【技术实现步骤摘要】
本专利技术属于智能计算，尤其涉及一种基于代理模型的自适应多元优化器、构建方法及应用。
技术介绍
1、目前，随着科技技术的进步，不同学科之间的结合逐渐开始变得紧密，一些如汽车、飞机等强度问题就要涉及到材料学、固体力学、空气力学等各种学科领域。随着对于工程的要求越来越高，最起初的设计模式已经无法支撑如今的工程的高标准高要求。上世纪八十年代美国兴起了多学科设计优化(multidisciplinary design optimization,mdo)，这种方法认为在进行工程优化时应当充分考虑到不同学科的协同效应，利用多学科的高精度模型协同分析以获取全局最优解。但是这种高精度多学科设计优化中遇到了关键问题便是不同学科的模型往往由专业的计算模型通过长时间的计算获得，或是由代价高昂的物理实验得出。这种庞大的开销使得工程优化变得十分困难。针对复杂问题的参数优化问题，学者们在早期一般使用网格搜索法或是经验方法，利用试算的方法优化复杂问题模型参数，通过反复测试逐一挑选的方式对一系列参数的分类结果进行最优参数选取。这种方法最大的问题是寻找效率低下且不能保证找到最优参数组，而其他传统方法如梯度下降法也存在对初始值敏感等问题。
2、bp神经网络代理模型已经在工程计算中证明了其有效性，同时代理模型所具备的减少优化开销的特点。bp神经网络是一种多层前馈神经网络，因为其强大的非线性函数的拟合能力以及较强的泛化能力而被许多学者作为一种代理模型使用，代理模型常在工程计算中通过拟合仿真代替对原始问题的复杂运算，达到节约时间开销的效果。
3、元
4、通过上述分析，现有技术存在的问题及缺陷为：现有技术寻找效率低下且不能保证找到最优参数组，而其他传统方法如梯度下降法也存在对初始值敏感等问题。
技术实现思路
1、针对现有技术存在的问题，本专利技术提供了一种基于代理模型的自适应多元优化方法。
2、本专利技术是这样实现的，一种基于代理模型的自适应多元优化器的构建方法，所述基于代理模型的自适应多元优化器的构建方法，包括以下步骤：
3、第一步，构建基于bp神经网络构建代理模型；通过随机采样得到由采样矩阵和响应矩阵组成的样本集合，在此基础上，构建基于bp神经网络的代理模型；
4、第二步，设计基于自适应策略的多元优化器，基于代理模型构建虚拟的适应度函数，模拟真实黑箱问题的响应，以设定值与代理模型估计值的偏差最小为目标，基于11种启发式优化算法构建11种寻优方案，结合精英选择策略选择最佳方案对应的启发式算法作为最终的优化器；
5、第三步，基于自适应多元优化器求解复杂优化问题，针对复杂优化问题，构建真实的适应度函数，通过优化器的自适应构建，完成问题的求解；
6、第四步，验证所设计优化器的性能，将多元优化器在多个标准数据集上进行测试，对时间开销和优化效果进行评估，并应用于svm参数优化问题，开发基于代理模型的自适应多元优化软件。
7、进一步，所述第一步，具体包括以下步骤：
8、步骤一、优化器初始化，首先对复杂优化问题进行编码，将其转换为元启发式优化算法所需个体的形式，设置用于训练bp神经网络代理模型所需样本数m；
9、步骤二、构建输入样本，利用随机数生成器在解空间中随机生成m组由k个变量构成的m×k维的输入矩阵x，同时使用线性变换的方法对复杂问题的参数进行预处理，使参数大小映射到指定的范围中；
10、步骤三、构建输出样本，将输入矩阵x解码后带入目标函数，得到输出矩阵y，并将输入矩阵x与输出矩阵y连接构成m×(k+1)维样本矩阵；
11、步骤四、初始化bp神经网络代理模型，初始化bp神经网络代理模型的输入层、隐含层，随机生成输出层之间的连接权重w以及隐含层的阈值d；
12、步骤五、训练bp神经网络代理模型，使用随机划分的方法将m×(k+1)维样本矩阵划分为训练集和测试集，将80％的数据作为训练集、20％的数据作为测证集，并基于反向传播方法修正bp神经网络代理模型的参数，最后使用测试集对训练好的模型进行测试，以此来验证代理模型的有效性。
13、进一步，所述第二步，具体包括以下步骤：
14、步骤一、初始化优化算法，设置11种启发式优化算法，多元宇宙优化算法mvo、萤火虫优化算法fa、遗传优化算法ga、粒子群优化算法pso、蜻蜓优化算法da、蝗虫优化算法goa、正余弦优化算法sca、麻雀搜索算法ssa、鲸鱼优化算法bat、竞争粒子群优化算法cso的群体大小参数，设置算法迭代次数t；
