CN114297934A - 一种基于代理模型的模型参数并行仿真优化方法及装置 - Google Patents
一种基于代理模型的模型参数并行仿真优化方法及装置 Download PDFInfo
- Publication number
- CN114297934A CN114297934A CN202111656696.XA CN202111656696A CN114297934A CN 114297934 A CN114297934 A CN 114297934A CN 202111656696 A CN202111656696 A CN 202111656696A CN 114297934 A CN114297934 A CN 114297934A
- Authority
- CN
- China
- Prior art keywords
- simulation
- parameter
- model
- optimization
- environments
- 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.)
- Pending
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 93
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000004590 computer program Methods 0.000 claims description 20
- 238000007637 random forest analysis Methods 0.000 claims description 19
- 230000001186 cumulative effect Effects 0.000 claims description 18
- 230000002068 genetic effect Effects 0.000 claims description 17
- 238000012804 iterative process Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000717 retained effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Abstract
本发明公开了一种基于代理模型的模型参数并行仿真优化方法及装置，涉及仿真优化领域，该方法将多个不同的参数组合分别输入到多个仿真环境中，每个仿真环境基于一个参数组合执行仿真流程并输出对应的仿真结果，多个仿真环境并行运行；将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用累计数据集中的数据训练得到代理模型；利用代理模型和优化算法生成下一次迭代的多个参数组合；该方法通过利用代理模型，使得优化算法可以快速的实现迭代，同时提供并行仿真的机制，可以减少总仿真执行次数从而大大减少仿真过程消耗的时间，减少了参数优化耗时，提高参数优化效率。
Description
技术领域
本发明涉及仿真优化领域，尤其是一种基于代理模型的模型参数并行仿真优化方法及装置。
背景技术
仿真优化是工业智能设计中重要的一环，其核心环节是在满足约束条件下，采用优化算法寻找一组仿真环境的输入参数，使得仿真环境的某个或某些输出性能达到最优，即对模型参数进行优化。
目前对仿真环境的参数优化过程如下：将参数组合输入到仿真环境，仿真环境基于输入的参数组合执行仿真流程并输出对应的仿真结果，将仿真结果输入至优化算法进行迭代，形成新的参数组合输入到仿真环境重复上述过程进行循环。
从上述流程可以看出，仿真环境的输入与输出之间的关系没有显示的函数关系，因此该优化流程属于黑盒优化流程。对于黑盒优化流程，可以使用元启发式优化方法(包括遗传算法，蚁群算法和粒子群算法等)作为优化算法进行优化，但是使用元启发式优化方法作为优化算法存在如下缺陷：一般情况下，一次仿真过程需要的时间都较长(大于几小时或几天等)，而元启发式优化方法的迭代流程需要大量的适应度评估流程，此过程将大大增加整个参数优化过程的运行时间，甚至达到不能接受的地步。
发明内容
本发明人针对上述问题及技术需求，提出了一种基于代理模型的模型参数并行仿真优化方法及装置，本发明的技术方案如下：
一种基于代理模型的模型参数并行仿真优化方法，该方法包括：
将多个不同的参数组合分别输入到多个仿真环境中，每个仿真环境基于一个参数组合执行仿真流程并输出对应的仿真结果，多个仿真环境并行运行；
将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用累计数据集中的数据训练得到代理模型；
利用代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
其进一步的技术方案为，在仿真优化的迭代过程中，根据当前的仿真环境的数量动态调整生成的参数组合的个数，不同迭代过程中使用的仿真环境的数量相同或不同。
