CN114880775B - 一种基于主动学习Kriging模型的可行域搜索方法及装置 - Google Patents
一种基于主动学习Kriging模型的可行域搜索方法及装置 Download PDFInfo
- Publication number
- CN114880775B CN114880775B CN202210504769.1A CN202210504769A CN114880775B CN 114880775 B CN114880775 B CN 114880775B CN 202210504769 A CN202210504769 A CN 202210504769A CN 114880775 B CN114880775 B CN 114880775B
- Authority
- CN
- China
- Prior art keywords
- constraint
- function
- loss function
- active learning
- functions
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000006870 function Effects 0.000 claims abstract description 163
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 101150097685 metI gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明属于机器学习技术领域,具体涉及一种基于主动学习Kriging模型的可行域搜索方法及装置。
背景技术
随着计算机技术和CAE技术的快速发展,人们越来越多地应用计算机仿真的方法来模拟和研究许多工程问题,尤其是在汽车领域,基于计算机虚拟仿真分析与优化设计已经占据了主导地位。在未来市场对车辆技术的需求下,车辆设计过程变得更加复杂。为了缩短研发周期、提高产品质量和降低研发成本,人们要求计算机虚拟仿真的精度要越来越高,分析和优化的时间要越来越短,因此为了适应这些需求,求解可行域可以提高设计过程的效率,决策者通过了解满足所有约束函数的可行域来减少严重无用的返工。在实际的工程优化设计中,涉及到的设计变量较多且设计目标和设计约束关系比较复杂,虽然现有的全局优化算法可以探索整个设计空间,但由于迭代过程中许多在不可行区域的样本计算大大降低了优化效率,使得收敛速度相对较低。因而,如何利用尽量少量的样本满足多种约束,得到高精度的可行域已成为急迫需要解决的问题。
发明内容
有鉴于此,本发明提供了一种基于主动学习Kriging模型的可行域搜索方法及装置。
本发明是通过以下技术手段实现上述技术目的的。
一种基于主动学习Kriging模型的可行域搜索方法,具体为:
选取初始样本点,并计算所述初始样本点的损失函数J(x)';
引入多个主动学习函数并构造多种约束主动学习函数,优化多种约束主动学习函数,获取最优帕累托前沿;
从最优帕累托前沿中获取多个最佳样本点,并计算最佳样本点的损失函数真实值;
进一步地,所述初始样本点的损失函数是通过计算各样本点的约束函数值,进一步计算所有约束函数的损失函数值,再利用KS函数进行近似最大得到的。
进一步地,所述所有约束函数的损失函数值满足:
式中:Ji(x)为第i个约束函数的损失函数值,fi(x)为变量矩阵x对应第i个约束函数的函数值,fi min为第i个约束函数的下边界,fi max为第i个约束函数的上边界,fi base为第i个约束函数的初始取值,ρ为正实数,c为约束函数个数,J(x)为损失函数。
进一步地,所述优化方程为:
s.t.gi(x)<0,i∈{1,2,...,lineq}
hi(x)=0,i∈{1,2,...,leq}
xL≤x≤xU
其中:gi(x)为不等式约束,lineq为不等式约束个数,hi(x)为等式约束,leq为等式约束个数,xL为变量的下限,xU为变量的上限。
进一步地,所述约束主动学习函数为:
所述主动学习函数包括期望改进EI、改进概率PI、置信上限UCB,所述约束主动学习函数包括CEI、CPI和CUCB。
进一步地,所述最优帕累托前沿是利用多目标遗传算法优化多种约束主动学习函数获取的。
进一步地,所述从最优帕累托前沿中获取多个最佳样本点是基于优劣解距离法。
进一步地,当算法不收敛时,合并当前样本点,并重新构建或更新损失函数和所有约束函数的Kriging代理模型。
一种基于主动学习Kriging模型的可行域搜索装置,包括:
构建损失函数模块,用于构建初始样本点损失函数;
构建代理模型模块,用于构建或更新损失函数和所有约束函数的Kriging代理模型;
