CN112528556A - 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 - Google Patents

一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 Download PDF

Info

Publication number
CN112528556A
CN112528556A CN202011374732.9A CN202011374732A CN112528556A CN 112528556 A CN112528556 A CN 112528556A CN 202011374732 A CN202011374732 A CN 202011374732A CN 112528556 A CN112528556 A CN 112528556A
Authority
CN
China
Prior art keywords
model
individual
candidate
fitness
population
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011374732.9A
Other languages
English (en)
Other versions
CN112528556B (zh
Inventor
胡晓敏
苏文伟
李敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202011374732.9A priority Critical patent/CN112528556B/zh
Publication of CN112528556A publication Critical patent/CN112528556A/zh
Application granted granted Critical
Publication of CN112528556B publication Critical patent/CN112528556B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2115/00—Details relating to the type of the circuit
    • G06F2115/04—Micro electro-mechanical systems [MEMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，根据MEMS的设计变量的控制范围，对种群进行初始化；接着根据选择规则从候选集中选择适量的样本作为训练集来训练集成模型；然后使用社会学习粒子群优化算法对种群进行演化，再由集成模型给出每个个体的适应度预测值；最后使用SMIC加点准则对模型进行管理，其中选择合适的个体进行真实适应度评估；在每次迭代中，都会从候选集缓存中去寻找最优位置，当迭代终止时，最后保存下来的最优个体的位置进而作为MEMS设计中的最优变量组合。本发明不仅可以得到高质量的设计解决方案，还能降低因拟合不佳的代理模型带来的风险，适用于不同类型的MEMS优化问题。

Description

一种基于集成模型辅助社会学习粒子群算法的微机电系统设 计优化方法
技术领域
本发明涉及微机电系统设计优化的技术领域，尤其涉及到一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法。
背景技术
微机电系统(Micro-Electro-Mechanical System,MEMS)是集微执行器、微传感器、信号处理和控制电路、通信、接口等一体的微型器件。MEMS在医疗、工业、汽车和航空等领域上有着广泛的应用前景，这对促进国民经济增长以及提高军事能力起着重要的作用，因此，对MEMS的形状进行优化设计是必不可少的且具有很大的现实意义。
目前MEMS的形状优化方法有两种：第一种是使用设计专业知识进行局部优化，先提供初始设计，再缩小搜索范围并根据灵敏度来减少设计变量的数量，最后使用数值模拟来优化局部结构；第二种是利用进化算法进行全局优化，由于进化算法具有全局搜索能力、收敛速度快以及在MEMS优化中无需进行初始设计等优点，其在MEMS的优化中得到了广泛的关注。国内外对MEMS的优化设计方法研究较少,主要集中为遗传算法、差分进化算法等自然模拟算法，但这些优化算法对MEMS的优化中存在着高效率和高性能的瓶颈。另外，要让MEMS得到更好的优化，则需要花费计算昂贵的数值模拟或计算昂贵的真实适应度评估成本，应用是不可能的。
发明内容
本发明的目的在于克服现有技术的不足，将在线代理模型辅助的进化算法(Surrogate assisted Evolution algorithm,SAEA)引入到MEMS的形状优化中，提供一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法。