其进一步的技术方案为，利用累计数据集中的数据训练得到代理模型，包括：
在第p次迭代过程中，n个仿真环境执行仿真流程后得到的n组数据表示为{(x1,y1),…(xi,yi),…(xn,yn)}，(xi,yi)表示任意第i个仿真环境执行仿真流程后得到的一组数据，且xi为第i个仿真环境输入的参数组合、yi为对应得到的仿真结果；将n组数据{(x1,y1),…(xi,yi),…(xn,yn)}添加到第p-1次迭代得到的累计数据集D，更新得到第p次迭代得到的累计数据集D′＝D∪{(x1,y1),…(xi,yi),…(xn,yn)}；利用第p次迭代得到的累计数据集基于预定模型训练方法训练得到代理模型。
其进一步的技术方案为，代理模型由累计数据集中的数据基于随机森林算法或高斯过程回归方法训练得到。
其进一步的技术方案为，当优化算法采用遗传算法、代理模型基于随机森林算法训练得到时，利用代理模型和优化算法生成下一次迭代的多个参数组合，包括：
初始化遗传算法的种群个体为x_1,x_2,…x_m；
对于任意一个种群个体x_j，j为参数，将种群个体x_j代入代理模型的随机森林的所有k个子树中，对应得到k个不同的预测结果y_1,y_2,…y_k，并按照预定算法利用k个预测结果y_1,y_2,…y_k计算得到种群个体x_j对应的期望增益；
保留对应的期望增益最大的预定比例的种群个体，并依照遗传算法的交叉和变异操作基于保留的种群个体生成新的m个种群个体，并重新执行将种群个体x_j代入代理模型的随机森林的所有k个子树中的步骤，直到达到迭代终止条件时，选取若干个期望增益最大的种群个体作为下一次迭代的多个参数组合。
其进一步的技术方案为，按照预定算法利用k个预测结果y_1,y_2,…y_k计算得到种群个体x_j对应的期望增益，包括：
按照
计算得到种群个体x_j对应的期望增益，其中，μj是种群个体x_j的所有k个预测结果的均值，σj是种群个体x_j的所有k个预测结果的方差，y′是出现的所有参数组合对应的最小的仿真结果。
一种基于代理模型的模型参数并行仿真优化装置，该装置包括：
并行仿真模块，用于将多个不同的参数组合分别输入到多个仿真环境中；
代理模型训练模块，用于将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用累计数据集中的数据训练得到代理模型；各个参数组合对应的仿真结果是由多个仿真环境并行运行、基于输入的一个参数组合执行仿真流程后输出的仿真结果；
迭代处理模块，用于利用代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，该处理器执行计算机程序时实现如下步骤：
将多个不同的参数组合分别输入到多个仿真环境中；
将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用累计数据集中的数据训练得到代理模型；各个参数组合对应的仿真结果是由多个仿真环境并行运行、基于输入的一个参数组合执行仿真流程后输出的仿真结果；
利用代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：
将多个不同的参数组合分别输入到多个仿真环境中；
将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用累计数据集中的数据训练得到代理模型；各个参数组合对应的仿真结果是由多个仿真环境并行运行、基于输入的一个参数组合执行仿真流程后输出的仿真结果；
利用代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如下步骤：
将多个不同的参数组合分别输入到多个仿真环境中；
将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用累计数据集中的数据训练得到代理模型；各个参数组合对应的仿真结果是由多个仿真环境并行运行、基于输入的一个参数组合执行仿真流程后输出的仿真结果；
利用代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
本发明的有益技术效果是：
本申请公开了一种基于代理模型的模型参数并行仿真优化方法，该方法通过利用代理模型，使得优化算法可以快速的实现迭代，同时提供并行仿真的机制，可以减少总仿真执行次数从而大大减少仿真过程消耗的时间，减少了参数优化耗时，提高参数优化效率。
在方法执行过程中，可以根据用户计算资源的多少，动态的调节参数组合的推荐，从而使用户可以根据需求调节整个流程的执行时间，灵活性更强。
附图说明
图1是本申请公开的模型参数并行仿真优化方法的一个实施例的信息流示意图。
图2是本申请公开的模型参数并行仿真优化装置的一个实施例的装置结构示意图。
图3是本申请公开的一种计算机设备的设备结构图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于代理模型的模型参数并行仿真优化方法，该方法包括如下步骤，请参考图1所示的信息流示意图：