最优帕累托前沿获取模块,基于多目标遗传算法优化多种约束主动学习函数,获取最优帕累托前沿;
计算最佳样本点的损失函数值模块,基于优劣解距离法从最优帕累托前沿中获取多个最佳样本点,并计算最佳样本点的损失函数真实值;
可行域确定模块,用于确定可行域。
本发明的有益效果为:
1)本发明基于主动学习Kriging模型的可行域搜索方法,基于KS函数将系统多个约束函数转化为单个连续可微的损失函数,可以根据损失函数的正负来判断所选设计变量的可行性,保证可行域边界周围进行搜索,有效提高可行域搜索效率;
2)本发明基于主动学习Kriging模型的可行域搜索方法,Kriging模型的训练数据是基于优劣解距离法从多种主动学习函数的帕累托最优前沿中得到的,有效提高可行域的准确率,减少训练模型所需的样本数量,减少计算资源耗费;
3)本发明基于主动学习Kriging模型的可行域搜索方法,能够高效处理系统多约束可行域问题,可广泛应用于汽车领域。
附图说明
图1为本发明所述基于主动学习Kriging模型的可行域搜索流程图;
图2是算例1利用本发明方法得到的可行域结果示意图;
图3是算例1利用单一主动学习函数得到的可行域结果示意图;
图4是算例2利用本发明方法得到的可行域结果示意图;
图5是算例2利用单一主动学习函数得到的可行域结果示意图。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
如图1所示,本发明一种基于主动学习Kriging模型的可行域搜索方法,具体包括如下步骤:
步骤(1),根据所有约束函数构造一个损失函数J(x),满足J(x)=0的变量矩阵x组成的边界为可行域边界;
首先按照式(1),计算所有约束函数的损失函数值Ji(x),再按照式(2),利用KS函数(Kreisselmeier-Steinhauser)进行近似最大,运算得到J(x);
式中:Ji(x)为第i个约束函数的损失函数值,fi(x)为变量矩阵x对应第i个约束函数的函数值,fi min为第i个约束函数的下边界,fi max为第i个约束函数的上边界,fi base为第i个约束函数的初始取值,ρ为正实数,c为约束函数个数。
步骤(2),利用随机采样算法选取初始样本点,样本个数记为Ns;计算得到各样本点约束函数值fi(x)',并计算初始样本点损失函数J(x)'。
步骤(4),以最小化损失函数的绝对值作为目标函数,考虑变量之间的约束,利用主动学习Kriging求解优化方程;
式中:gi(x)为不等式约束,lineq为不等式约束个数,hi(x)为等式约束,leq为等式约束个数,xL为变量的下限,xU为变量的上限。
步骤(5),引入多个主动学习函数并构造多种约束主动学习函数,利用多目标遗传算法优化多种约束主动学习函数,获取最优帕累托前沿;
步骤(5.1),引入多个主动学习函数,如期望改进EI、改进概率PI和置信上限UCB,将满足所有约束函数的概率与主动学习函数相乘构造得到约束主动学习函数,如CEI(Constrained Expected Improvement)、CPI(Constrained Probability ofImprovement)和CUCB(Constrained Upper Confidence Bound),如式(5)-(7):
步骤(5.2),利用多目标遗传算法优化多种约束主动学习函数,获取帕累托最优前沿min{-CEI(x),-CPI(x),CUCB(x)}。
步骤(6),基于优劣解距离法从最优帕累托前沿中获取多个最佳样本点,并计算最佳样本点的损失函数真实值;步骤(6)的实现方法为现有技术。
步骤(7),判断算法是否收敛:若算法不收敛,则合并当前样本点并返回步骤(3);若算法收敛,执行步骤(8);其中算法收敛的判断依据是:迭代次数达到上限或者有了精确的可行域边界。
实施例
以下以若干算例,对本算法的有效性进行验证。
算例1:Branin函数,x1的取值范围为[-5,10],x2的取值范围为[0,15],函数表达式如式(8),约束函数表达式如式(9):
F(x)=-(x1-10)2-(x2-15)2 (8)
步骤(1):首先按照式(8)计算约束函数的损失函数值J1(x),其中f1 min=-∞、f1 max=0;利用KS函数进行近似最大运算得到J(x),其中ρ=10;
步骤(2):利用随机采样算法选取初始样本,样本个数Ns=5,计算得到各样本点约束函数值fi(x)',并计算得到初始样本点损失函数J(x)';
步骤(4):利用主动学习Kriging求解优化方程,以损失函数的绝对值作为优化目标,优化方程如下:
步骤(5):引入期望改进EI、改进概率PI,将满足约束函数的概率与主动学习函数相乘构造得到约束主动学习函数CEI及CPI,如式(5)、(6),利用多目标遗传算法优化2种约束主动学习函数,获取帕累托最优前沿,优化方程如式(7);
