的个体，使群体进化到搜索空间中更优的区域。这样一代接一代地不断繁殖、进化，最后收敛到一群最适应环境的个体上，即求得问题的最优解。遗传算法求解复杂的优化问题，只要利用三种遗传算
子就能得到最优解。其中每一个个体由位串或染色体组成，每个等位基因表示对应问题的一个维度。
[0008]利用遗传算法解决优化问题一般分为以下几个步骤：
[0009]1)初始化种群：对编码好的问题采用随机生成或有指导地生成一定数量的个体，以进行遗传进化操作。
[0010]2)交叉：以一个确定的概率对个体染色体的等位基因进行一位或多位的交换，体现了信息交换的原则。
[0011]3)变异：对于任意选择的个体，以一个预先设定的概率改变其染色体中的某些基因位，对应于生物中的变异现象，可以产生群体中没有的新基因甚至新个体。
[0012]4)选择：从当前群体中选择优良的(适应度高的)个体，使它们有机会进入下一次迭代过程，舍弃适应度低的个体，体现了进化论的“适者生存”原则。
[0013]5)选择适应度评估方式评估群体：特定问题必须对应特定的评估方法，以确定每次遗传进化之后个体的好坏程度，也是选择的依据。
[0014]3.评估准确率的计算
[0015]评估准确率(fitness evaluation accuracy，FEA)的计算过程如下：
[0016]1)测试集的建立，测试集包含两组数据和分别含有1000个独立的个体，使用测试函数计算得到实际适应度值和
[0017]2)使用训练好的代理模型计算两组数据的评估适应度值和
[0018]3)记t1和t2为两个向量，其中
[0019]4)令num＝sum(t1＝＝t2)，则适应度评估准确率可以通过num/1000得到。

技术实现思路

[0020]本专利技术所要解决的技术问题是，进化算法在解决优化问题时，通常需要经过多次迭代才能得到可行解或者最优结果，这使得算法的计算时间大大增加。代理辅助进化算法指的是将代理模型作为优化过程中的适应度评估方法，替换掉原始的函数评估方法以减少计算成本。本专利技术提出了SAEAs中适应度评估准确率的计算方法，并将其作为监督，用于调整模型的更新频率和种群再生过程，以进一步改进SAEAs算法的性能，该算法主要用于解决复杂单目标优化问题。
[0021]本专利技术所采用的技术方案是：一种适应度评估准确率的代理辅助进化算法框架，包括如下步骤：
[0022]1)使用拉丁超立方采样获得初始数集D
t
，并计算实际适应度值y，从中选取N个样本选训练得到RBF模型，即以逼近y，则对于最小化的优化问题而言，最优个体x
t+1
可以由公式(5)得到：
[0023][0024]2)设置最大迭代次数g
max
为终止条件，设置代理模型tt次迭代更新一次；
[0025]3)执行遗传算法的搜索过程，初始种群大小为n，在每一代中使用公式(5)获得最优个体，使用实际函数计算其实际适应度值y
t+1
＝f(x
t+1
)，将<x
t+1
，y
t+1
>添加到D
t
中，在x
t+1
的帮助下，代理模型能够搜索到更具希望的区域；
[0026]4)当前代数记为g，最大迭代次数g
max
，记录每一代得到的评估准确率A
cc
保存到向量acc中，记作acc[g]＝A
cc
；
[0027]5)当mod(g，tt)＝＝0时，从D
t
选取新产生的N个样本点更新代理模型，按照4.中的方法计算评估准确率acc
temp，
比较acc
temp
与acc[g]，若acc
temp
≤acc[g
‑
1]，则随机在决策空间随机产生num_off个新个体，计算实际适应度值，并添加到D
t
中，反之记录acc[g]＝acc
temp
；
[0028]6本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适应度评估准确率的代理辅助进化算法框架，其特征在于，包括如下步骤：1)使用拉丁超立方采样获得初始数集D
t
，并计算实际适应度值y，从中选取N个样本选训练得到RBF模型，即以逼近y，则对于最小化的优化问题而言，最优个体x
t+1
可以由公式(1)得到：2)设置最大迭代次数g
max
为终止条件，预先设置代理模型更新频率为tt；3)执行遗传算法的搜索过程，初始种群大小为n，在每一代中使用公式(1)获得最优个体，使用实际函数计算其实际适应度值y
t+1
＝f(x
t+1
)，将<x
t+1
，y
t+1
>添加到D
t
中，在x
t+1
的帮助下，代理模型能够搜索到更具希望的区域；4)记录每一代得到的评估准确率A
cc
，保存到向量acc中，记作acc[g]＝A
cc
；5)当mod(g，tt)＝＝0时，从D
t
...

【专利技术属性】
技术研发人员：张涛，刘天威，赵鑫，
申请(专利权)人：天津大学，
类型：发明
国别省市：