目前用于优化MEMS的形状的SAEA都偏向于使用单个代理模型，但实际上是没有一种特定类型的代理模型能够很好地解决所有问题。而本发明设计好的集成模型辅助社会学习粒子群算法不仅可以得到高质量的设计解决方案，还能降低因拟合不佳的代理模型带来的风险，因此本发明的算法能适用于不同类型的MEMS优化问题。
为实现上述目的，本发明所提供的技术方案为：
一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，包括以下步骤：
S1、根据设计空间的范围使用Latinhypercube采样方法初始化整个种群，并对整个种群的个体进行真实的适应度评估，给予它们真实适应度值；初始化后的个体以及其适应度值保存在一个缓存中，形成初始候选集DB；
S2、判断候选集DB中的样本是否大于或等于所构建候选集A的样本数N，若不满足大于或等于的判断条件，则用社会学习粒子群优化算法来进化种群，接着对种群进行真实适应度评估，然后把进化后的种群加入到候选集DB中，直到候选集DB中的样本总数大于N为止；否则跳转到S3；
S3、从候选集DB中选择N个样本构建候选集A；
S4、采用步骤S3构建的候选集A来训练各代理模型，并通过组合策略集成各代理模型，从而形成一个强大的集成模型；
S5、使用社会学习粒子群优化算法对整个种群进行更新；
S6、使用集成模型预测出新种群中每个个体的适应度值；
S7、采用SMIC加点准则来管理集成模型，选取合适的个体进行真实适应度评估；对于整个种群的最优潜在个体，如果尚未在SMIC加点准则中得到真实适应度评估，则将会被进行真实适应度评估；
S8、若真实适应度评估次数达到算法设定的真实适应度评估次数的最大值，则算法结束，否则，更新候选集DB并跳转到S2继续运行；
S9、当迭代结束后，从候选集DB中选出最优个体来作为MEMS的最优变量设计组合。
进一步地，所述步骤S4中，采用GP模型和RBF模型作为单个代理模型，并使用在线加权平均法对GP模型和RBF模型进行集合。
进一步地，使用在线加权平均法给予GP模型和RBF模型不同的权重，从而得出一个强大的集成模型；
权重计算公式如下所示：
Figure BDA0002807890510000031
上式中，εi为第i个代理模型的预测误差度量，wj为第j个代理模型的权重值；采用均方根误差值RMSE作为代理模型的预测误差度量值；
每个代理模型的RMSE由以下公式来计算：
Figure BDA0002807890510000032
上式中，RMSE用符号ε表示，则第j个代理模型的RMSE值，y(xi)为样本xi的真实适应度值，
Figure BDA0002807890510000033
为第j个代理模型对样本xi的预测适应度值，N为代理模型的训练样本个数。
进一步地，上述步骤S5中，粒子的更新方式如下所示：
Figure BDA0002807890510000034
上式中，i为整个群体中的第i个个体，1≤i≤m，m代表整个种群的实际大小，j为个体i的第j个维度，1≤j≤D，D为搜索空间的维度；xij(t)表示为第t子代中粒子i的第j维的行为向量，xij(t+1)则表示为第t+1子代中粒子i的第j维的行为向量；Δxij(t+1)表示为矫正因子；Pi L为每个粒子i向优秀个体学习的最大限定概率，而pi(t)为个体i在第t代的向优秀个体学习的概率；另外，Δxij(t+1)的计算方式如下所示:
Δxij(t+1)＝r1(t)Δxij(t)+r2(t)·Iij(t)+r3(t)·φ·Cij(t)；
其中，
Figure BDA0002807890510000041
上式Δxij(t+1)由三部分组成：惯性部分、向随机个体学习部分和向社会全部个体学习部分；在第二部分中，Iij(t)表示在第t代中个体i向适应度好的随机个体k(k∈[1,2,...,i-1])学习后的行为向量；在第三部分中，Cij(t)表示在第t代中个体i向种群中所有个体学习后的行为向量，
Figure BDA0002807890510000042
表示整体种群在第j维的平均行为水平，ф为社会影响因子，用于控制群体水平的平均行为；r1(t),r2(t),r3(t)为[0,1]区间内的独立随机数。
进一步地，所述步骤S6使用集成模型预测出新种群中每个个体的适应度值的计算公式如下：
Figure BDA0002807890510000043
Figure BDA0002807890510000044
上式中，
Figure BDA0002807890510000045
为集成模型最终的预测适应度值，
Figure BDA0002807890510000046
为第j个代理模型对新样本x*的预测适应度值，wj为第j个代理模型的权重，K为代理模型的个数。
进一步地，所述步骤S7中，采用SMIC加点准则来管理集成模型，选取合适的个体进行真实适应度评估的具体过程如下：
首先计算整个种群的邻域半径Ri，为候选解划分其邻域范围U(xi,Ri)＝[xi-Ri,xi+Ri]，让候选解i从候选集A中选出自己的近邻样本，具体的邻域计算方法如下所示：
Rij＝ρ|cxjmax-cxjmin|；