步骤S10，将多个不同的参数组合分别输入到多个仿真环境中，根据仿真环境的形式，以接口调用、界面配置或离线文件配置的形式将参数组合输入至仿真环境，每个参数组合输入到一个仿真环境中，不同的参数组合输入到不同的仿真环境中，如图1以包含三个仿真环境为例，则分别将参数组合x1、参数组合x2和参数组合x3输入到三个仿真环境中。仿真环境的数量可以根据当前的计算资源的多少来实际配置。
每个仿真环境基于输入一个参数组合执行仿真流程并输出对应的仿真结果，如图1所示，三个仿真环境对应输出仿真结果分别记为y1、y2、y3。多个仿真环境并行运行，则用户可以通过增加计算资源的方式来增多仿真环境，从而增多同一时间段仿真的参数组合数量，以加速仿真流程。
步骤S20，将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用累计数据集中的数据训练得到代理模型。
在第p次迭代过程中，n个仿真环境执行仿真流程后得到的n组数据表示为{(x1,y1),…(xi,yi),…(xn,yn)}，其中，(xi,yi)表示任意第i个仿真环境执行仿真流程后得到的一组数据，且xi为第i个仿真环境输入的参数组合、yi为对应得到的仿真结果。
将n组数据{(x1,y1),…(xi,yi),…(xn,yn)}添加到第p-1次迭代得到的累计数据集D，更新得到第p次迭代得到的累计数据集D′＝D∪{(x1,y1),…(xi,yi),…(xn,yn)}；利用第p次迭代得到的累计数据集基于预定模型训练方法训练得到代理模型。
预定模型训练方法包括随机森林算法或高斯过程回归方法，则代理模型由累计数据集中的数据基于随机森林算法或高斯过程回归方法训练得到。
步骤S30，利用代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。这里的优化算法可以采用元启发式优化方法，具体包括遗传算法，蚁群算法和粒子群算法等。
当优化算法采用遗传算法、代理模型基于随机森林算法训练得到时，利用代理模型和优化算法生成下一次迭代的多个参数组合，包括：
(1)初始化遗传算法的种群个体为x_1,x_2,…x_m。
(2)对于任意一个种群个体x_j，j为参数，将种群个体x_j代入代理模型的随机森林的所有k个子树中，对应得到k个不同的预测结果y_1,y_2,…y_k，并按照预定算法利用k个预测结果y_1,y_2,…y_k计算得到种群个体x_j对应的期望增益。
可选的，按照
计算得到种群个体x_j对应的期望增益，其中，μj是种群个体x_j的所有k个预测结果的均值，σj是种群个体x_j的所有k个预测结果的方差，y′是出现的所有参数组合对应的最小的仿真结果。
(3)保留对应的期望增益最大的预定比例的种群个体，比如，保留最大的1/3的种群个体。并依照遗传算法的交叉和变异操作基于保留的种群个体生成新的m个种群个体。然后重新执行将种群个体x_j代入代理模型的随机森林的所有k个子树中的步骤，直到达到迭代终止条件时，选取若干个期望增益最大的种群个体作为下一次迭代的多个参数组合。
在上述仿真优化的迭代过程中，可以根据计算资源来动态调整仿真环境的数量，使得不同迭代过程中使用的仿真环境的数量相同或不同。则该方法在执行过程中，也会根据当前的仿真环境的数量动态调整生成的参数组合的个数以适应当前的仿真环境数量。比如在图1的环境中，初始状态下有三个仿真环境，在迭代过程中，因计算资源增加扩展为四个仿真环境，则该方法会动态调整生成四个参数组合分别输入到四个仿真环境中。又或者，在迭代过程中，搭载一个仿真环境的服务器发生掉线等问题，则该方法会动态调整生成两个参数组合分别输入到两个仿真环境中，灵活性较高。
上述代理模型和优化算法可以由不同的硬件执行主体实现，也可以与仿真环境由同一个硬件执行主体实现，往往是由不同的硬件执行主体实现的。基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于代理模型的模型参数并行仿真优化方法中，用于实现代理模型和优化算法的相关方法的基于代理模型的模型参数并行仿真优化装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于代理模型的模型参数并行仿真优化装置实施例中的具体限定可以参见上文中对于基于代理模型的模型参数并行仿真优化方法的限定，在此不再赘述。
在一个实施例中，如图2所示，提供了一种基于代理模型的模型参数并行仿真优化装置，包括并行仿真模块、代理模型训练模块和迭代处理模块，其中：
并行仿真模块，用于将多个不同的参数组合分别输入到多个仿真环境中；
代理模型训练模块，用于将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用累计数据集中的数据训练得到代理模型；各个参数组合对应的仿真结果是由多个仿真环境并行运行、基于输入的一个参数组合执行仿真流程后输出的仿真结果；
迭代处理模块，用于利用代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
