CN115495705A - 评价函数确定方法、装置、电子设备以及存储介质 - Google Patents
评价函数确定方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN115495705A CN115495705A CN202211204296.XA CN202211204296A CN115495705A CN 115495705 A CN115495705 A CN 115495705A CN 202211204296 A CN202211204296 A CN 202211204296A CN 115495705 A CN115495705 A CN 115495705A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- parameters
- fitness
- correction parameters
- group
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种评价函数确定方法、装置、电子设备以及存储介质。该方法包括获取待优化的目标模型的至少一组初始模型修正参数,并确定各组初始模型修正参数分别对应的各组适应度值;基于各组适应度值确定各组初始模型修正参数的适应度评价参数以及误差评价参数;基于适应度评价参数及其评价权重、误差评价参数及其评价权重,确定各组初始模型修正参数分别对应的目标评价函数,以对各组初始模型修正参数进行参数筛选,并基于筛选后的目标模型修正参数对目标模型进行优化。通过本发明公开的技术方案,解决了在优化过程中出现局部最优解,从而选择全局最优解,提高模型参数寻优的准确性,从而提高模型在后续应用过程中的准确性。
Description
技术领域
本发明涉及计算机数据处理技术领域,尤其涉及一种评价函数确定方法、装置、电子设备以及存储介质。
背景技术
在采用寻优算法(GA,遗传算法;PSO,粒子群算法)对多输入-多目标的神经网络模型(例如碳载量模型自动标定)的模型参数进行优化迭代过程中,评价函数计算是非常重要的。它影响到种群的累积概率,继而影响到种群是否被保留到下一代的概率,但现有技术在优化迭代的过程中,均采用单一的评价参数作为评价函数进行优化迭代,从而容易出现局部最优解,即忽略掉符合选择条件的种群,导致得到的模型参数并不是最优模型参数,降低了模型在后续应用过程中的准确性。
发明内容
本发明提供了一种评价函数确定方法、装置、电子设备以及存储介质,以解决在优化过程中出现局部最优解,即忽略掉符合选择条件的模型参数的问题,从而选择全局最优解,提高模型参数寻优的准确性,从而提高模型在后续应用过程中的准确性。
第一方面,本发明实施例提供了一种评价函数确定方法,该方法包括:
获取待优化的目标模型的至少一组初始模型修正参数,并确定各组初始模型修正参数分别对应的各组适应度值;
基于所述各组适应度值确定所述各组初始模型修正参数的适应度评价参数以及误差评价参数;
基于所述适应度评价参数及其评价权重、所述误差评价参数及其评价权重,确定所述各组初始模型修正参数分别对应的目标评价函数,以对所述各组初始模型修正参数进行参数筛选,并基于筛选后的目标模型修正参数对所述目标模型进行优化。
可选的,所述确定各组初始模型修正参数分别对应的各组适应度值,包括:
获取用于优化所述目标模型的实验数据;
分别将所述各组初始模型修正参数和所述实验数据输入至所述目标模型中,得到所述目标模型分别输出的各组适应度值。
可选的,所述基于所述各组适应度值确定所述各组初始模型修正参数的适应度评价参数,包括:
对于任一组适应度值,确定当前组适应度值中的最大适应度值以及最小适应度值;
基于所述最大适应度值以及所述最小适应度值确定所述当前组适应度值对应的当前组初始模型修正参数的初始适应度评价参数;
对所述初始适应度评价参数进行归一化处理,得到所述当前组初始模型修正参数的适应度评价参数。
可选的,所述基于所述各组适应度值确定所述各组初始模型修正参数的误差评价参数,包括:
对于任一组适应度值,确定当前组适应度值中的各适应度值的平均适应度值,并基于所述平均适应度值确定所述当前组适应度值对应的初始模型修正参数的初始误差评价参数;
对所述初始误差评价参数进行归一化处理,得到所述当前组初始模型修正参数的误差评价参数。