15、步骤二、构建虚拟适应度函数，采用bp神经网络代理模型代替真实的目标函数，通过代理模型输出的模拟真实的响应过程，将代理模型的响应函数作为虚拟适应度函数；
16、步骤三、设计代理模型辅助的多元优化器，以设定值与代理模型估计值的偏差最小值为目标，在指定的迭代次数下，统计并保存11种算法的适应度结果值r。
17、进一步，所述第三步，具体包括以下步骤：以真实目标函数为适应度函数，以设定值与真实值的偏差最小为目标，基于自适应的最佳优化方案，在指定的迭代次数下，完成复杂问题的求解。
18、进一步，所述第四步，具体包括以下步骤：
19、步骤一、验证自适应策略多元优化器的精度，选择了八个来自西蒙菲沙大学数据库的三维标准测试函数，测试自适应策略多元优化器对八种测试函数的拟合程度以及模型的泛化能力；
20、步骤二、应用自适应策略多元优化器，选择数据集并进行数据集的预处理，从uci数据库中选取了四个数据集heart-scale数据集、balloon数据集、vehicle数据集、wine数据集用以验证多元优化器在svm参数优化问题上的效果，对所有数据集中的分类变量进行编码，并通过归一化处理进行范围设置；
21、步骤三、实验对比分析，对比使用十一种元启发式优化算法与使用多元优化器在svm上进行十折交叉验证的时间消耗进行对比，并对多元优化器在四中数据集上的效果同多种优化算法进行比较；
22、步骤四、开发基于代理模型的自适应多元优化软件，对软件中各个模块的功能以及界面进行设计。
23、进一步，所述第一步，构建bp代理模型步骤具体为：
24、首先是样本点的获取，使用随机数生成器生成随机参数本文档来自技高网...
【技术保护点】
1.一种基于代理模型的自适应多元优化器的构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于代理模型的自适应多元优化器的构建方法，其特征在于，所述第一步，具体包括以下步骤：
3.如权利要求1所述的基于代理模型的自适应多元优化器的构建方法，其特征在于，所述第二步，具体包括以下步骤：
4.如权利要求1所述的基于代理模型的自适应多元优化器的构建方法，其特征在于，所述第三步，具体包括以下步骤：以真实目标函数为适应度函数，以设定值与真实值的偏差最小为目标，基于自适应的最佳优化方案，在指定的迭代次数下，完成复杂问题的求解。
5.如权利要求1所述的基于代理模型的自适应多元优化器的构建方法，其特征在于，所述第四步，具体包括以下步骤：
6.如权利要求1所述的基于代理模型的自适应多元优化器的构建方法，其特征在于，所述第一步，构建BP代理模型步骤具体为：
7.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～6任意一
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～6任意一项所述基于代理模型的自适应多元优化器的构建方法。
9.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～6任意一项所述基于代理模型的自适应多元优化器的构建方法。
10.一种实施权利要求1～6任意一项所述基于代理模型的自适应多元优化器的构建方法的基于代理模型的自适应多元优化器，其特征在于，所述基于代理模型的自适应多元优化器包括：
...【技术特征摘要】
1.一种基于代理模型的自适应多元优化器的构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于代理模型的自适应多元优化器的构建方法，其特征在于，所述第一步，具体包括以下步骤：
3.如权利要求1所述的基于代理模型的自适应多元优化器的构建方法，其特征在于，所述第二步，具体包括以下步骤：
4.如权利要求1所述的基于代理模型的自适应多元优化器的构建方法，其特征在于，所述第三步，具体包括以下步骤：以真实目标函数为适应度函数，以设定值与真实值的偏差最小为目标，基于自适应的最佳优化方案，在指定的迭代次数下，完成复杂问题的求解。
5.如权利要求1所述的基于代理模型的自适应多元优化器的构建方法，其特征在于，所述第四步，具体包括以下步骤：
6.如权利要求1所述的基于代理模型的自适应多元优化器的构建方法，其特征在于，...
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。