步骤(6):每次迭代基于优劣解距离法从帕累托最优前沿中获取5个最佳样本点,并计算最佳样本点的损失函数真实值;
步骤(7):进行收敛判断,若算法不收敛,则合并当前样本点并返回步骤(3);若算法收敛,执行步骤(8);
为了对比本发明方法的优越性,利用单一主动学习函数总共评估70个样本点,最终得到算例1的可行域如图3所示,而本发明方法评估了35个样本点就获取了可行域,本方法利用多种主动学习函数在可行域边界周围精确获取样本点,减少在不可行区域内样本点的评估,以更少的样本点获取高精度可行域。
算例2:方差的Gaussian函数,表达式如式(11),x1的取值范围为[-5,5],x2的取值范围为[-5,5],约束函数表达式如式(12),按照本发明方法共评估16个样本点得到算例2的可行域如图4所示,利用单一主动学习函数评估66个样本点得到算例2的可行域如图5所示,具体步骤与算例1类似,此处不再赘述。
综上两个算例可以发现本发明的方法能够精确的在可行域边界周围搜索样本点,比常规方法具有更高的效率。
一种基于主动学习Kriging模型的可行域搜索装置,包括:
构建损失函数模块,用于构建初始样本点损失函数;
构建代理模型模块,用于构建或更新损失函数和所有约束函数的Kriging代理模型;
最优帕累托前沿获取模块,基于多目标遗传算法优化多种约束主动学习函数,获取最优帕累托前沿;
计算最佳样本点的损失函数值模块,基于优劣解距离法从最优帕累托前沿中获取多个最佳样本点,并计算最佳样本点的损失函数真实值;
可行域确定模块,用于确定可行域。
基于与一种基于主动学习Kriging模型的可行域搜索方法相同的发明构思,本申请还提供了一种电子设备,该电子设备包括一个或多个处理器和一个或多个存储器,存储器中存储了计算机可读代码,其中,计算机可读代码当由一个或多个处理器执行时,进行本发明一种基于主动学习Kriging模型的可行域搜索方法的实施。其中,存储器可以包括非易失性存储介质和内存储器;非易失性存储介质可存储操作系统和计算机可读代码。该计算机可读代码包括程序指令,该程序指令被执行时,可使得处理器执行任意一种基于主动学习Kriging模型的可行域搜索方法。处理器用于提供计算和控制能力,支撑整个电子设备的运行。存储器为非易失性存储介质中的计算机可读代码的运行提供环境,该计算机可读代码被处理器执行时,可使得处理器执行任意一种基于主动学习Kriging模型的可行域搜索方法。
应当理解的是,处理器可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中,通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
其中,所述计算机可读存储介质可以是前述实施例所述电子设备的内部存储单元,例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述电子设备的外部存储设备,例如所述电子设备上配备的插接式硬盘、智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (9)
1.一种基于主动学习Kriging模型的可行域搜索方法,其特征在于:
选取初始样本点,并计算所述初始样本点的损失函数J(x)';
引入多个主动学习函数并构造多种约束主动学习函数,优化多种约束主动学习函数,获取最优帕累托前沿;
从最优帕累托前沿中获取多个最佳样本点,并计算最佳样本点的损失函数真实值;
所述约束主动学习函数为:
所述主动学习函数包括期望改进EI、改进概率PI、置信上限UCB,所述约束主动学习函数包括CEI、CPI和CUCB。
2.根据权利要求1所述的可行域搜索方法,其特征在于,所述初始样本点的损失函数是通过计算各样本点的约束函数值,进一步计算所有约束函数的损失函数值,再利用KS函数进行近似最大得到的。
6.根据权利要求1所述的可行域搜索方法,其特征在于,所述最优帕累托前沿是利用多目标遗传算法优化多种约束主动学习函数获取的。
7.根据权利要求1所述的可行域搜索方法,其特征在于,所述从最优帕累托前沿中获取多个最佳样本点是基于优劣解距离法。
8.根据权利要求1所述的可行域搜索方法,其特征在于,当算法不收敛时,合并当前样本点,并重新构建或更新损失函数和所有约束函数的Kriging代理模型。
9.一种实现权利要求1-8任一项所述的可行域搜索方法的装置,包括:
构建损失函数模块,用于构建初始样本点损失函数;
构建代理模型模块,用于构建或更新损失函数和所有约束函数的Kriging代理模型;
