CN109740221A - 一种基于搜索树的智能工业设计算法 - Google Patents

Abstract

一种基于搜索树的智能工业设计算法，包括前处理、设计学习和设计应用三个部分，通过以下几个步骤实现：步骤A：所述前处理用于确定工业设计中依赖的设计目标、参数变量及其取值范围；步骤B：所述设计学习包括自主抽样、学习数据转换和神经网络训练强化三个子部分；步骤C：设计应用，当新的神经网络满足强化终止条件，保留并输出当前训练的神经网络模型结构，并用于实际设计过程。与传统方法相比，本发明的有益效果是：通过神经网络学习搜索树结构，引入模糊进而增加探索能力；强化过程中搜索树的更新与神经网络的学习的组合方式，使得学习过程的收敛性得到约束；使得智能工业设计的目标能够实现，即算法可以指导机器学习进行更好的设计过程。

Description

一种基于搜索树的智能工业设计算法

技术领域

本发明涉及一种智能工业设计算法，尤其涉及一种基于搜索树的智能工业设计算法。

背景技术

智能工业设计的根本目标是通过训练机器学习具体领域的设计经验,进而可以通过机器快速地设计满足具体需求的工业产品,用于提高人工设计的效率,可以代替部分人工工作;此外,还可以通过学习机制探索未知的设计方案,拓展原有的有限的设计经验;智能工业设计的基础是通过一系列计算机辅助建模.计算机辅助仿真,样本数据积累,学习数据生成,学习模型建立,模型训练等过程,实现机器关于具体设计的认知,如可以判断具体某个设计的优劣,自动实现满足需要的设计方案等;智能工业设计可以与人工设计互补,提高设计的效率与设计的效果,探索更优的设计方案;机器学习设计的过程和人为学习设计的过程是相似的,可以概括为对设计参数与设计目标的关系的认知,对设计参数与设计约束的关系的认知,通过对大量的有效数据(实验积累或者计算机辅助建模所得)的学习,机器也可以对具体问题形成如上总结的认知,进而用于实际的设计过程；

由于探索空间较大，设计参数的组合情形较多,如何设计对具体状态的有效评估是一个较难处理的问题；以及处理如何获得一个由设计参数到目标的关系的描述，这个描述准确且适用性更广泛的问题，由于具体的问题普遍比较复杂,这些都是传统方法中存在的不足之处。

发明内容

为了解决上述所存在的问题，本发明提供了一种基于搜索树的智能工业设计算法，本发明通过神经网络学习搜索树结构和强化过程中搜索树的更新与神经网络的学习的组合方式使得智能工业设计的目标能够实现。

一种基于搜索树的智能工业设计算法，通过以下几个步骤实现：

步骤A：所述前处理用于确定工业设计中依赖的设计目标、参数变量及其取值范围；以设计目标为指标进行分类作为搜索树的根节点，以具体参数变量作为搜索树各层的节点，Li为对应一个节点值，所述节点值用于表征对应分支的评估值V，确定由设计变量计算目标值的计算流程PROC，确定神经网络的结构；

步骤B：在初始化神经网络后，所述设计学习包括自主抽样、学习数据转换和神经网络训练强化三个子部分；

当设计问题确定后，通过构建神经网络对矩阵X和矩阵Y建立映射，所述神经网络用于模糊地记录搜索树的信息，利用训练过的神经网络代替搜索树进行自主抽样，并添加至原始样本集S0中，形成新的样本集；

通过新的样本集更新搜索树，学习新的搜索树结构，形成新的神经网络；

若新的神经网络未能满足强化终止条件，则新的神经网络仍需强化训练，即进行不断地自主抽样，更新搜索树并重建神经网络直至当前神经网络满足强化终止条件；

步骤C：设计应用，若当前神经网络满足强化终止条件，保留并输出当前训练的神经网络模型结构，并用于实际设计过程。

在上述方案中，在步骤B中，所述矩阵X用于表征搜索树对应的各个子状态。

在上述方案中，在步骤B中，所述矩阵Y用于表征所述节点值的评估值，对应的设计参数的数目可以确定，那么总有一个结构固定的矩阵X表征搜索树对应的各个子状态，以及矩阵Y记录，通过构建神经网络对X与Y建立映射，那么神经网络将模糊地记录搜索树的信息，通过神经网络学习搜索树结构，引入模糊进而增加探索能力。