上式中，ρ为收敛因子；cxjmax和cxjmin分别为候选解i的第j维上的上限取值和下限取值，其两者由下式计算得出：
Figure BDA0002807890510000051
接着根据每个候选解i的邻域范围，从候选集A中为每个候选解i找出其对应的近邻个体，从而让其近邻个体组成对应的近邻集；
然后计算每个候选解i的局部粗糙度δi；每个候选解i都有属于自己的局部粗糙度δi，具体计算公式如下所示：
Figure BDA0002807890510000052
上式中，xk代表候选解i的近邻集合的个体，而xev代表候选集A的缓存中的个体，f(xk)和f(xev)分别代表它们各自的适应度值；
最后分别计算每个候选解i与其每个近邻个体的相似度，并从候选解i对应的全部相似度中选出最大相似度来作为候选解i与其近邻集的相似度；候选解i与其每个近邻个体的相似度具体计算公式如下所示：
Figure BDA0002807890510000053
上式中，
Figure BDA0002807890510000054
表示候选解i与其近邻个体k的相似度
Figure BDA0002807890510000055
在第j维上的相似度，计算公式如下：
Figure BDA0002807890510000061
上式中，γj为第j维上的指标参数，通过以下公式进行计算：
Figure BDA0002807890510000062
上式中，η为收敛因子；
在SMIC加点准则中，通过高斯相似度度量计算出候选解i与其近邻个体的相似度后，还需要选择合适的候选解进行真实适应度评估，选择步骤可以归纳为如下：
A.计算出候选解i与近邻集合Xik＝{xk,f(xk),k＝1,...,r}的最大相似度smax；
B.把整个种群中所有候选解根据最大相似度划分为两个集合：若最大相似度为0，则划分为SP1子集，否则划分为SP2子集；当Xik为空集或当候选解i与非空集合Xik＝{xk,f(xk),k＝1,...,r}中任一个体相似度小时，候选解i的最大相似度为0；
C.从SP1子集中选择适应度最优的个体进行真实适应度评估；
D.从SP2子集中选择适度度最优的个体以及相似度最小的个体进行真实适应度评估。
与现有技术相比，本方案原理及优点如下：
1.相比于标准的粒子群优化算法存在高维度问题上容易早熟等缺陷问题，本方案通过使用社会学习粒子群优化算法来作为优化器，在社会学习粒子群优化算法中，每个粒子(最好的粒子除外)可以在群体中向任意比自身适应度好的优秀粒子学习从而产生新一代种群，这有利于提高算法开发和探索的能力，促进种群多样性。
2.使用集成模型来辅助社会学习粒子群算法去优化MEMS形状设计，不仅有利于全局优化MEMS形状，还有利于减少昂贵的计算成本和时间。同时，通过在线平均法来组合单个代理模型形成一个强大的集成模型，这有利于针对不同情景下的MEMS设计优化问题，合理地为各代理模型分配合适的权重来作出决策。
3.设计构建在线SAEA方法，首先建立一个非常粗糙的集成模型，并在每次迭代中使用仿真来探索设计空间同时改进代理模型的性能。在训练集成模型中，从数据库中选取最新的N个进行了真实评估的样本来训练单个代理模型，这样有利于改善训练样本的位置，保证模型的训练样本的质量。通过使用与待预测样本附近的样本来训练集成模型，有利于提高集成模型对待预测样本的预测精度，从而保证了模型的性能。
4.设计SMIC加点准则来管理集成模型，提高模型的预测精度。在SMIC加点准则中，同时考虑到不确定性和性能的标准，先通过候选解与近邻集合的相似度划分成两个集合，再选取最优个体和不确定性最大的个体进行真实的适应度评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法的原理流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本发明实施例所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，包括以下步骤：
S1、根据设计空间的范围使用Latinhypercube采样方法初始化整个种群，并对整个种群的个体进行真实的适应度评估，给予它们真实适应度值；初始化后的个体以及其适应度值保存在一个缓存中，形成初始候选集DB；
S2、判断候选集DB中的样本是否大于或等于所构建候选集A的样本数N，若不满足大于或等于的判断条件，则用社会学习粒子群优化算法来进化种群，接着对种群进行真实适应度评估，然后把进化后的种群加入到候选集DB中，直到候选集DB中的样本总数大于N为止；否则跳转到S3；
S3、从候选集DB中选择N个样本构建候选集A；
S4、利用候选集A中的样本分别用来训练GP模型和RBF模型(在每一次迭代中，候选集A都会被重新构建，同时代理模型都会被重新构建)；
使用在线加权平均法给予GP模型和RBF模型不同的权重，从而集成出一个强大的模型；权重计算公式如下所示：
Figure BDA0002807890510000081
上式中，εi为第i个代理模型的预测误差度量，wj为第j个代理模型的权重值；采用均方根误差值RMSE作为代理模型的预测误差度量值；