最优帕累托前沿获取模块,基于多目标遗传算法优化多种约束主动学习函数,获取最优帕累托前沿;
计算最佳样本点的损失函数值模块,基于优劣解距离法从最优帕累托前沿中获取多个最佳样本点,并计算最佳样本点的损失函数真实值;
可行域确定模块,用于确定可行域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504769.1A CN114880775B (zh) | 2022-05-10 | 2022-05-10 | 一种基于主动学习Kriging模型的可行域搜索方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504769.1A CN114880775B (zh) | 2022-05-10 | 2022-05-10 | 一种基于主动学习Kriging模型的可行域搜索方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114880775A CN114880775A (zh) | 2022-08-09 |
CN114880775B true CN114880775B (zh) | 2023-05-09 |
Family
ID=82676476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210504769.1A Active CN114880775B (zh) | 2022-05-10 | 2022-05-10 | 一种基于主动学习Kriging模型的可行域搜索方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114880775B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807809A (zh) * | 2024-01-29 | 2024-04-02 | 江苏大学 | 一种求解框架类薄壁结构耗时优化问题的并行约束贝叶斯优化方法、系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377948A (zh) * | 2019-06-12 | 2019-10-25 | 江苏师范大学 | 一种注塑参数多目标优化方法 |
CN112434448A (zh) * | 2021-01-27 | 2021-03-02 | 中国人民解放军国防科技大学 | 基于多点加点的代理模型约束优化方法和装置 |
CN112560656A (zh) * | 2020-12-11 | 2021-03-26 | 成都东方天呈智能科技有限公司 | 一种联合注意力机制端到端训练的行人多目标跟踪方法 |
CN114091650A (zh) * | 2021-09-01 | 2022-02-25 | 广东工业大学 | 一种深度卷积神经网络架构的搜索方法和应用 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2935421A1 (en) * | 2014-01-06 | 2015-07-09 | Schlumberger Canada Limited | Multistage oilfield design optimization under uncertainty |
CN107492892B (zh) * | 2017-08-31 | 2020-05-26 | 重庆邮电大学 | 一种多目标有功调度求解方法及系统 |
CN109918809A (zh) * | 2019-03-14 | 2019-06-21 | 北京理工大学 | 基于过滤器和自适应Kriging模型的飞行器近似优化方法 |
CN110610225A (zh) * | 2019-08-28 | 2019-12-24 | 吉林大学 | 一种基于kriging代理模型加点策略的多目标粒子群优化算法 |
CN111597698B (zh) * | 2020-05-08 | 2022-04-26 | 浙江大学 | 一种基于深度学习的多精度优化算法实现气动优化设计的方法 |
US11409015B2 (en) * | 2020-06-12 | 2022-08-09 | Saudi Arabian Oil Company | Methods and systems for generating graph neural networks for reservoir grid models |
CN113505545B (zh) * | 2021-06-21 | 2022-04-15 | 西南交通大学 | 基于改进加点准则的轨道交通车辆气动多目标优化方法 |