在上述方案中，在步骤A中，所述节点值的计算公式为：

；

其中，设计对应的评估值来自主抽样过程获得的对设计的评估值；通过上述计算公式，可以确保子状态估值的合理性；

在上述方案中，所述用于决定向着优选设计方向构建搜索树，所述自主抽样的样本将不断改进；由于的表达式决定了搜索树的构建向着优选设计的方向进行，对应自主抽样的样本这里会不断改进，同时更新后的搜索树结构也会改善质量，在样本集不断丰富的基础上，神经网络学习的搜索树的质量本身也在不断地提高，因此训练的神经网络的准确度逐渐提高，指导性增强，算法向目标收敛的方向进行，因而算法同时保证了收敛约束和探索空间的能力，初始阶段的神经网络的模糊性平衡了搜索树本身的贪婪性的弊端，保留了贪婪性对提高算法效率的优势。

在上述方案中，在步骤B中，所述自主抽样是指当初始化完成的神经网络，算法自动向神经网络传入一组随机的首个设计变量{ DP₀ ⁱ }，会返回一组期望的最优设计与目标值的元组{ (DPⁱ , OBJⁱ)}，根据最大值优先的筛选方式，从中选择一组目标值较高的设计变量子集，经过PROC获得对应的目标值后添加到原始样本集S0。

在上述方案中，在步骤B中，所述学习数据转换具体的转换机制包括两个核心步骤，首先将样本集中的每个元素中的DPⁱ分解为n个形如(V^m(DP₁), Vⁿ(DP₂),…)的有序结构，其次，对于同型的结构，仅保留对应OBJⁱ最大的结构于LS集合，即当Tⁱ为子叶时，f(OBJⁱ) =OBJⁱ，否则f(OBJⁱ) = max(OBJⁱ)。

在上述方案中，在步骤B中，所述神经网络训练强化是指根据更新过的LS集合作为新的神经网络的训练强化数据，生成新的神经网络，即新的学习数据下的网络参数集合。

上述方案中，在步骤B中，所述强化终止条件包括到达最大计算规模和到达收敛值。

与传统方法相比，本发明的有益效果是：本发明中搜索树结构由具体生成的样本集构建，为了使得表征的准确，在强化过程需要不断根据旧的搜索树结构添加新的样本集，进而使得指导性增强；通过使用神经网络学习当前搜索树的结构，代替原始的搜索树，由于神经网络必然存在精度上的误差，因此引入了一定的模糊性，确保可探索空间的增加，由于反复的强化过程，搜索树的指导性不断提高，神经网络的训练精度也因为学习数据的积累提高，使得学习过程的收敛性得到约束，避免了传统方法中难以评估和难以描述的问题，使得智能工业设计的目标能够实现。

说明书附图

图1 为工业设计过程的流程图。

图2为一种基于搜索树的智能工业设计算法中搜索树结构数选择方式对应图。

图3为一种基于搜索树的智能工业设计算法中训练强化算法流程图。

图4为一种基于搜索树的智能工业设计算法的示意图。

图5为一种基于搜索树的智能工业设计算法中的参数变化范围图表。

具体实施方法

下面结合附图，对本发明的具体实施方式作详细说明。

如图1--4所示，一种基于搜索树的智能工业设计算法，包括前处理、设计学习和设计应用三个部分，通过以下几个步骤实现：

步骤A：所述前处理用于确定工业设计中依赖的设计目标、参数变量及其取值范围；以设计目标为指标进行分类作为搜索树的根节点，以具体参数变量作为搜索树各层的节点，Li为对应一个节点值，所述节点值用于表征对应分支的评估值V，确定由设计变量计算目标值的计算流程PROC，确定神经网络的结构；