每个代理模型的RMSE由以下公式来计算：
Figure BDA0002807890510000082
上式中，RMSE用符号ε表示，则第j个代理模型的RMSE值，y(xi)为样本xi的真实适应度值，
Figure BDA0002807890510000083
为第j个代理模型对样本xi的预测适应度值，N为代理模型的训练样本个数；
S5、使用社会学习粒子群优化算法对整个种群进行更新，粒子的更新方式如下所示：
Figure BDA0002807890510000084
上式中，i为整个群体中的第i个个体，1≤i≤m，m代表整个种群的实际大小，j为个体i的第j个维度，1≤j≤D，D为搜索空间的维度；xij(t)表示为第t子代中粒子i的第j维的行为向量，xij(t+1)则表示为第t+1子代中粒子i的第j维的行为向量；Δxij(t+1)表示为矫正因子；Pi L为每个粒子i向优秀个体学习的最大限定概率，而pi(t)为个体i在第t代的向优秀个体学习的概率；另外，Δxij(t+1)的计算方式如下所示：
Δxij(t+1)＝r1(t)·Δxij(t)+r2(t)·Iij(t)+r3(t)·φ·Cij(t)；
其中，
Figure BDA0002807890510000091
上式Δxij(t+1)由三部分组成：惯性部分、向随机个体学习部分和向社会全部个体学习部分；在第二部分中，Iij(t)表示在第t代中个体i向适应度好的随机个体k(k∈[1,2,...,i-1])学习后的行为向量；在第三部分中，Cij(t)表示在第t代中个体i向种群中所有个体学习后的行为向量，
Figure BDA0002807890510000092
表示整体种群在第j维的平均行为水平，ф为社会影响因子，用于控制群体水平的平均行为；r1(t),r2(t),r3(t)为[0,1]区间内的独立随机数；
S6、使用集成模型预测出新种群中每个个体的适应度值，公式如下：
Figure BDA0002807890510000093
Figure BDA0002807890510000094
上式中，
Figure BDA0002807890510000095
为集成模型最终的预测适应度值，
Figure BDA0002807890510000096
为第j个代理模型对新样本x*的预测适应度值，wj为第j个代理模型的权重，K为代理模型的个数；
S7、采用SMIC加点准则来管理集成模型，选取合适的个体进行真实适应度评估：
首先计算整个种群的邻域半径Ri，为候选解划分其邻域范围U(xi,Ri)＝[xi-Ri,xi+Ri]，让候选解i从候选集A中选出自己的近邻样本，具体的邻域计算方法如下所示：
Rij＝ρ|cxjmax-cxjmin|；
上式中，ρ为收敛因子；cxjmax和cxjmin分别为候选解i的第j维上的上限取值和下限取值，其两者由下式计算得出：
Figure BDA0002807890510000101
接着根据每个候选解i的邻域范围，从候选集A中为每个候选解i找出其对应的近邻个体，从而让其近邻个体组成对应的近邻集；
然后计算每个候选解i的局部粗糙度δi；每个候选解i都有属于自己的局部粗糙度δi，具体计算公式如下所示：
Figure BDA0002807890510000102
上式中，xk代表候选解i的近邻集合的个体，而xev代表候选集A的缓存中的个体，f(xk)和f(xev)分别代表它们各自的适应度值；
最后分别计算每个候选解i与其每个近邻个体的相似度，并从候选解i对应的全部相似度中选出最大相似度来作为候选解i与其近邻集的相似度；候选解i与其每个近邻个体的相似度具体计算公式如下所示：
Figure BDA0002807890510000103
上式中，
Figure BDA0002807890510000104
表示候选解i与其近邻个体k的相似度
Figure BDA0002807890510000105
在第j维上的相似度，计算公式如下：
Figure BDA0002807890510000111
上式中，γj为第j维上的指标参数，通过以下公式进行计算：
Figure BDA0002807890510000112
上式中，η为收敛因子；
在SMIC加点准则中，通过高斯相似度度量计算出候选解i与其近邻个体的相似度后，还需要选择合适的候选解进行真实适应度评估，选择步骤可以归纳为如下：
A.计算出候选解i与近邻集合Xik＝{xk,f(xk),k＝1,...,r}的最大相似度smax；
B.把整个种群中所有候选解根据最大相似度划分为两个集合：若最大相似度为0，则划分为SP1子集，否则划分为SP2子集；当Xik为空集或当候选解i与非空集合Xik＝{xk,f(xk),k＝1,...,r}中任一个体相似度小时，候选解i的最大相似度为0；
C.从SP1子集中选择适应度最优的个体进行真实适应度评估；
D.从SP2子集中选择适度度最优的个体以及相似度最小的个体进行真实适应度评估；
对于整个种群的最优潜在个体，如果尚未在SMIC加点准则中得到真实适应度评估，则将会被进行真实适应度评估；
S8、若真实适应度评估次数达到算法设定的真实适应度评估次数的最大值，则算法结束，否则，更新候选集DB并跳转到S2继续运行；