在一个实施例中，在第p次迭代过程中，n个仿真环境执行仿真流程后得到的n组数据表示为{(x1,y1),…(xi,yi),…(xn,yn)}，(xi,yi)表示任意第i个仿真环境执行仿真流程后得到的一组数据，且xi为第i个仿真环境输入的参数组合、yi为对应得到的仿真结果。则代理模型训练模块，还用于将n组数据{(x1,y1),…(xi,yi),…(xn,yn)}添加到第p-1次迭代得到的累计数据集D，更新得到第p次迭代得到的累计数据集D′＝D∪{(x1,y1),…(xi,yi),…(xn,yn)}；利用第p次迭代得到的累计数据集基于预定模型训练方法训练得到代理模型。
在一个实施例中，当优化算法采用遗传算法、代理模型基于随机森林算法训练得到时，迭代处理模块，还用于初始化遗传算法的种群个体为x_1,x_2,…x_m；对于任意一个种群个体x_j，j为参数，将种群个体x_j代入代理模型的随机森林的所有k个子树中，对应得到k个不同的预测结果y_1,y_2,…y_k，并按照预定算法利用k个预测结果y_1,y_2,…y_k计算得到种群个体x_j对应的期望增益；保留对应的期望增益最大的预定比例的种群个体，并依照遗传算法的交叉和变异操作基于保留的种群个体生成新的m个种群个体，并重新执行将种群个体x_j代入代理模型的随机森林的所有k个子树中的步骤，直到达到迭代终止条件时，选取若干个期望增益最大的种群个体作为下一次迭代的多个参数组合。
在一个实施例中，迭代处理模块，还用于按照
计算得到种群个体x_j对应的期望增益，其中，μj是种群个体x_j的所有k个预测结果的均值，σj是种群个体x_j的所有k个预测结果的方差，y′是出现的所有参数组合对应的最小的仿真结果。
上述基于代理模型的模型参数并行仿真优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库至少用于存储累计数据集。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述基于代理模型的模型参数并行仿真优化方法中涉及到的方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
将多个不同的参数组合分别输入到多个仿真环境中；
将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用累计数据集中的数据训练得到代理模型；各个参数组合对应的仿真结果是由多个仿真环境并行运行、基于输入的一个参数组合执行仿真流程后输出的仿真结果；
利用代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
在一个实施例中，在仿真优化的迭代过程中，根据当前的仿真环境的数量动态调整生成的参数组合的个数，不同迭代过程中使用的仿真环境的数量相同或不同。
在一个实施例中，利用累计数据集中的数据训练得到代理模型，包括：在第p次迭代过程中，n个仿真环境执行仿真流程后得到的n组数据表示为{(x1,y1),…(xi,yi),…(xn,yn)}，(xi,yi)表示任意第i个仿真环境执行仿真流程后得到的一组数据，且xi为第i个仿真环境输入的参数组合、yi为对应得到的仿真结果；将n组数据{(x1,y1),…(xi,yi),…(xn,yn)}添加到第p-1次迭代得到的累计数据集D，更新得到第p次迭代得到的累计数据集D′＝D∪{(x1,y1),…(xi,yi),…(xn,yn)}；利用第p次迭代得到的累计数据集基于预定模型训练方法训练得到代理模型。
在一个实施例中，当优化算法采用遗传算法、代理模型基于随机森林算法训练得到时，利用代理模型和优化算法生成下一次迭代的多个参数组合，包括：初始化遗传算法的种群个体为x_1,x_2,…x_m；对于任意一个种群个体x_j，j为参数，将种群个体x_j代入代理模型的随机森林的所有k个子树中，对应得到k个不同的预测结果y_1,y_2,…y_k，并按照预定算法利用k个预测结果y_1,y_2,…y_k计算得到种群个体x_j对应的期望增益；保留对应的期望增益最大的预定比例的种群个体，并依照遗传算法的交叉和变异操作基于保留的种群个体生成新的m个种群个体，并重新执行将种群个体x_j代入代理模型的随机森林的所有k个子树中的步骤，直到达到迭代终止条件时，选取若干个期望增益最大的种群个体作为下一次迭代的多个参数组合。
在一个实施例中，按照预定算法利用k个预测结果y_1,y_2,…y_k计算得到种群个体x_j对应的期望增益，包括：按照
计算得到种群个体x_j对应的期望增益，其中，μj是种群个体x_j的所有k个预测结果的均值，σj是种群个体x_j的所有k个预测结果的方差，y′是出现的所有参数组合对应的最小的仿真结果。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，还提供了一种计算机程序产品，包括计算机程序，该该处理器执行计算机程序时实现上述各方法实施例中的步骤。
以上的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。
Claims (10)