GB2608425B (en) * | 2021-07-01 | 2024-09-04 | Talos Innovation Aps | Method of simulating fluids in a subterranean environment |
-
2022
- 2022-05-10 CN CN202210504769.1A patent/CN114880775B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110377948A (zh) * | 2019-06-12 | 2019-10-25 | 江苏师范大学 | 一种注塑参数多目标优化方法 |
CN112560656A (zh) * | 2020-12-11 | 2021-03-26 | 成都东方天呈智能科技有限公司 | 一种联合注意力机制端到端训练的行人多目标跟踪方法 |
CN112434448A (zh) * | 2021-01-27 | 2021-03-02 | 中国人民解放军国防科技大学 | 基于多点加点的代理模型约束优化方法和装置 |
CN114091650A (zh) * | 2021-09-01 | 2022-02-25 | 广东工业大学 | 一种深度卷积神经网络架构的搜索方法和应用 |
Also Published As
Publication number | Publication date |
---|---|
CN114880775A (zh) | 2022-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111444094B (zh) | 一种测试数据的生成方法和系统 | |
CN114880775B (zh) | 一种基于主动学习Kriging模型的可行域搜索方法及装置 | |
CN112232495A (zh) | 预测模型的训练方法、装置、介质和计算设备 | |
US12086711B2 (en) | Data dividing method and processor for convolution operation | |
CN111291715B (zh) | 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质 | |
CN114757112A (zh) | 一种基于灰狼算法的电机参数设计方法及系统 | |
CN110807428A (zh) | 煤类样品的识别方法、装置、服务器及存储介质 | |
CN116433050B (zh) | 应用于农业大数据管理系统的异常报警方法及系统 | |
CN117371496A (zh) | 参数优化方法、装置、设备及存储介质 | |
CN116932935A (zh) | 地址匹配方法、装置、设备、介质和程序产品 | |
CN116797973A (zh) | 应用于环卫智慧管理平台的数据挖掘方法及系统 | |
CN116629099A (zh) | 一种基于混合代理模型的钣金件多目标优化方法 | |
CN116522834A (zh) | 时延预测方法、装置、设备及存储介质 | |
CN115495968A (zh) | 网格划分方法、终端以及存储介质 | |
CN118414621A (zh) | 使用预算感知的贝叶斯优化的超参数选择 | |
CN111881931B (zh) | 面向汽车车身轻量化结构设计中求解响应不连续昂贵优化问题的实现方法及装置 | |
CN114944204A (zh) | 用于管理分子预测的方法、装置、设备和介质 | |
CN114722490A (zh) | 一种基于混合增点与区间缩减的代理模型全局优化方法 | |
CN112101538A (zh) | 基于内存计算的图神经网络硬件计算系统及方法 | |
CN116958748B (zh) | 多任务因果学习的图像检测方法、装置、设备及介质 | |
CN113822445B (zh) | 模型集成预测方法、系统、电子设备及存储介质 | |
CN115547058B (zh) | 一种基于梯度下降的出行链模型参数快速标定方法 | |
CN116628863B (zh) | 车辆风阻系数确定方法、设备和介质 | |
CN117974566B (zh) | 一种输电线路关键部件缺陷检测方法、系统及电子设备 | |
CN118036428A (zh) | 一种基于克里金插值的集成代理模型的建模和预测方法 |
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 |