S9、当迭代结束后，从候选集DB中选出最优个体来作为MEMS的最优变量设计组合。
为了体现本发明提出的集成模型辅助社会粒子群算法的优越性，下面采用cec2005测试函数集中6个常用测试函数作为例子：Ellipsoid function、Rosenbrockfunction、Ackley function、Griewank function、Shifted Rotated Rastrigin function和Rotated Hybrid Composition function，在30维、50维和100维上通过对这6个测试函数进行最优值的搜索。控制最大评估次数在1100次，实验独立运行20次求平均值结果，并把实验结果与最新SAEA方法即CA-LLSO算法进行比较，从而验证本发明的性能，实验结果如下表所示：
表1本发明算法与CA-LLSO在30、50和100维上的性能比较
Figure BDA0002807890510000121
Figure BDA0002807890510000131
从上表可以看出，在30、50和100维上的实验中，本发明算法比CA-LLSO算法的性能更好且本发明算法对搜索6个测试函数取得非常满意的结果，除了SRR30和RHCF100外,本发明算法搜索得到的结果远远比CA-LLSO搜索得到的结果要更好，这一切说明了本发明算法对解决优化问题上具有有效性和鲁棒性，进一步证明了本发明算法能有效地应用于工程领域的优化设计实例上。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (6)

1.一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，包括以下步骤：
S1、根据设计空间的范围使用Latin hypercube采样方法初始化整个种群，并对整个种群的个体进行真实的适应度评估，给予它们真实适应度值；初始化后的个体以及其适应度值保存在一个缓存中，形成初始候选集DB；
S2、判断候选集DB中的样本是否大于或等于所构建候选集A的样本数N，若不满足大于或等于的判断条件，则用社会学习粒子群优化算法来进化种群，接着对种群进行真实适应度评估，然后把进化后的种群加入到候选集DB中，直到候选集DB中的样本总数大于N为止；否则跳转到S3；
S3、从候选集DB中选择N个样本构建候选集A；
S4、采用步骤S3构建的候选集A来训练各代理模型，并通过组合策略集成各代理模型，从而形成一个强大的集成模型；
S5、使用社会学习粒子群优化算法对整个种群进行更新；
S6、使用集成模型预测出新种群中每个个体的适应度值；
S7、采用SMIC加点准则来管理集成模型，选取合适的个体进行真实适应度评估；对于整个种群的最优潜在个体，如果尚未在SMIC加点准则中得到真实适应度评估，则将会被进行真实适应度评估；
S8、若真实适应度评估次数达到算法设定的真实适应度评估次数的最大值，则算法结束，否则，更新候选集DB并跳转到S2继续运行；
S9、当迭代结束后，从候选集DB中选出最优个体来作为MEMS的最优变量设计组合。
2.根据权利要求1所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，所述步骤S4中，采用GP模型和RBF模型作为单个代理模型，并使用在线加权平均法对GP模型和RBF模型进行集合。
3.根据权利要求2所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，使用在线加权平均法给予GP模型和RBF模型不同的权重，从而得出一个强大的集成模型；
权重计算公式如下所示：
Figure FDA0002807890500000021
上式中，εi为第i个代理模型的预测误差度量，wj为第j个代理模型的权重值；采用均方根误差值RMSE作为代理模型的预测误差度量值；
每个代理模型的RMSE由以下公式来计算：
Figure FDA0002807890500000022
上式中，RMSE用符号ε表示，则第j个代理模型的RMSE值，y(xi)为样本xi的真实适应度值，
Figure FDA0002807890500000023
为第j个代理模型对样本xi的预测适应度值，N为代理模型的训练样本个数。
4.根据权利要求1所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，上述步骤S5中，粒子的更新方式如下所示：
Figure FDA0002807890500000024
上式中，i为整个群体中的第i个个体，1≤i≤m，m代表整个种群的实际大小，j为个体i的第j个维度，1≤j≤D，D为搜索空间的维度；xij(t)表示为第t子代中粒子i的第j维的行为向量，xij(t+1)则表示为第t+1子代中粒子i的第j维的行为向量；Δxij(t+1)表示为矫正因子；Pi L为每个粒子i向优秀个体学习的最大限定概率，而pi(t)为个体i在第t代的向优秀个体学习的概率；另外，Δxij(t+1)的计算方式如下所示：