1.一种基于代理模型的模型参数并行仿真优化方法，其特征在于，所述方法包括：
将多个不同的参数组合分别输入到多个仿真环境中，每个仿真环境基于一个参数组合执行仿真流程并输出对应的仿真结果，多个仿真环境并行运行；
将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用所述累计数据集中的数据训练得到代理模型；
利用所述代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行所述将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
2.根据权利要求1所述的方法，其特征在于，在仿真优化的迭代过程中，根据当前的仿真环境的数量动态调整生成的参数组合的个数，不同迭代过程中使用的仿真环境的数量相同或不同。
3.根据权利要求1所述的方法，其特征在于，所述利用所述累计数据集中的数据训练得到代理模型，包括：
在第p次迭代过程中，n个仿真环境执行仿真流程后得到的n组数据表示为{(x1,y1),…(xi,yi),…(xn,yn)}，(xi,yi)表示任意第i个仿真环境执行仿真流程后得到的一组数据，且xi为第i个仿真环境输入的参数组合、yi为对应得到的仿真结果；将n组数据{(x1,y1),…(xi,yi),…(xn,yn)}添加到第p-1次迭代得到的累计数据集D，更新得到第p次迭代得到的累计数据集D′＝D∪{(x1,y1),…(xi,yi),…(xn,yn)}；利用第p次迭代得到的累计数据集基于预定模型训练方法训练得到所述代理模型。
4.根据权利要求1所述的方法，其特征在于，所述代理模型由所述累计数据集中的数据基于随机森林算法或高斯过程回归方法训练得到。
5.根据权利要求4所述的方法，其特征在于，当所述优化算法采用遗传算法、所述代理模型基于随机森林算法训练得到时，所述利用所述代理模型和优化算法生成下一次迭代的多个参数组合，包括：
初始化遗传算法的种群个体为x_1,x_2,…x_m；
对于任意一个种群个体x_j，j为参数，将所述种群个体x_j代入所述代理模型的随机森林的所有k个子树中，对应得到k个不同的预测结果y_1,y_2,…y_k，并按照预定算法利用k个预测结果y_1,y_2,…y_k计算得到所述种群个体x_j对应的期望增益；
保留对应的期望增益最大的预定比例的种群个体，并依照遗传算法的交叉和变异操作基于保留的种群个体生成新的m个种群个体，并重新执行所述将所述种群个体x_j代入所述代理模型的随机森林的所有k个子树中的步骤，直到达到迭代终止条件时，选取若干个期望增益最大的种群个体作为下一次迭代的多个参数组合。
6.根据权利要求5所述的方法，其特征在于，所述按照预定算法利用k个预测结果y_1,y_2,…y_k计算得到所述种群个体x_j对应的期望增益，包括：
按照
计算得到种群个体x_j对应的期望增益，其中，μj是种群个体x_j的所有k个预测结果的均值，σj是种群个体x_j的所有k个预测结果的方差，y′是出现的所有参数组合对应的最小的仿真结果。
7.一种基于代理模型的模型参数并行仿真优化装置，其特征在于，所述装置包括：
并行仿真模块，用于将多个不同的参数组合分别输入到多个仿真环境中；
代理模型训练模块，用于将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用所述累计数据集中的数据训练得到代理模型；各个参数组合对应的仿真结果是由多个仿真环境并行运行、基于输入的一个参数组合执行仿真流程后输出的仿真结果；
迭代处理模块，用于利用所述代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行所述将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如下步骤：
将多个不同的参数组合分别输入到多个仿真环境中；
将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用所述累计数据集中的数据训练得到代理模型；各个参数组合对应的仿真结果是由多个仿真环境并行运行、基于输入的一个参数组合执行仿真流程后输出的仿真结果；
利用所述代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行所述将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如下步骤：
将多个不同的参数组合分别输入到多个仿真环境中；
将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用所述累计数据集中的数据训练得到代理模型；各个参数组合对应的仿真结果是由多个仿真环境并行运行、基于输入的一个参数组合执行仿真流程后输出的仿真结果；
利用所述代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行所述将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现如下步骤：