可选的,所述基于所述适应度评价参数及其评价权重、所述误差评价参数及其评价权重,确定所述各组初始模型修正参数分别对应的目标评价函数,包括:
对于任一组初始模型修正参数,分别对当前组初始模型修正参数的适应度评价参数及其评价权重进行加权乘积处理,以及对当前组初始模型修正参数的误差评价参数及其评价权重进行加权乘积处理;
对加权乘积后的所述适应度评价参数以及加权乘积后的误差评价参数进行求和处理,得到所述当前组的初始模型修正参数对应的目标评价函数。
可选的,在所述确定所述各组初始模型修正参数分别对应的目标评价函数之后,所述方法还包括:
基于所述各组初始模型修正参数分别对应的目标评价函数确定所述各组初始模型修正参数分别对应的选择概率以及累计概率;
基于预设的概率阈值以及所述累计概率对所述各组初始模型修正参数进行筛选,得到筛选后的至少一组目标模型修正参数。
可选的,所述目标模型包括碳载量估算模型,所述初始模型修正参数包括发动机的脉谱数据对应的修正参数,所述适应度值包括碳载量。
第二方面,本发明实施例还提供了一种评价函数确定装置,该装置包括:
适应度值确定模块,用于获取待优化的目标模型的至少一组初始模型修正参数,并确定各组初始模型修正参数分别对应的各组适应度值;
评价参数确定模块,用于基于所述各组适应度值确定所述各组初始模型修正参数的适应度评价参数以及误差评价参数;
目标评价函数确定模块,用于基于所述适应度评价参数及其评价权重、所述误差评价参数及其评价权重,确定所述各组初始模型修正参数分别对应的目标评价函数,以对所述各组初始模型修正参数进行参数筛选,并基于筛选后的目标模型修正参数对所述目标模型进行优化。
第三方面,本发明实施例还提供了一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的评价函数确定方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的评价函数确定方法。
本发明实施例的技术方案,具体包括获取待优化的目标模型的至少一组初始模型修正参数,并确定各组初始模型修正参数分别对应的各组适应度值;基于各组适应度值确定各组初始模型修正参数的适应度评价参数以及误差评价参数;基于适应度评价参数及其评价权重、误差评价参数及其评价权重,确定各组初始模型修正参数分别对应的目标评价函数,以对各组初始模型修正参数进行参数筛选,并基于筛选后的目标模型修正参数对目标模型进行优化。上述技术方案通过将适应度评价参数以及误差评价参数共同构成目标评价函数,并对初始模型修正参数进行筛选,从而实现对目标模型的寻优,解决了在优化过程中出现局部最优解,即忽略掉符合选择条件的模型参数的问题,从而选择全局最优解,提高模型参数寻优的准确性,从而提高模型在后续应用过程中的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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是本发明实施例一提供的一种评价函数确定方法的流程图;
图2是本发明实施例二提供的一种评价函数确定方法的流程图;
图3是本发明实施例三提供的一种评价函数确定装置的结构示意图;
图4是实现本发明实施例的评价函数确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
可以理解的是,在使用本公开各实施例公开的技术方案之前,均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
例如,在响应于接收到用户的主动请求时,向用户发送提示信息,以明确地提示用户,其请求执行的操作将需要获取和使用到用户的个人信息。从而,使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。
作为一种可选的但非限定性的实现方式,响应于接收到用户的主动请求,向用户发送提示信息的方式例如可以是弹窗的方式,弹窗中可以以文字的方式呈现提示信息。此外,弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。
可以理解的是,上述通知和获取用户授权过程仅是示意性的,不对本公开的实现方式构成限定,其它满足相关法律法规的方式也可应用于本公开的实现方式中。