所述前处理过程具体为：首先将一类设计对应依赖的几何变量，物理变量自然组成一个参数集合PS，根据问题的背景，从参数集合选择设计人员关注的变量，组成设计变量集合DP（DP属于PS），DP的元素DP_i为DP中的元素，每个DP_i都有对应的人为设定的取值范围，等价于DP_i有一个取值集合，约定V^j(DP_i)表征第i个设计变量的第j个取值，那么一组样本DP^j等于{ Vⁿ(DP₁), V^m(DP₂),…, V^k(DP_n)}；再者，确定设计的目标对象OBJ；另外设计人员需要为算法提供一个明确的计算流程，这个计算流程满足类型要求PROC: DP -> OBJ；PROC可以是一个显式函数，或者某个仿真计算流程，用于由某组设计变量DPⁱ计算对应的目标值OBJⁱ。最后，在前处理阶段，设计人员需要提供算法依赖的神经网络的结构，包括隐藏层层数，各个隐藏层的单元数，各个隐藏层的活函数；

步骤B：在初始化神经网络后，所述设计学习包括自主抽样、学习数据转换和神经网络训练强化三个子部分；

初始化神经网络的流程为，通过随机抽样的方式，获得一组规模为N的{(DPⁱ，OBJⁱ)}样本空间S0，学习数据转化机制将S0转化为搜索树结构的数据集合LS: {(Tⁱ, f(OBJⁱ))}，其中Tⁱ的结构为(V^m(DP₁), Vⁿ(DP₂),…)的有序结构（树分支），有序结构的尺寸l显然满足(1<=l <= n)；同时显然，LS的规模大于原始样本S0的规模；然后通过LS集合训练神经网络，完成初始化；当神经网络完成初始化后，认为神经网络具备不成熟的设计能力，这时将反复执行自主抽样，学习数据转换，神经网络训练等子环节；

当设计问题确定后，通过构建神经网络对矩阵X和矩阵Y建立映射，所述神经网络用于模糊地记录搜索树的信息，利用训练过的神经网络代替搜索树进行自主抽样，并添加至原始样本集S0中，形成新的样本集合；

自主抽样具体为：算法自动向神经网络传入一组随机的首个设计变量{ DP₀ ⁱ }，会返回一组期望的最优设计与目标值的元组{ (DPⁱ , OBJⁱ)}，根据最大值优先的筛选方式，从中选择一组目标值较高的设计变量子集，经过PROC获得对应的目标值后添加到原始样本集S0，完成自主抽样步骤；显然随着学习过程的继续，神经网络获得的伪目标值的大小将和PROC获得的目标值的大小充分的接近，这时自主抽样对应的设计将越接近设计需求；

通过新的样本集构建搜索树，学习新的搜索树结构；在每次扩充样本集S0之后，需要转化为用于表征搜索树结构的数据集合，搜索树结构用于将样本数据，根据设计变量的结构，自动分类为较好的设计，与较差的设计；执行过程与将S0转化为搜索树结构的数据集合LS:{(Tⁱ, f(OBJⁱ))}的过程一致；具体的转换机制包括两个核心步骤，首先将S0中的每个元素中的DPⁱ分解为n个形如(V^m(DP₁), Vⁿ(DP₂),…)的有序结构，其次，对于同型的结构，仅保留对应OBJⁱ最大的结构于LS集合，即当Tⁱ为子叶时，f(OBJⁱ) = OBJⁱ，否则f(OBJⁱ) = max(OBJⁱ)。