将多个不同的参数组合分别输入到多个仿真环境中；
将当前迭代过程的参数组合及对应的仿真结果添加到累计数据集中，利用所述累计数据集中的数据训练得到代理模型；各个参数组合对应的仿真结果是由多个仿真环境并行运行、基于输入的一个参数组合执行仿真流程后输出的仿真结果；
利用所述代理模型和优化算法生成下一次迭代的多个参数组合，并再次执行所述将多个不同的参数组合分别输入到多个仿真环境中的步骤，直到完成仿真优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111656696.XA CN114297934A (zh) | 2021-12-30 | 2021-12-30 | 一种基于代理模型的模型参数并行仿真优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111656696.XA CN114297934A (zh) | 2021-12-30 | 2021-12-30 | 一种基于代理模型的模型参数并行仿真优化方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114297934A true CN114297934A (zh) | 2022-04-08 |
Family
ID=80972664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111656696.XA Pending CN114297934A (zh) | 2021-12-30 | 2021-12-30 | 一种基于代理模型的模型参数并行仿真优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114297934A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970431A (zh) * | 2022-06-29 | 2022-08-30 | 上海集成电路装备材料产业创新中心有限公司 | Mos管参数估计模型的训练方法和装置 |
| CN115062569A (zh) * | 2022-08-17 | 2022-09-16 | 深圳市华杰智通科技有限公司 | 毫米波芯片设计仿真eda存算并行加速系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6345240B1 (en) * | 1998-08-24 | 2002-02-05 | Agere Systems Guardian Corp. | Device and method for parallel simulation task generation and distribution |
| CN108333971A (zh) * | 2018-02-28 | 2018-07-27 | 清华大学 | 仿人机器人的结构与运动的协同优化方法 |
| CN109522602A (zh) * | 2018-10-18 | 2019-03-26 | 北京航空航天大学 | 一种基于代理模型的Modelica模型参数优化方法 |
| CN110245436A (zh) * | 2019-06-19 | 2019-09-17 | 山东大学 | 一种基于遗传算法和机器学习的并行模拟电路优化方法 |
| CN110334449A (zh) * | 2019-07-04 | 2019-10-15 | 南京航空航天大学 | 一种基于在线代理模型算法的翼型快速设计方法 |
-
2021
- 2021-12-30 CN CN202111656696.XA patent/CN114297934A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6345240B1 (en) * | 1998-08-24 | 2002-02-05 | Agere Systems Guardian Corp. | Device and method for parallel simulation task generation and distribution |
| CN108333971A (zh) * | 2018-02-28 | 2018-07-27 | 清华大学 | 仿人机器人的结构与运动的协同优化方法 |
| CN109522602A (zh) * | 2018-10-18 | 2019-03-26 | 北京航空航天大学 | 一种基于代理模型的Modelica模型参数优化方法 |
| CN110245436A (zh) * | 2019-06-19 | 2019-09-17 | 山东大学 | 一种基于遗传算法和机器学习的并行模拟电路优化方法 |