Δxij(t+1)＝r1(t)·Δxij(t)+r2(t)·Iij(t)+r3(t)·φ·Cij(t)；
其中，
Figure FDA0002807890500000031
上式Δxij(t+1)由三部分组成：惯性部分、向随机个体学习部分和向社会全部个体学习部分；在第二部分中，Iij(t)表示在第t代中个体i向适应度好的随机个体k(k∈[1,2,...,i-1])学习后的行为向量；在第三部分中，Cij(t)表示在第t代中个体i向种群中所有个体学习后的行为向量，
Figure FDA0002807890500000032
表示整体种群在第j维的平均行为水平，ф为社会影响因子，用于控制群体水平的平均行为；r1(t),r2(t),r3(t)为[0,1]区间内的独立随机数。
5.根据权利要求1所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，所述步骤S6使用集成模型预测出新种群中每个个体的适应度值的计算公式如下：
Figure FDA0002807890500000033
Figure FDA0002807890500000034
上式中，
Figure FDA0002807890500000035
为集成模型最终的预测适应度值，
Figure FDA0002807890500000036
为第j个代理模型对新样本x*的预测适应度值，wj为第j个代理模型的权重，K为代理模型的个数。
6.根据权利要求1所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法，其特征在于，所述步骤S7中，采用SMIC加点准则来管理集成模型，选取合适的个体进行真实适应度评估的具体过程如下：
首先计算整个种群的邻域半径Ri，为候选解划分其邻域范围U(xi,Ri)＝[xi-Ri,xi+Ri]，让候选解i从候选集A中选出自己的近邻样本，具体的邻域计算方法如下所示：
Rij＝ρcxjmax-cxjmin|；
上式中，ρ为收敛因子；cxjmax和cxjmin分别为候选解i的第j维上的上限取值和下限取值，其两者由下式计算得出：
Figure FDA0002807890500000041
接着根据每个候选解i的邻域范围，从候选集A中为每个候选解i找出其对应的近邻个体，从而让其近邻个体组成对应的近邻集；
然后计算每个候选解i的局部粗糙度δi；每个候选解i都有属于自己的局部粗糙度δi，具体计算公式如下所示：
Figure FDA0002807890500000042
上式中，xk代表候选解i的近邻集合的个体，而xev代表候选集A的缓存中的个体，f(xk)和f(xev)分别代表它们各自的适应度值；
最后分别计算每个候选解i与其每个近邻个体的相似度，并从候选解i对应的全部相似度中选出最大相似度来作为候选解i与其近邻集的相似度；候选解i与其每个近邻个体的相似度具体计算公式如下所示：
Figure FDA0002807890500000043
上式中，
Figure FDA0002807890500000044
表示候选解i与其近邻个体k的相似度
Figure FDA0002807890500000045
在第j维上的相似度，计算公式如下：
Figure FDA0002807890500000051
上式中，γj为第j维上的指标参数，通过以下公式进行计算：
Figure FDA0002807890500000052
上式中，η为收敛因子；
在SMIC加点准则中，通过高斯相似度度量计算出候选解i与其近邻个体的相似度后，还需要选择合适的候选解进行真实适应度评估，选择步骤可以归纳为如下：
A.计算出候选解i与近邻集合Xik＝{xk,f(xk),k＝1,...,r}的最大相似度smax；
B.把整个种群中所有候选解根据最大相似度划分为两个集合：若最大相似度为0，则划分为SP1子集，否则划分为SP2子集；当Xik为空集或当候选解i与非空集合Xik＝{xk,f(xk),k＝1,...,r}中任一个体相似度小时，候选解i的最大相似度为0；
C.从SP1子集中选择适应度最优的个体进行真实适应度评估；
D.从SP2子集中选择适度度最优的个体以及相似度最小的个体进行真实适应度评估。
CN202011374732.9A 2020-11-30 2020-11-30 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法 Active CN112528556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011374732.9A CN112528556B (zh) 2020-11-30 2020-11-30 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011374732.9A CN112528556B (zh) 2020-11-30 2020-11-30 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法

