【技术实现步骤摘要】
本专利技术属于多目标优化，特别涉及基于多方向采样的大规模多目标优化方法。
技术介绍
1、目前大规模多目标优化算法（lsmoea）都面临着提升性能与降低计算复杂度的双重挑战。定向采样策略在许多优化问题中具有良好的表现效果，但该方法存在计算资源的分配和采样方向的确立两大问题。
2、专利cn117910410a公开了大规模多目标模拟芯片电路进化优化设计方法，采用差分分组模块对决策变量进行分组，针对属于不同差分分组的决策变量采用具有不同策略的优化算法进行自适应合作协同进化。虽然在处理低维子问题更为直观和可操作，但每个子问题的局部最优解未必对应于整体问题的全局最优解，且对问题的转换会带来相应的信息丢失。专利cn118194713a公开了基于动态随机分组的大规模变量算法优化方法，采用通过构建分组向量，根据变量维度和分组数目将大规模变量进行分组，采取变量贯序更新策略更新子代，通过重置分组准则实现分组的动态调整。该方法保证了优化的高效性，但随机分组可能导致算法陷入局部最优解，忽视变量间的相关关系在一定程度上影响了优化结果的准确性。
3、综合来说，多目标优化时，采样方向会随不同的问题而变化，保证采样方向的有效性十分困难。不佳的采样方向不仅会导致解决方案的质量下降，还会造成计算资源的无效消耗。因此，采样方向的选择对于定向采样技术至关重要。对于现有的基于定向采样策略的优化算法，计算资源的分配对算法结果的呈现具有重要意义，过高或者过低的计算资源分配存在不能完全发挥定向采样操作高效性的可能，找到合适的计算资源分配关系才能够大幅提高
技术实现思路
1、针对现有技术存在的不足，本专利技术提供基于多方向采样的大规模多目标优化方法，解决大规模多目标优化问题中，通过多方向采样策略和历史存储策略，在保证计算资源分配可调的前提下，提高了定向采样操作的有效性，减少计算资源的浪费。
2、为了解决上述技术问题，本专利技术采用的技术方案是：
3、基于多方向采样的大规模多目标优化方法，包括以下步骤：
4、步骤1、定义并初始化数据：
5、定义目标函数最大计算次数，初始化最小化目标函数；初始化种群及参数，
6、步骤2、基于竞争型群智能算法优化种群，通过竞争比较更新个体，得到子代种群：
7、步骤2.1、以种群p作为父代，利用竞争型群智能算法产生子代种群q；
8、步骤3、改善子代种群：
9、步骤3.1、基于历史存储策略，通过种群多样性比较，得到历代多样性指标sp值小的一代，并放入存储池；
10、步骤3.2、取出存储种群，对该种群进行多方向采样策略，产生指导个体引导种群进化，最终得到改善后的子代种群；
11、步骤4、合并父代种群与子代种群q，然后进行环境选择，通过环境选择筛选出收敛性与多样性好的候选种群，得到下一次迭代的父代种群；
12、迭代步骤2-4，迭代结束输出父代种群。
13、进一步的，步骤1中具体分为以下详细步骤：
14、步骤1.1、定义目标函数最大计算次数maxfes，初始化计算次数指示变量fe=0；
15、步骤1.2、初始化m维均匀参考向量集w；初始化采样计数器count=0；
16、步骤1.3、初始化n个种群个体为初始种群，记作p，并计算其目标函数值；
17、步骤1.4、将种群p存储，存储池种群date=p；计算初始种群的多样性指标sp。
18、进一步的，步骤1.4中，多样性指标sp的公式如下：
19、；
20、式中，di为近似前沿中个体i到解集中与其最近的个体之间的欧氏距离，dmean为所有解的di均值。
21、进一步的，步骤2.1中，竞争型群智能算法如下：每次在种群中随机选择两个粒子，其中适应度值差的粒子根据适应度值好的粒子的位置更新其速度，即按照如下公式进行更新个体的速度和位置：
22、；
23、其中，v为个体的速度，x为个体位置，t为更新迭代的次数，xwin为竞争后取胜的个体，r1和r2为(0,1]区间内的随机数；在处理多目标问题时，个体的适应度值为归一化后各个子目标的适应度值之和。
24、进一步的，步骤3.1中，历史存储策略的具体步骤如下：
25、步骤3.1.1、当fe≥0.4*maxfes时，计算当前子代种群q的sp指标，并且给采样计数器count加1；
26、步骤3.1.2、比较种群p与种群q对应sp的值，选出sp值小的一代种群存入date中；若sp(q)> sp(p)，则date=q，否则date保持不变。