| CN110334449A (zh) * | 2019-07-04 | 2019-10-15 | 南京航空航天大学 | 一种基于在线代理模型算法的翼型快速设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 卢辉: "《考虑供应不确定性与需求非平稳性的项目调度与材料供应集成优化》", 《系统工程理论与实践》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114970431A (zh) * | 2022-06-29 | 2022-08-30 | 上海集成电路装备材料产业创新中心有限公司 | Mos管参数估计模型的训练方法和装置 |
| CN114970431B (zh) * | 2022-06-29 | 2024-04-02 | 上海集成电路装备材料产业创新中心有限公司 | Mos管参数估计模型的训练方法和装置 |
| CN115062569A (zh) * | 2022-08-17 | 2022-09-16 | 深圳市华杰智通科技有限公司 | 毫米波芯片设计仿真eda存算并行加速系统及方法 |
| CN115062569B (zh) * | 2022-08-17 | 2022-12-02 | 深圳市华杰智通科技有限公司 | 毫米波芯片设计仿真eda存算并行加速系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Awad et al. | An improved differential evolution algorithm using efficient adapted surrogate model for numerical optimization | |
| CN114297934A (zh) | 一种基于代理模型的模型参数并行仿真优化方法及装置 | |
| CN116644804B (zh) | 分布式训练系统、神经网络模型训练方法、设备和介质 | |
| CN113077052A (zh) | 用于稀疏奖励环境的强化学习方法、装置、设备及介质 | |
| Al-Salami | Evolutionary algorithm definition | |
| CN114358319B (zh) | 基于机器学习框架的分类方法及相关装置 | |
| US20230342626A1 (en) | Model processing method and related apparatus | |
| CN110971683B (zh) | 基于强化学习的服务组合方法 | |
| CN114358317B (zh) | 基于机器学习框架的数据分类方法及相关设备 | |
| CN109977998B (zh) | 信息处理方法及装置、存储介质和电子装置 | |
| CN114372539B (zh) | 基于机器学习框架的分类方法及相关设备 | |
| CN115038055B (zh) | 一种基于强化学习的多通道短消息分发方法和系统 | |
| Luo et al. | Sampling-based adaptive bounding evolutionary algorithm for continuous optimization problems | |
| CN115358485A (zh) | 一种基于图自注意力机制与霍克斯过程的交通流预测方法 | |
| CN115220818A (zh) | 基于深度强化学习的实时依赖型任务卸载方法 | |
| CN114819163A (zh) | 量子生成对抗网络的训练方法、装置、介质及电子装置 | |
| CN112651492A (zh) | 一种自连接宽度图卷积神经网络模型及其训练方法 | |
| TW202219750A (zh) | 機器學習模型訓練方法、電子設備、控制器及存儲介質 | |
| CN111882416A (zh) | 一种风险预测模型的训练方法和相关装置 | |
| CN114372583B (zh) | 基于机器学习框架的量子程序优化方法及相关设备 | |
| Stork et al. | Surrogate-assisted learning of neural networks | |
| Bernal-Urbina et al. | Time series forecasting through polynomial artificial neural networks and genetic programming | |
| Becker et al. | EvLib: a parameterless self-adaptive real-valued optimisation library | |
| CN114817744A (zh) | 一种基于多智能体的推荐方法和装置 | |
| CN116432710A (zh) | 机器学习模型构建方法、机器学习框架及相关设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220408 |
|
| RJ01 | Rejection of invention patent application after publication |