若新的神经网络未能满足强化终止条件，则新的神经网络仍需强化训练，即进行不断地自主抽样，更新搜索树并重建神经网络直至当前神经网络满足强化终止条件；

步骤C：设计应用，若当前神经网络满足强化终止条件，保留并输出当前训练的神经网络模型结构，并用于实际设计过程。

在步骤A中，所述节点值的计算公式为：

。

所述用于决定向着优选设计方向构建搜索树，所述自主抽样的样本将不断改进。

在步骤B中，所述矩阵X用于表征搜索树对应的各个子状态。

在步骤B中，所述矩阵Y用于表征所述节点值的评估值。

在步骤B中，所述自主抽样是指当初始化完成的神经网络，算法自动向神经网络传入一组随机的首个设计变量{ DP₀ ⁱ }，会返回一组期望的最优设计与目标值的元组{ (DPⁱ, OBJⁱ)}，根据最大值优先的筛选方式，从中选择一组目标值较高的设计变量子集，经过PROC获得对应的目标值后添加到原始样本集S0。

在步骤B中，所述学习数据转换具体的转换机制包括两个核心步骤，首先将样本集中的每个元素中的DPⁱ分解为n个形如(V^m(DP₁), Vⁿ(DP₂),…)的有序结构，其次，对于同型的结构，仅保留对应OBJⁱ最大的结构于LS集合，即当Tⁱ为子叶时，f(OBJⁱ) = OBJⁱ，否则f(OBJⁱ)= max(OBJⁱ)。

在步骤B中，所述神经网络训练强化是指根据更新过的LS集合作为新的神经网络的训练强化数据，生成新的神经网络，即新的学习数据下的网络参数集合。

以泵设计的具体问题为例：

首先取泵设计的扬程为指标，对扬程范围进行离散，对诸如叶轮进出口直径，安放角等几何元素进行离散；

设计师罗列出可能的变化参数，并估计各个的变化范围，如图5所示。

其次，根据几何元素的选取进行参数化几何建模，并对几何的效率和扬程进行计算评估；

具体为：

A1:选定设计变量集合DP，

DP = { H, b2, beta2, Beta11, Beta12, Beta13, D2, Dh, Dj, H1, H2, R1, R2,R_LE, T1, T2, TD2, Theta, L1 }，其中H为泵的扬程参数，其他变量为泵的几何参数；

A2: 为每个设计变量选定取值集合，比如：

H = { 50, 60, 70, 80, …, 900 }；

T2 = { -0.05, 0, 0.05 }；

TD2 = { -0.05, 0, 0.05 }等等；

A3: 选定设计目标OBJ，

OBJ为泵的效率；

再根据参数化建模和评估流程进行初步的样本生成；通过s2分析工具，对具体的几何模型进行评估；

A4: 确定PROC：DP -> OBJ；PROC为将一组DP的取值如（50, 3.56, 26, …, 68.1,64.0）传递给参数化建模软件，生成流道对应的几何，然后利用S2理论，基于生成的几何计算它的效率值；

根据当前的样本构造搜索树并对搜索树的结构，通过神经网络建立映射关系；

A5:确定神经网络的结构，比如隐藏层数为10， 各层的单元数和活函数为{(100,relu), (90, relu), (80, relu), …, (5, relu)}；

根据创建的神经网络，进行自主设计，即添加新的样本到原样本集，使用新的样本集更新搜索树，并重新训练神经网络，指导新的设计直到达到强化学习结束条件；

B1.1:通过随机抽样的方式生成初始样本库,

S0 = { (80, 32.0, 25.92, …, 64.8) -> 0.86, (100, 36.0, 25.99, …, 71.0)-> 0.932, …, (120, 40.0, 25.91, …, 70.0) -> 0.526 }

B1.2:通过学习数据转化关系，生成学习数据LS集合,

约定Eij表征第i个设计变量在其取值集合中的第j个取值；

LS = { {Eij} -> f(OBJ) };

B1.3: 构建的神经网络通过LS进行初始化；

B2:通过算法随机产生一组首个设计变量集合，通过神经网络获得各个设计的预期的最优设计与目标值的元组的集合，依照最大值优先的方式排序，然后选择目标值较高的一组设计变量，经过PROC后获得实际的对应的目标值，然后将新生成的一组样本添加到S0集合；