Publications (2)

Publication Number Publication Date
CN112528556A true CN112528556A (zh) 2021-03-19
CN112528556B CN112528556B (zh) 2023-01-20

Family

ID=74995269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011374732.9A Active CN112528556B (zh) 2020-11-30 2020-11-30 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法

Country Status (1)

Country Link
CN (1) CN112528556B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265363A (zh) * 2021-12-17 2022-04-01 深圳先进技术研究院 一种数控机床加工路径智能优化方法及其系统
CN117786467A (zh) * 2024-02-28 2024-03-29 上海交通大学四川研究院 基于自适应加点的飞机着陆风险预测的分类模型构建方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120059641A1 (en) * 2010-09-03 2012-03-08 Chevron U.S.A. Inc. Iterative Method and System To Construct Robust Proxy Models For Reservoir Simulation
CN104951834A (zh) * 2015-06-24 2015-09-30 上海大学 基于遗传算法和粒子群集成的lssvm风速预测方法
CN106596462A (zh) * 2016-12-19 2017-04-26 中国矿业大学 基于太赫兹相移特征和粒子群算法的纸页定量检测方法
CN108120451A (zh) * 2017-12-21 2018-06-05 苏州大学 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统
US20190370684A1 (en) * 2018-06-01 2019-12-05 Sas Institute Inc. System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model
CN111222706A (zh) * 2020-01-13 2020-06-02 大连理工大学 一种基于粒子群优化与自编码器的混沌时间序列预测方法
CN111723897A (zh) * 2020-05-13 2020-09-29 广东工业大学 一种基于粒子群算法的多模态特征选择方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120059641A1 (en) * 2010-09-03 2012-03-08 Chevron U.S.A. Inc. Iterative Method and System To Construct Robust Proxy Models For Reservoir Simulation
CN104951834A (zh) * 2015-06-24 2015-09-30 上海大学 基于遗传算法和粒子群集成的lssvm风速预测方法
CN106596462A (zh) * 2016-12-19 2017-04-26 中国矿业大学 基于太赫兹相移特征和粒子群算法的纸页定量检测方法
CN108120451A (zh) * 2017-12-21 2018-06-05 苏州大学 基于改进pso优化神经网络的硅微加速度计温度补偿方法、系统
US20190370684A1 (en) * 2018-06-01 2019-12-05 Sas Institute Inc. System for automatic, simultaneous feature selection and hyperparameter tuning for a machine learning model
CN111222706A (zh) * 2020-01-13 2020-06-02 大连理工大学 一种基于粒子群优化与自编码器的混沌时间序列预测方法
CN111723897A (zh) * 2020-05-13 2020-09-29 广东工业大学 一种基于粒子群算法的多模态特征选择方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴烈阳等: "一种新的并行文化微粒群优化算法", 《计算机工程与应用》 *