可以理解的是,本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。
实施例一
图1为本发明实施例一提供了一种评价函数确定方法的流程图,本实施例可适用于采用寻优算法对目标模型的模型参数进行优化的情况,该方法可以由评价函数确定装置来执行,该评价函数确定装置可以采用硬件和/或软件的形式实现,该评价函数确定装置可配置于智能终端以及云端服务器中。如图1所示,该方法包括:
S110、获取待优化的目标模型的至少一组初始模型修正参数,并确定各组初始模型修正参数分别对应的各组适应度值。
本发明实施例提供的评价函数确定方法用于确定在采用寻优算法对目标模型的模型修正参数进行寻优的过程中所采用的评价函数,进而可以基于所确定的评价函数对各待筛选的初始模型修正参数进行筛选,以得到目标模型的最优模型修正参数,并基于最优模型修正参数对目标模型的模型参数进行修正,从而得到性能准确的目标模型。
在本发明实施例中,寻优算法可以包括遗传算法以及粒子群算法等寻优算法。在对模型修正参数进行寻优的过程中以寻优算法采用遗传算法为例,预先基于目标模型的初始模型修正参数初始化至少一组染色体,基于遗传算法对各组染色体进行交叉、变异操作以对各组染色体进行寻优,确定最优染色体,从而确定最优模型修正参数。
可选的,获取目标模型的初始模型修正参数的方法可以包括:获取目标模型的模型参数,并初始化各模型参数对应的修正参数,得到目标模型的初始模型修正参数,并将各初始模型修正参数初始化为一组染色体。换言之,将各初始模型修正参数作为一组染色体中的多个个体基因,进而可以基于各组染色体进行多个个体寻优,以确定最优的个体,即目标模型修正参数。具体的,在为各模型参数初始化模型修正参数的过程中,预先设定初始化范围,在该范围随机为同一模型参数初始化多个修正参数,并将各模型参数分别对应的多个初始模型修正参数进行排列组合得到多组染色体,进而基于遗传算法对各组染色体进行寻优,以确定目标模型修正参数,并基于目标模型修正参数对目标模型进行优化。
本实施例中,适应度值可以理解为目标模型输出的目标结果。可选的,获取适应度值的方法可以包括:获取用于优化目标模型的实验数据;分别将各组初始模型修正参数和实验数据输入至目标模型中,得到目标模型分别输出的各组适应度值。
需要说明的是,实验数据可以理解为目标模型的输出结果对应的输入数据,根据目标模型的不同,以及输出结果的不同,其对应的输入数据也各不相同。具体的,将获取到的实验数据以及各组初始模型修正参数分别输入至目标模型中,得到目标模型输出的各组初始模型修正参数分别对应的各组适应度值。
S120、基于各组适应度值确定各组初始模型修正参数的适应度评价参数以及误差评价参数。
在本发明实施例中,在基于上述实施方式分别获得各组初始模型修正参数分别对应的各组适应度值的基础上,基于各组适应度值分别确定各组初始模型修正参数的适应度评价参数以及误差评价参数,并基于适应度评价参数以及误差评价参数确定各组初始模型修正参数的评价函数,进而基于评价函数对各组初始模型修正参数进行参数筛选。
可选的,基于各组适应度值确定各组初始模型修正参数的适应度评价参数的方法可以包括:对于任一组适应度值,确定当前组适应度值中的最大适应度值以及最小适应度值;基于最大适应度值以及最小适应度值确定当前组适应度值对应的当前组初始模型修正参数的初始适应度评价参数;对初始适应度评价参数进行归一化处理,得到当前组初始模型修正参数的适应度评价参数。
具体的,对于任一组适应度值,获取当前组适应度值中的最大适应度值以及最小适应度值。基于当前组适应度值中的任一适应度值、最大适应度值以及最小适应度值,确定当前适应度值的适应度评价参数。在基于上述实施方式确定当前组适应度值中各适应度值的适应度评价参数的基础上,对各适应值的分别对应的适应度评价参数进行求和处理,得到当前组适应度值对应的初始模型修正参数的初始适应度评价参数。
可选的,可以采用预设表达式确定初始模型修正参数的初始适应度评价参数。示例性的,表达式可以包括:
具体的,基于上述实施方式分别确定各组适应度值对应的各组初始修正参数的初始适应度评价参数。可选的,为了使后续对应最优解的寻优过程变得平缓,从而更容易正确的收敛到最优解,本实施例对各组初始修正参数分别对应的各组初始适应度评价参数进行归一化处理,从而得到各组初始模型修正参数分别对应的各组适应度评价参数。具体的,可以基于预设的归一化表达式对各组初始适应度评价参数进行归一化处理。示例性的,归一化表达式可以包括:
可选的,为了防止对初始模型修正参数在寻优的过程中出现局部最优解,即忽略掉符合筛选条件的参数,本实施例的技术方案中还基于各组适应度值确定各组初始模型修正参数的误差评价参数,并将误差评价参数作为构成评价函数的参数之一,从而使得到的评价函数在寻优的过程中更精确地确定各组初始修正参数中的全局最优解,提高寻优的准确性。
可选的,基于各组适应度值确定各组初始模型修正参数的误差评价参数的方法可以包括:对于任一组适应度值,确定当前组适应度值中的各适应度值的平均适应度值,并基于平均适应度值确定当前组适应度值对应的初始模型修正参数的初始误差评价参数;对初始误差评价参数进行归一化处理,得到当前组初始模型修正参数的误差评价参数。
具体的,对于任一组适应度值,获取当前组适应度值中的平均适应度值。基于当前组适应度值中的任一适应度值以及平均适应度值,确定当前适应度值的误差评价参数。在基于上述实施方式确定当前组适应度值中各适应度值的误差评价参数的基础上,对各适应值的分别对应的误差评价参数进行求和处理,并基于当前组适应度值的数量对求和后的误差评价参数进行求均值处理,得到当前组适应度值对应的初始模型修正参数的初始误差评价参数。
可选的,可以采用预设表达式确定初始模型修正参数的初始误差评价参数。示例性的,表达式可以包括:
具体的,基于上述实施方式分别确定各组适应度值对应的各组初始修正参数的初始误差评价参数。可选的,为了使后续对应最优解的寻优过程变得平缓,从而更容易正确的收敛到最优解,本实施例对各组初始修正参数分别对应的各组初始误差评价参数进行归一化处理,从而得到各组初始模型修正参数分别对应的各组误差评价参数。具体的,可以基于预设的归一化表达式对各组初始误差评价参数进行归一化处理。示例性的,归一化表达式可以包括:
其中,表示第i组归一化后的适应度评价参数,MSEi(x)表示第i组归一化前的初始适应度评价参数,MSE(x)max表示各适应度评价参数中的最大评价参数,MSE(x)min表示各适应度评价参数中的最小评价参数。
需要注意的是,上述选用均方误差只是作为确定误差评价参数的示例性介绍,并不是本实施例的全部实施方式,本实施例还可以确定其他误差作为误差评价参数,对此本实施例不作限定。
S130、基于适应度评价参数及其评价权重、误差评价参数及其评价权重,确定各组初始模型修正参数分别对应的目标评价函数。
在基于上述实施方式确定各组初始模型修正参数的适应度评价参数以及误差评价参数的基础上,基于适应度评价参数及其评价权重、误差评价参数及其评价权重,确定各组初始模型修正参数分别对应的目标评价函数,进而基于目标评价函数对各组初始模型修正参数进行寻优,确定最优的模型修正参数。
可选的,确定各组初始模型修正参数分别对应的目标评价函数的方可以包括:对于任一组初始模型修正参数,分别对当前组初始模型修正参数的适应度评价参数及其评价权重进行加权乘积处理,以及对当前组初始模型修正参数的误差评价参数及其评价权重进行加权乘积处理;对加权乘积后的适应度评价参数以及加权乘积后的误差评价参数进行求和处理,得到当前组的初始模型修正参数对应的目标评价函数。
具体的,获取预先设置的适应度评价参数对应的适应度评价权重以及误差评价参数对应的误差评价权重。对于任一组初始模型修正参数,分别对当前组初始模型修正参数的适应度评价参数以及适应度评价权重进行加权乘积处理,并且分别对当前组初始模型修正参数的误差评价参数以及误差评价权重进行加权乘积处理;进而对加权乘积后的适应度评价参数以及加权乘积后的误差评价参数进行求和处理,得到当前组的初始模型修正参数对应的目标评价函数。
可选的,可以采用预设表达式确定初始模型修正参数的目标评价函数。示例性的,表达式可以包括:
可选的,基于上述实施方式分别确定各组初始模型修正参数分别对应的目标评价函数,进而基于各目标评价函数对各组初始模型修正参数进行参数筛选,并基于筛选后的目标模型修正参数对目标模型进行优化。
本发明实施例的技术方案,具体包括获取待优化的目标模型的至少一组初始模型修正参数,并确定各组初始模型修正参数分别对应的各组适应度值;基于各组适应度值确定各组初始模型修正参数的适应度评价参数以及误差评价参数;基于适应度评价参数及其评价权重、误差评价参数及其评价权重,确定各组初始模型修正参数分别对应的目标评价函数,以对各组初始模型修正参数进行参数筛选,并基于筛选后的目标模型修正参数对目标模型进行优化。上述技术方案通过将适应度评价参数以及误差评价参数共同构成目标评价函数,并对初始模型修正参数进行筛选,从而实现对目标模型的寻优,解决了在优化过程中出现局部最优解,即忽略掉符合选择条件的模型参数的问题,从而选择全局最优解,提高模型参数寻优的准确性,从而提高模型在后续应用过程中的准确性。
在上述实施方式的基础上,本发明实施例还提供了一种优选实施方式,具体包括:若目标模型为碳载量估算模型,则初始模型修正参数可以理解为用于修正发动机脉谱图的初始修正因子。其中,发动机脉谱图为碳载量估算模型中的模型参数,该模型参数的性能可以评估碳载量估算模型的模型性能。
可选的,获取碳载量模型的初始发动机脉谱图,并对发动机脉谱图进行区域标定,确定脉谱图中的至少一个标定区域。其中,标定区域的数量碳载量估算模型输出的碳载量值的数量相匹配。分别初始化各标定区域对应的修正因子,得到各标定区域的初始修正因子,并将各初始修正因子初始化为一组染色体。换言之,将各初始修正因子作为一组染色体中的多个个体基因,进而可以基于各组染色体进行多个个体寻优,以确定最优模型修正参数。具体的,在为各标定区域初始化修正因子的过程中,预先设定初始化范围,在该范围随机为同一标定区域初始化多个修正因子,并基于将各标定区域分别对应的多个初始修正因子进行排列组合得到多组染色体,进而基于遗传算法对各组染色体进行寻优,以确定最优修正因子。基于最优修正因子对碳载量参数的对发动机脉谱图中的谱图数据进行修正,以得到性能准确的碳载量估算模型。
本实施例中,在目标模型为碳载估算模型的基础上,适应度值可以理解为碳载量估算模型输出的碳载量值,实验数据可以包括但不限于发动机转速、发动机喷油量、发动机瞬态过量空气系数、废气质量流量、PDF温度以及二氧化氮质量流量等发动机的相关特性数据。相应的,对于任一组初始模型修正参数,将上述发动机的相关特征数据(实验数据)以及当前组修正因子(初始模型修正参数)输入至碳载量估算模型(目标模型),得到碳载量估算模型输出的当前组修正因子对应的一组碳载量值,即得到当前组初始模型修正参数对应的一组适应度值。
可选的,基于上述实施方式中的表达式分别确定各组初始修正因子分别对应的适应度评价参数以及误差评价参数,并进而确定各组初始修正因子分别对应的目标评价函数,以对各组初始修正因子进行参数筛选,并基于筛选后的修正因子对碳载量估算模型的发动机脉谱图进行优化,从而得到性能准确的碳载量估算模型。
实施例二
图2为本发明实施例二提供的一种评价函数确定方法的流程图,在上述实施方式的基础上,可选的,在确定各组初始模型修正参数分别对应的目标评价函数之后,方法还包括:
基于各组初始模型修正参数分别对应的目标评价函数确定各组初始模型修正参数分别对应的选择概率以及累计概率;
基于预设的概率阈值以及累计概率对各组初始模型修正参数进行筛选,得到筛选后的至少一组目标模型修正参数。如图2所示,该方法包括:
S210、获取待优化的目标模型的至少一组初始模型修正参数,并确定各组初始模型修正参数分别对应的各组适应度值。
S220、基于各组适应度值确定各组初始模型修正参数的适应度评价参数以及误差评价参数。
S230、基于适应度评价参数及其评价权重、误差评价参数及其评价权重,确定各组初始模型修正参数分别对应的目标评价函数。
S240、基于各组初始模型修正参数分别对应的目标评价函数确定各组初始模型修正参数分别对应的选择概率以及累计概率,并基于预设的概率阈值以及累计概率对各组初始模型修正参数进行筛选,得到筛选后的至少一组目标模型修正参数。
本发明实施例中,在基于上述实施方式分别确定各初始模型修正参数的目标评价函数的基础上,基于各目标评价函数确定各初始模型修正参数的选择概率以及累计概率,进而实现对初始模型修正参数的筛选。
可选的,可以基于预设的选择概率确定表达式确定初始模型修正参数的选择概率。示例性的,表达式可以包括:
其中,pi表示第i组初始模型修正参数的选择概率,evali(x)表示第i组初始模型修正参数的目标评价函数,表示初始模型修正参数的组数量,F表示目标评价函数的最小化系数。
可选的,可以基于预设的累积概率确定表达式确定初始模型修正参数的累积概率。示例性的,表达式可以包括:
其中,Li表示第i组初始模型修正参数的累积概率,pi表示第i组初始模型修正参数的选择概率,j表示参数的总数量。
可选的,在确定各组初始模型修正参数的累积概率的基础上,获取预先确定的筛选阈值,基于该筛选阈值以及累积概率对各组初始模型修正参数进行筛选,并确定筛选后的模型修正参数。
本发明实施例的技术方案引入初始模型修正参数的误差评价参数作为确定评价函数的一个子项,结合适应度评价参数,使得构成的目标评价函数更加能够客观反映各组初始模型修正参数对应的适应度值的优劣,从而使得优秀的种群有更加合理的概率被选择保留到下一代中,提高寻优效率和精度,误差更小。
实施例三
图3为本发明实施例三提供的一种评价函数确定装置的结构示意图。如图3所示,该装置包括:适应度值确定模块310、评价参数确定模块320以及目标评价函数确定模块330;其中,
适应度值确定模块310,用于获取待优化的目标模型的至少一组初始模型修正参数,并确定各组初始模型修正参数分别对应的各组适应度值;
评价参数确定模块320,用于基于所述各组适应度值确定所述各组初始模型修正参数的适应度评价参数以及误差评价参数;
目标评价函数确定模块330,用于基于所述适应度评价参数及其评价权重、所述误差评价参数及其评价权重,确定所述各组初始模型修正参数分别对应的目标评价函数,以对所述各组初始模型修正参数进行参数筛选,并基于筛选后的目标模型修正参数对所述目标模型进行优化。
在上述实施方式的基础上,可选的,适应度值确定模块310,包括:
实验数据获取单元,用于获取用于优化所述目标模型的实验数据;
适应度值获得单元,用于分别将所述各组初始模型修正参数和所述实验数据输入至所述目标模型中,得到所述目标模型分别输出的各组适应度值。
在上述实施方式的基础上,可选的,评价参数确定模块320,包括:
最大、最小适应度值获取单元,用于对于任一组适应度值,确定当前组适应度值中的最大适应度值以及最小适应度值;
初始适应度评价参数确定单元,用于基于所述最大适应度值以及所述最小适应度值确定所述当前组适应度值对应的当前组初始模型修正参数的初始适应度评价参数;
适应度评价参数确定单元,用于对所述初始适应度评价参数进行归一化处理,得到所述当前组初始模型修正参数的适应度评价参数。
在上述实施方式的基础上,可选的,评价参数确定模块320,包括:
初始误差评价参数确定单元,用于对于任一组适应度值,确定当前组适应度值中的各适应度值的平均适应度值,并基于所述平均适应度值确定所述当前组适应度值对应的初始模型修正参数的初始误差评价参数;
误差评价参数确定单元,用于对所述初始误差评价参数进行归一化处理,得到所述当前组初始模型修正参数的误差评价参数。
在上述实施方式的基础上,可选的,目标评价函数确定模块320,包括:
评价参数处理单元,用于对于任一组初始模型修正参数,分别对当前组初始模型修正参数的适应度评价参数及其评价权重进行加权乘积处理,以及对当前组初始模型修正参数的误差评价参数及其评价权重进行加权乘积处理;
目标评价函数生成单元,用于对加权乘积后的所述适应度评价参数以及加权乘积后的误差评价参数进行求和处理,得到所述当前组的初始模型修正参数对应的目标评价函数。
在上述实施方式的基础上,可选的,所述装置还包括:
概率确定模块,用于在所述确定所述各组初始模型修正参数分别对应的目标评价函数之后,基于所述各组初始模型修正参数分别对应的目标评价函数确定所述各组初始模型修正参数分别对应的选择概率以及累计概率;
目标模型修正参数确定模块,用于基于预设的概率阈值以及所述累计概率对所述各组初始模型修正参数进行筛选,得到筛选后的至少一组目标模型修正参数。
在上述实施方式的基础上,可选的,所述目标模型包括碳载量估算模型,所述初始模型修正参数包括发动机的脉谱数据对应的修正参数,所述适应度值包括碳载量。
本发明实施例所提供的评价函数确定装置可执行本发明任意实施例所提供的评价函数确定方法,具备执行方法相应的功能模块和有益效果。
实施例四
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如评价函数确定方法。
在一些实施例中,评价函数确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的评价函数确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行评价函数确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种评价函数确定方法,其特征在于,包括:
获取待优化的目标模型的至少一组初始模型修正参数,并确定各组初始模型修正参数分别对应的各组适应度值;
基于所述各组适应度值确定所述各组初始模型修正参数的适应度评价参数以及误差评价参数;
基于所述适应度评价参数及其评价权重、所述误差评价参数及其评价权重,确定所述各组初始模型修正参数分别对应的目标评价函数,以对所述各组初始模型修正参数进行参数筛选,并基于筛选后的目标模型修正参数对所述目标模型进行优化。
2.根据权利要求1所述的方法,其特征在于,所述确定各组初始模型修正参数分别对应的各组适应度值,包括:
获取用于优化所述目标模型的实验数据;
分别将所述各组初始模型修正参数和所述实验数据输入至所述目标模型中,得到所述目标模型分别输出的各组适应度值。
3.根据权利要求1所述的方法,其特征在于,所述基于所述各组适应度值确定所述各组初始模型修正参数的适应度评价参数,包括:
对于任一组适应度值,确定当前组适应度值中的最大适应度值以及最小适应度值;
基于所述最大适应度值以及所述最小适应度值确定所述当前组适应度值对应的当前组初始模型修正参数的初始适应度评价参数;
对所述初始适应度评价参数进行归一化处理,得到所述当前组初始模型修正参数的适应度评价参数。
4.根据权利要求1所述的方法,其特征在于,所述基于所述各组适应度值确定所述各组初始模型修正参数的误差评价参数,包括:
对于任一组适应度值,确定当前组适应度值中的各适应度值的平均适应度值,并基于所述平均适应度值确定所述当前组适应度值对应的初始模型修正参数的初始误差评价参数;
对所述初始误差评价参数进行归一化处理,得到所述当前组初始模型修正参数的误差评价参数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述适应度评价参数及其评价权重、所述误差评价参数及其评价权重,确定所述各组初始模型修正参数分别对应的目标评价函数,包括:
对于任一组初始模型修正参数,分别对当前组初始模型修正参数的适应度评价参数及其评价权重进行加权乘积处理,以及对当前组初始模型修正参数的误差评价参数及其评价权重进行加权乘积处理;
对加权乘积后的所述适应度评价参数以及加权乘积后的误差评价参数进行求和处理,得到所述当前组的初始模型修正参数对应的目标评价函数。
6.根据权利要求1所述的方法,其特征在于,在所述确定所述各组初始模型修正参数分别对应的目标评价函数之后,所述方法还包括:
基于所述各组初始模型修正参数分别对应的目标评价函数确定所述各组初始模型修正参数分别对应的选择概率以及累计概率;
基于预设的概率阈值以及所述累计概率对所述各组初始模型修正参数进行筛选,得到筛选后的至少一组目标模型修正参数。
7.根据权利要求1所述的方法,其特征在于,所述目标模型包括碳载量估算模型,所述初始模型修正参数包括发动机的脉谱数据对应的修正参数,所述适应度值包括碳载量。
8.一种评价函数确定装置,其特征在于,包括:
适应度值确定模块,用于获取待优化的目标模型的至少一组初始模型修正参数,并确定各组初始模型修正参数分别对应的各组适应度值;
评价参数确定模块,用于基于所述各组适应度值确定所述各组初始模型修正参数的适应度评价参数以及误差评价参数;
目标评价函数确定模块,用于基于所述适应度评价参数及其评价权重、所述误差评价参数及其评价权重,确定所述各组初始模型修正参数分别对应的目标评价函数,以对所述各组初始模型修正参数进行参数筛选,并基于筛选后的目标模型修正参数对所述目标模型进行优化。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的评价函数确定方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的评价函数确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204296.XA CN115495705A (zh) | 2022-09-29 | 2022-09-29 | 评价函数确定方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211204296.XA CN115495705A (zh) | 2022-09-29 | 2022-09-29 | 评价函数确定方法、装置、电子设备以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115495705A true CN115495705A (zh) | 2022-12-20 |
Family
ID=84472556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211204296.XA Pending CN115495705A (zh) | 2022-09-29 | 2022-09-29 | 评价函数确定方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115495705A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115638042A (zh) * | 2022-12-23 | 2023-01-24 | 潍柴动力股份有限公司 | 一种碳载量模型修正方法、装置、存储介质及电子设备 |
-
2022
- 2022-09-29 CN CN202211204296.XA patent/CN115495705A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115638042A (zh) * | 2022-12-23 | 2023-01-24 | 潍柴动力股份有限公司 | 一种碳载量模型修正方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114265979B (zh) | 确定融合参数的方法、信息推荐方法和模型训练方法 | |
CN115147687A (zh) | 学生模型训练方法、装置、设备及存储介质 | |
CN111460384A (zh) | 策略的评估方法、装置和设备 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115495705A (zh) | 评价函数确定方法、装置、电子设备以及存储介质 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN113420792A (zh) | 图像模型的训练方法、电子设备、路侧设备及云控平台 | |
CN113642727A (zh) | 神经网络模型的训练方法和多媒体信息的处理方法、装置 | |
CN112528159A (zh) | 一种特征质量评估方法、装置、电子设备及存储介质 | |
CN112966199B (zh) | 一种页面调整收益的确定方法、装置、电子设备和介质 | |
CN116125279A (zh) | 一种电池健康状态的确定方法、装置、设备及存储介质 | |
CN115408858A (zh) | 脉谱参数分区方法、装置、电子设备以及存储介质 | |
CN117236233B (zh) | 半导体器件初始值评估方法、装置、电子设备及存储介质 | |
CN115630772B (zh) | 综合能源检测配电方法、系统、设备及存储介质 | |
CN117236234B (zh) | 半导体器件模拟中迭代步数预测方法及装置 | |
CN117093933A (zh) | 模型构建方法、装置、存储介质及电子设备 | |
CN116843203A (zh) | 服务接入处理方法、装置、设备、介质及产品 | |
CN118134590A (zh) | 一种信息传输方法、装置、设备及存储介质 | |
CN115402310A (zh) | 一种巡航控制方法、装置、设备及存储介质 | |
CN117592618A (zh) | 一种活跃用户预测方法、装置、服务器和存储介质 | |
CN117934155A (zh) | 资源分配模型的矫正方法及装置、存储介质、电子设备 | |
CN117573983A (zh) | 一种融资方案的推荐方法、装置、电子设备及存储介质 | |
CN116720685A (zh) | 应用的灰度测试方法、装置、电子设备及存储介质 | |
CN115758142A (zh) | 深度学习模型的训练方法、数据处理方法和装置 | |
CN116451551A (zh) | 基于数据修正的烟气含氧量负荷预测方法及装置 |
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 |