27、进一步的，步骤3.2中，当count%10==0时，从存储池date中取出种群p作为采样基础种群，对种群p采用多方向采样策略产生指导个体guidi。
28、进一步的，多方向采样策略的具体步骤如下：
29、（1）对种群进行k-means聚类，选取聚类中心以及边界解所对应的个体作为代表个体repvi ，i=1, 2,..., ns+m。选出的代表个体一共有ns+m个，其中ns为k-means聚类中心的个数，m为目标空间的维度；
30、（2）每个代表个体repvi产生三个采样方向v={vil, viu, vit }，代表个体与决策空间的下界与上界相连构成其中的两个方向，分别是vil，viu；第三方向vit依据代表个体与决策空间坐标轴的夹角来判定，取最大夹角对应坐标轴的上界点与代表个体连线为第三采样方向；
31、（3）采样方向产生之后，将沿着每个采样方向生成一组解，每个采样方向上产生nc个采样解：
32、sti={t1,t2,t3,t4,t5}；
33、sui ={u1,u2,u3,u4,u5}；
34、sli ={l1,l2,l3,l4,l5}；
35、每个代表个体对应的采样解为3*nc个，采样解的总个数为3*nc*(ns+m)将每个代表个体产生的所有采样解合并可得到采样解集sami={ sli， sui ，sti }；
36、其中，l1~l5、u1~u5及t1~t5分别是不同采样方向上的采样解，sli， sui ，sti分别是不同采样方向上的采样解集；
37、（4）对采样解集sami进行非支配排序，选取所有在第一前沿面上的采样个体作为指导个体；所有指导个体存储在guidi中，最后用于指导种群收敛。
38、与现有技术相比，本专利技术优点在于：
39、本专利技术采用了多方向采样策略和历史存储策略，多方向采样策略中第三方向的建立和以历史存储策略为主导的方法步骤，提高了采样策略的有效性。
40、针对采样操作中采样方向的有效性保证，利用第三方向的引入提高采样方向与ps相交的概率，以此产生更有潜力采样解，加快算法的收敛，并且在一定程度上避免了计算资源的浪费。...
【技术保护点】
1.基于多方向采样的大规模多目标优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多方向采样的大规模多目标优化方法，其特征在于，步骤1中具体分为以下详细步骤：
3.根据权利要求2所述的基于多方向采样的大规模多目标优化方法，其特征在于，步骤1.4中，多样性指标SP的公式如下：
4.根据权利要求1所述的基于多方向采样的大规模多目标优化方法，其特征在于，步骤2.1中，竞争型群智能算法如下：每次在种群中随机选择两个粒子，其中适应度值差的粒子根据适应度值好的粒子的位置更新其速度，即按照如下公式进行更新个体的速度和位置：
5.根据权利要求3所述的基于多方向采样的大规模多目标优化方法，其特征在于，步骤3.1中，历史存储策略的具体步骤如下：
6.根据权利要求5所述的基于多方向采样的大规模多目标优化方法，其特征在于，步骤3.2中，当count%10==0时，从存储池date中取出种群P作为采样基础种群，对种群P采用多方向采样策略产生指导个体guidI。
7.根据权利要求1或6所述的基于多方向采样的大规模多目标优
...【技术特征摘要】
1.基于多方向采样的大规模多目标优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多方向采样的大规模多目标优化方法，其特征在于，步骤1中具体分为以下详细步骤：
3.根据权利要求2所述的基于多方向采样的大规模多目标优化方法，其特征在于，步骤1.4中，多样性指标sp的公式如下：
4.根据权利要求1所述的基于多方向采样的大规模多目标优化方法，其特征在于，步骤2.1中，竞争型群智能算法如下：每次在种群中随机选择两个粒子，其中适应度值差的粒子根据适应度值好的粒子的位置更新其速...
【专利技术属性】
技术研发人员：范锐，张伟豪，吴昊天，陈凯明，辛丽平，邓兆鹏，
申请(专利权)人：青岛理工大学，
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。