一种含对抗生成网络的贝叶斯优化方法及系统技术方案

本发明专利技术公开了一种含对抗生成网络的贝叶斯优化方法，该方法包括：分别从真实样本和预测样本中进行知识提取，对当前模型预测结果进行二次判断，从而避免因代理模型在高维昂贵优化问题上的优化方向偏移导致的预测能力下降。根据基础数据和多目标代理辅助模型，得到一组尽可能收敛于真实Pareto前沿且均匀分布的Pareto解集；其中，所述含对抗生成网络的贝叶斯多目标优化模型的构建过程包括：使用两个基础算法作为基础优化器。并对历史数据进行标记选取。同时，结合Lp范式和最大最小距离的新的收敛性准则。这个策略可以有效降低计算的复杂度，选取更有“希望”的个体进行实际计算。的个体进行实际计算。的个体进行实际计算。

【技术实现步骤摘要】
一种含对抗生成网络的贝叶斯优化方法及系统


[0001]本专利技术属于贝叶斯优化
，尤其涉及一种含对抗生成网络的两阶段贝叶斯进化优化方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]在复杂的工程优化问题中，如土地利用管理、控制工程系统等，常常含有多个相互冲突的目标。并且每个目标都需要用到耗时的仿真计算，通常这类优化问题被称为昂贵多目标优化问题。现实生活中的大多数工程问题包含大量的决策变量和目标变量，决策变量超过30和目标维数大于3的多目标优化问题，被称为高维昂贵超多目标优化问题。求解多目标优化问题的最终目的是得到一组尽可能收敛于真实Pareto前沿且均匀分布的Pareto解集。多目标优化问题的目标往往是相互矛盾的，不存在一个可以在所有目标上均达到最优的解。
[0004]由于进化算法(evolutionary algorithm，EA)不需要假设任何目标函数的凹凸性,且有更多的机会获得全局最优解,因此多目标进化算法(multi
‑
obje本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种含对抗生成网络的贝叶斯优化方法，其特征在于，包括：在现有进化算法基础上针对问题特点对算法进行改进，一种算法集中于全局搜索保持种群多样性，另一种算法集中于局部搜索，逼近真实Pareto前沿，当没有更好的候选解决方案时，这两种算法随机进行，探索适用于高维空间的种群寻优策略，并且为避免算法陷入局部最优，拟采用多代选取策略，从多次迭代的预测样本中筛选出部分个体作为父代，参与进化算法种群更新，将进化算法的自然搜索能力和贝叶斯的预测能力相结合，适用于高维昂贵优化问题的贝叶斯进化优化算法框架，使种群进化群体的非支配集不断地逼近真正的最优边界，最终得到满意的解集。2.如权利要求1所述的一种含对抗生成网络的贝叶斯优化方法，其特征在于，使用MOEA/D
‑
DE和RVEA作为基础优化器，分别考虑其收敛性和多样性，MOEA/D
‑
DE作为主要种群进化以找到好的解决方案保证其收敛效率，RVEA作为辅助种群进化以维持和为主要种群提升多样性，使用交叉和突变操作生成后代，并根据克里金模型的预测进行选择，根据新的自适应采集函数从预先选择的后代中选择q的解决方案来进行真实的功能评估，这些重新评估的解决方案被用于更新DB和代理模型。3.如权利要求2所述的一种含对抗生成网络的贝叶斯优化方法，其特征在于，两个子种群独立进化，并在合适的时机以一定的规则进行交流，使用生成对抗网络，在环境选择部分选择更接近真实样本的预测样本作为父代引导种群进化，这样做可以减少由于预测误差带来的优化方向偏移。4.如权利要求2所述的一种含对抗生成网络的贝叶斯优化方法，其特征在于，...

【专利技术属性】
技术研发人员：边红丽，田杰，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：