B3:对当前更新的S0，通过学习数据转化算法，将S0转化为新的LS集合，其中LS = {{Eij} -> f(OBJ) }

B4:通过当前更新的LS集合，训练神经网络，当满足强化学习终止条件时，保存并输出神经网络的结构以及训练后的参数信息；否则，依次执行B2, B3, B4步骤；

C:通过B环节获得神经网络结构与参数信息，通过首个设计变量的输入，快速生成最优设计对应的设计参数DP；

当达到强化学习终止条件后，保留并输出当前训练的神经网络模型结构，并用于实际设计过程。

在本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (8)

1.一种基于搜索树的智能工业设计算法，其特征在于，包括前处理、设计学习和设计应用三个部分，通过以下几个步骤实现：

步骤A：所述前处理用于确定工业设计中依赖的设计目标、参数变量及其取值范围；以设计目标为指标进行分类作为搜索树的根节点，以具体参数变量作为搜索树各层的节点，Li为对应一个节点值，所述节点值用于表征对应分支的评估值V，确定由设计变量计算目标值的计算流程PROC，确定神经网络的结构；

步骤B：在初始化神经网络后，所述设计学习包括自主抽样、学习数据转换和神经网络训练强化三个子部分；

当设计问题确定后，通过构建神经网络对矩阵X和矩阵Y建立映射，所述神经网络用于模糊地记录搜索树的信息，利用训练过的神经网络代替搜索树进行自主抽样，并添加至原始样本集S0中，形成新的样本集；

通过新的样本集更新搜索树，学习新的搜索树结构，形成新的神经网络；

若新的神经网络未能满足强化终止条件，则新的神经网络仍需强化训练，即进行不断地自主抽样，更新搜索树并重建神经网络直至当前神经网络满足强化终止条件；

步骤C：设计应用，若当前神经网络满足强化终止条件，保留并输出当前训练的神经网络模型结构，并用于实际设计过程。

2.根据权利要求1中所述的一种基于搜索树的智能工业设计算法，其特征在于，

所述评估值V用于决定向着优选设计方向构建搜索树，所述自主抽样的样本将不断改进。

3.根据权利要求1中所述的一种基于搜索树的智能工业设计算法，其特征在于，在步骤B中，所述矩阵X用于表征搜索树对应的各个子状态。

4.根据权利要求1中所述的一种基于搜索树的智能工业设计算法，其特征在于，在步骤B中，所述矩阵Y用于表征所述节点值的评估值。

5.根据权利要求1中所述的一种基于搜索树的智能工业设计算法，其特征在于，在步骤B中，所述自主抽样是指当初始化完成的神经网络，算法自动向神经网络传入一组随机的首个设计变量{ DP₀ ⁱ }，会返回一组期望的最优设计与目标值的元组{ (DPⁱ , OBJⁱ)}，根据最大值优先的筛选方式，从中选择一组目标值较高的设计变量子集，经过PROC获得对应的目标值后添加到原始样本集S0。

6.根据权利要求1中所述的一种基于搜索树的智能工业设计算法，其特征在于，在步骤B中，所述学习数据转换具体的转换机制包括两个核心步骤，首先将样本集中的每个元素中的DPⁱ分解为n个形如(V^m(DP₁), Vⁿ(DP₂),…)的有序结构，其次，对于同型的结构，仅保留对应OBJⁱ最大的结构于LS集合，即当Tⁱ为子叶时，f(OBJⁱ) = OBJⁱ，否则f(OBJⁱ) = max(OBJⁱ)。

7.根据权利要求1中所述的一种基于搜索树的智能工业设计算法，其特征在于，在步骤B中，所述神经网络训练强化是指根据更新过的LS集合作为新的神经网络的训练强化数据，生成新的神经网络，即新的学习数据下的网络参数集合。

8.根据权利要求1中所述的一种基于搜索树的智能工业设计算法，其特征在于，在步骤B中，所述强化终止条件包括到达最大计算规模和到达收敛值。