本发明专利技术公开了一种面向高维昂贵优化问题的代理模型辅助的并行协同方法，包括：(1)确定设计空间与优化目标，种群与关键迭代参数初始化，给出收敛条件；(2)基于多目标非支配排序技术来构建并行维度扰动变异操作；(3)基于局部预测信息与个体分布来构建两层真实子代个体筛选机制；(4)采用DE/current‑to‑pbest/2/bin进行高潜力个体引导的协同变异；(5)基于全局预测信息与个体分布来构建两层真实子代个体筛选机制；(6)设计基于局部径向基函数的局部搜索策略；(7)更新种群与关键迭代参数信息，判断是否达到收敛条件，若收敛则输出优化解，否则转至步骤(2)，直至达到收敛条件。本发明专利技术能够加快收敛速度，针对高维问题的适用性较强、灵活性较好。
【技术实现步骤摘要】
本专利技术涉及计算机，更具体地，涉及一种面向高维昂贵优化问题的代理模型辅助的并行协同方法。
技术介绍
1、实际工程优化问题通常涉及计算耗时的仿真分析，比如在车身结构优化设计中往往需要进行的多种复杂的仿真分析，每次仿真分析需要消耗几分钟至几小时的计算耗时，这将使得传统优化算法如梯度优化算法或进化算法均无法有效处理这类涉及耗时仿真分析的实际工程优化问题。为此，如何有效求解这些问题仍然是工程优化领域所面临的共性技术难点。
2、近年来，机器学习模型(也称为代理模型)辅助的进化算法可将机器学习的高精度学习能力与进化算法的全局优化能力进行有效融合，从而加快算法的整体优化速度。在这类方法中，机器学习模型如径向基函数的建模效率与预测速度均显著快于实际工程中所需要的耗时仿真分析，且这类模型可以针对新的参数输入给出准确的预测输出。因此，机器学习模型可用于筛选进化算法优化过程中所产生的大量的子代个体，确保耗时仿真分析仅用于高潜力子代个体，显著减少进化算法优化过程中所需要的耗时仿真分析次数，确保在可接受的设计周期内获得满意的可行优化解。
>3、然而，现有的机本文档来自技高网...
【技术保护点】
1.一种面向高维昂贵优化问题的代理模型辅助的并行协同方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，步骤(2)中所述的通过多目标非支配排序法确定非支配个体集合，具体包括如下步骤：
3.如权利要求1所述的方法，其特征在于，步骤(2)中所述的对所有非支配个体进行并行维度扰动变异操作，产生多个局部候选子代池，具体步骤如下：
4.如权利要求2所述的方法，其特征在于，步骤(3)中所述的基于局部径向基函数预测值与候选子代个体分布特性构建两层真实子代个体筛选机制，具体步骤如下：
5.如权利要求2所述的方法，其特征在于，步骤(4)...
【技术特征摘要】
1.一种面向高维昂贵优化问题的代理模型辅助的并行协同方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，步骤(2)中所述的通过多目标非支配排序法确定非支配个体集合，具体包括如下步骤：
3.如权利要求1所述的方法，其特征在于，步骤(2)中所述的对所有非支配个体进行并行维度扰动变异操作，产生多个局部候选子代池，具体步骤如下：
4.如权利要求2所述的方法，其特征在于，步骤(3)中所述的基于局部径向基函数预测值与候选子代个体分布特性构建两层真实子代个体筛选机制，具体步骤如下：
5.如权利要求2所述的方法，其特征在于，步骤(4)中所述的采用de/current-to-pbest/2/bin进行高潜力个体引导的协同变异，产生多个全局候选子代池，具体步骤如下：<...
【专利技术属性】
技术研发人员：杨赞，刘建胜，黄纪绘，袁彬，鲁翠媛，张坤，
申请(专利权)人：南昌大学，
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。