田杰等: "基于多点加点准则的代理模型辅助社会学习微粒群算法", 《控制与决策》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114265363A (zh) * 2021-12-17 2022-04-01 深圳先进技术研究院 一种数控机床加工路径智能优化方法及其系统
CN114265363B (zh) * 2021-12-17 2024-02-20 中科航迈数控软件(深圳)有限公司 一种数控机床加工路径智能优化方法及其系统
CN117786467A (zh) * 2024-02-28 2024-03-29 上海交通大学四川研究院 基于自适应加点的飞机着陆风险预测的分类模型构建方法
CN117786467B (zh) * 2024-02-28 2024-04-30 上海交通大学四川研究院 基于自适应加点的飞机着陆风险预测的分类模型构建方法

Also Published As

Publication number Publication date
CN112528556B (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
Baymurzina et al. A review of neural architecture search
CN107247961B (zh) 一种应用模糊轨迹序列的轨迹预测方法
Luo et al. Species-based particle swarm optimizer enhanced by memory for dynamic optimization
CN112528556B (zh) 一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法
CN114386694A (zh) 基于对比学习的药物分子性质预测方法、装置及设备
Gu et al. Particle swarm optimized autonomous learning fuzzy system
CN114167898B (zh) 一种无人机收集数据的全局路径规划方法及系统
Liu et al. Neural network for change direction prediction in dynamic optimization
Chen et al. Mngnas: Distilling adaptive combination of multiple searched networks for one-shot neural architecture search
CN111507488A (zh) 一种基于vr的车辆维修保养辅助系统
Huang et al. Ponas: Progressive one-shot neural architecture search for very efficient deployment
CN115526316A (zh) 一种结合图神经网络的知识表示和预测方法
Ou et al. GPU-based global path planning using genetic algorithm with near corner initialization
CN115101145A (zh) 一种基于自适应元学习的药物虚拟筛选方法
CN115051925A (zh) 一种基于迁移学习的时空序列预测方法
Chen et al. Multi-objective clustering analysis via combinatorial pigeon inspired optimization
Xie et al. Subpopulation particle swarm optimization with a hybrid mutation strategy
Zhang et al. Learning to search efficient densenet with layer-wise pruning
CN117273125A (zh) 基于强化学习的多模型在线自适应择优技术驱动的进化算法
Liu et al. Swarm intelligence for classification of remote sensing data
Wu et al. A training-free neural architecture search algorithm based on search economics
CN110263906B (zh) 非对称负相关搜索方法
Tang et al. Deep sparse representation via deep dictionary learning for reinforcement learning
CN113283159A (zh) 基于全局和局部代理辅助的粒子群算法的优化方法及应用
CN113807005A (zh) 基于改进fpa-dbn的轴承剩余寿命预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant