CN115810401A - 配方建构系统、方法、可读存储介质与计算机程序产品 - Google Patents

配方建构系统、方法、可读存储介质与计算机程序产品 Download PDF

Info

Publication number
CN115810401A
CN115810401A CN202111185466.XA CN202111185466A CN115810401A CN 115810401 A CN115810401 A CN 115810401A CN 202111185466 A CN202111185466 A CN 202111185466A CN 115810401 A CN115810401 A CN 115810401A
Authority
CN
China
Prior art keywords
information
component information
recipe
historical
individual
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
Application number
CN202111185466.XA
Other languages
English (en)
Inventor
傅昱翔
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.)
Walsin Lihwa Corp
Original Assignee
Walsin Lihwa Corp
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 Walsin Lihwa Corp filed Critical Walsin Lihwa Corp
Publication of CN115810401A publication Critical patent/CN115810401A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Operation Control Of Excavators (AREA)

Abstract

本申请提供一种配方建构系统、方法、可读存储介质与计算机程序产品。其中，降维模块依据各历史配方信息的成分信息及降维算法获得降维成分信息；神经网络模块依据成分信息与降维成分信息获得多个经训练神经网络参数；神经网络模块依据多个经训练神经网络参数及初始成分信息获得降维初始成分信息；搜寻模块在多个历史配方信息中寻找具有第一数量的多个候选配方信息；判断模块判断各候选配方信息的物性信息是否满足规格，输出满足规格的解配方信息。

Description

配方建构系统、方法、可读存储介质与计算机程序产品
本申请要求于2021年09月14日提交中国台湾地区专利局、申请案号为110134295、发明名称为“配方建构系统、配方建构方法、内储程序之计算机可读取记录媒体与非暂时性计算机程序产品”的中国台湾地区专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请有关于配方建构领域，尤其涉及应用神经网络于整合经验知识以建构配方的技术。
背景技术
剂量效应关系是一种输入与输出变量之间变化关系的形式，在不同的制程中具有相同的形式，像是电线电缆配方设计的化学原料组合(输入)与成品被覆材料物理特性性质(输出)的关系、电线电缆软铜线拉伸制程的机台可控参数(输入)与线材物理性质(输出)的关系、冷/热轧钢制程的机台可控参数(输入)与成品品质特征(输出)的关系或不锈钢成品(板类、棒类或盘元类)酸洗制程的可控参数(输入)与成品重量消耗(输出)的关系等形式。然而，传统上，实际应用时要建构前述剂量效应关系，往往是以人力经验试误为主，并无法有效利用过去成功经验所产生及累积的知识。
发明内容
有鉴于此，本申请一些实施例提供一种配方建构系统、方法、可读存储介质与计算机程序产品，以改善现有技术问题。
本申请一实施例提供一种配方建构系统，配方建构系统包含降维模块、神经网络模块、搜寻模块以及判断模块；降维模块经配置以接收多个历史配方信息，并依据各历史配方信息的成分信息及降维算法获得各历史配方信息的降维成分信息；神经网络模块经配置以接收初始成分信息，其中，神经网络模块经配置依据各历史配方信息的成分信息与降维成分信息训练神经网络模块的多个神经网络参数以获得多个经训练神经网络参数；神经网络模块并依据多个经训练神经网络参数及初始成分信息获得降维初始成分信息；搜寻模块经配置以依据第一距离度量、降维初始成分信息以及各历史配方信息的降维成分信息，在多个历史配方信息中寻找具有第一数量的多个候选配方信息；以及判断模块经配置以判断各候选配方信息的物性信息是否满足规格；响应于多个候选配方信息中的解配方信息的物性信息满足规格，输出解配方信息。
本申请一实施例提供一种配方建构方法，由处理器执行。配方建构方法包含以下步骤：接收多个历史配方信息，并依据各历史配方信息的成分信息及降维算法获得各历史配方信息的降维成分信息；接收初始成分信息；依据各历史配方信息的成分信息与降维成分信息训练神经网络模块的多个神经网络参数以获得多个经训练神经网络参数，并依据多个经训练神经网络参数及初始成分信息获得降维初始成分信息。依据第一距离度量、降维初始成分信息以及各历史配方信息的降维成分信息，在多个历史配方信息中寻找具有第一数量的多个候选配方信息；以及判断各候选配方信息的物性信息是否满足规格；响应于多个候选配方信息中的解配方信息的物性信息满足规格，输出解配方信息。
本申请提供一种内储程序的计算机可读存储介质及一种非暂时性计算机程序产品，当处理器加载程序并执行后，能够完成前述配方建构方法。
基于上述方案，本申请一些实施例提供一种配方建构系统、方法、内储程序的计算机可读存储介质与计算机程序产品，借由降维模块接收多个历史配方信息，并依据各历史配方信息的成分信息及降维算法获得各历史配方信息的降维成分信息。神经网络模块接收初始成分信息，依据各历史配方信息的成分信息与降维成分信息训练神经网络模块的多个神经网络参数以获得多个经训练神经网络参数。神经网络模块再依据多个经训练神经网络参数及初始成分信息获得降维初始成分信息。搜寻模块经配置以依据第一距离度量、降维初始成分信息以及各历史配方信息的降维成分信息，在多个历史配方信息中寻找具有第一数量的多个候选配方信息。以及判断模块经配置以判断各候选配方信息的物性信息是否满足规格。响应于多个候选配方信息中的解配方信息的物性信息满足规格，输出解配方信息，可自动化且有效地利用历史配方信息所内蕴的知识。
附图说明
图1A是依据本申请一实施例所绘示的配方建构系统与历史配方信息的结构框图。
图1B是依据本申请一实施例所绘示的配方建构系统与原始历史配方信息的结构框图。
图2是依据本申请一实施例所绘示的配方建构系统与历史配方信息的结构框图图。
图3是依据本申请一实施例所绘示的降维模块与神经网络模块运作示意图。
图4是依据本申请一实施例所绘示的搜寻模块运作示意图。
图5是依据本申请一实施例所绘示的分群模块运作示意图。
图6A是依据本申请一实施例所绘示的变异操作示意图。
图6B是依据本申请另一实施例所绘示的变异操作示意图。
图7是依据本申请一实施例所绘示的交换操作示意图。
图8是依据本申请一实施例的电子设备的结构示意图。
图9是依据本申请一实施例所绘示的配方建构方法流程图。
图10是依据本申请另一实施例所绘示的配方建构方法流程图。
图11是依据本申请一实施例所绘示的演化计算流程图。
图12是依据本申请一实施例所绘示的交换操作流程图。
图13是依据本申请一实施例所绘示的变异操作流程图。
附图标记说明：
100、100’、200：配方建构系统；
101：降维模块；
102：神经网络模块；
103：搜寻模块；
104：判断模块；
105：历史配方信息；
106：标准化模块；
107：原始历史配方信息；
201：分群模块；
202：模型建立模块；
203：预测模型选择模块；
204：演化计算模块；
301：成分信息向量；
302：降维成分信息向量；
401：降维初始成分信息向量；
402：降维成分信息向量；
501、502、503、504：数据群；
600、600’、603、603’、603”、701、701’、702、702’：成分信息向量；
601：成分信息向量的分量；
602、602’、604、604’、604”：数值；
703、704：切断点；
800：电子设备；
801：处理器；
802：内部存储器；
803：非挥发性内存；
S901～S904、S1001～S1007、S1101～S1105、S1201～S1202、S1301：步骤。
具体实施方式
有关本申请的前述及其他技术内容、技术特征与功效，在以下配合参考附图式的实施例的详细说明中，将可清楚的呈现。附图中各元件的比例或尺寸，以夸张或省略或概略的方式表示，以供本领域技术人员了解与阅读，并非用以限定本申请可实施的限定条件，故不具技术上之实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本申请所能产生的功效及所能达成的目的下，均仍应落在本申请所揭示的技术内容所涵盖的范围内。在所有附图中相同的附图标记将用于表示相同或相似的元件。以下实施例中所提到的“耦接”或“连接”一词可指任何直接或间接、有线或无线的连接手段。
图1A是依据本一发明实施例所绘示的配方建构系统100与历史配方信息105的结构框图。图1B是依据本一发明实施例所绘示的配方建构系统100与原始历史配方信息107的结构框图。请同时参阅图1A与图1B。如图1A所示，在一种软件的实施方式中，配方建构系统100包含降维模块101、神经网络模块102、搜寻模块103以及判断模块104。其中，降维模块101经配置以接收多个历史配方信息105。
历史配方信息105的各个配方信息都包含一个成分信息与一个物性信息。在本实施例中，成分信息包含各化学原料的数量。物性信息包含成品的物理性质。成分信息以及物性信息以向量形式呈现。例如，成分信息以下列成分信息向量的形式呈现：
(1.0，2.0，1.5，4，2.3，1.7，10)。
成分信息向量的各分量都代表不同的化学原料成分，其数值代表制造时不同的化学原料成分的用量。例如，第一个分量代表的是第一种主胶的用量，第二个分量代表的是第二种主胶的用量，第三个分量代表的是第一种填料的用量等等。成分信息向量所显示的信息即是成分信息。
物性信息以下列物性信息向量的形式呈现：
(1.12，341，33.67，5.52)。
物性信息向量的各分量都代表不同的物理性质。这些物理性质是以对应的成分信息所制造出的成品的物理性质。例如，物性信息向量的第一个分量代表的是抗张强度，第二个分量代表的是伸长百分比，第三个分量代表的是混炼胶黏度，第四个分量代表的是压缩变形等等。物性信息向量所显示的信息即是物性信息。
需要说明的是，虽然在本实施例中，成分信息包含各化学原料的数量，物性信息包含成品的物理性质。在本申请一实施例中，成分信息包含电线电缆软铜线拉伸制程的机台可控参数与物性信息包含线材物理性质。在本申请一实施例中，成分信息包含冷/热轧钢制程的机台可控参数，物性信息包含成品品质特征。在本申请一实施例中，成分信息包含不锈钢成品(板类、棒类或盘元类)酸洗制程的可控参数，物性信息包含成品重量消耗。只要成分信息与物性信息包含变化关系即可，本申请并不予以限定。又虽在本实施例中是以向量形式呈现成分信息以及物性信息，亦可以矩阵形式呈现成分信息以及物性信息，本申请并不予以限定。
配方建构系统100会从外部接收一个规格。配方建构系统100的神经网络模块102从外部接收一个初始成分信息。配方建构系统100的目标就是要依据从外部接收一个初始成分信息以及历史配方信息105，输出可以制造出物性满足这个规格的成品的成分信息向量，亦即输出成分信息向量所代表的成分信息。
在本实施例中，规格是物性限制范围的集合，以前述例物性信息向量为例，规格是：抗张强度>13，伸长百分比>300，混炼胶黏度>20，压缩变形<10。
在本实施例中，降维模块101所接收的历史配方信息105的成分信息向量是已经过标准化的数值。亦即，成分信息向量的各个分量的数值，是一个原始历史配方信息的原始成分信息的向量标准化后的数值。在本实施例中，标准化是对各原始历史配方信息的原始成分信息的向量减去其对应的平均值后，再除以其对应的标准差。举例来说，若原始历史配方信息是以下三组向量：
第一组：原始成分信息向量(273，82，105，210，9，904，680)，物性信息向量(23，62，34.99)。
第二组：原始成分信息向量(163，149，191，180，12，843，746)，物性信息向量(0，20，41.14)。
第三组：原始成分信息向量(162，148，191，179，16，840，743)，物性信息向量(1，20，41.81)。
原始成分信息向量的第一个分量的平均值是(273+163+162)/3＝199.33，标准差是52.09。再利用原始成分信息向量的第一个分量的平均值199.3与标准差52.09，以及公式
Figure BDA0003299013640000061
去正规化所有原始成分信息向量的第一个分量的数值，得到(273-199.3)/52.09＝1.41，(163-199.3)/52.09＝-0.69以及(162-199.3)/52.09＝-0.71。如此，就完成原始成分信息向量的第一个分量的标准化。重复上面的步骤，对每个原始成分信息向量的每个分量做标准化，以得到历史配方信息105的成分信息的向量。原始成分信息向量的每个分量的平均值与标准差被称为标准化参数。
需要说明的是，前述标准化的方法并非是唯一的方法，可依实际资料的特性，选择适当的标准化参数以对原始成分信息进行标准化。
请参考图1B，在本申请一实施例中，配方建构系统100’还包含标准化模块106。标准化模块106经配置以接收原始历史配方信息107，并依照前面所述的方法对原始历史配方信息107进行标准化，以获得历史配方信息105的成分信息。再将历史配方信息105传送给降维模块101。
以下即配合附图详细说明本申请实施例的配方建构方法以及配方建构系统100、100’的各模块之间如何协同运作。
图3是依据本申请一实施例所绘示的降维模块101与神经网络模块102运作示意图。图9是依据本申请一实施例所绘示的配方建构方法流程图。请一并参阅图1A、图1B、图3及图9。在步骤S901中，降维模块101接收多个历史配方信息105，并依据各历史配方信息105的成分信息及降维算法获得各历史配方信息105的降维成分信息。
在本实施例中，如图3所绘示，降维模块101利用t-SNE(t-distributedStochastic Neighbor Embedding，t分布随机邻近嵌入)算法作为降维算法，对所有历史配方信息105的成分信息向量301进行降维以得到降维成分信息向量302，降维成分信息向量302位于二维的向量空间中。
在步骤S902中，神经网络模块102将各个历史配方信息105的成分信息向量301与对应的降维成分信息向量302作为训练样本，训练神经网络模块102的多个神经网络参数以获得多个经训练神经网络参数。也就是说，在本实施例中，利用神经网络模块102的多个神经网络参数学习降维算法的内部过程。在获得经训练神经网络参数后，神经网络模块102从外部接收一个初始成分信息，初始成分信息在本实施例中，以一个初始成分信息向量表示。并依据经训练神经网络参数及初始成分信息获得降维初始成分信息。这个初始成分信息向量已利用前述原始成分信息向量的每个分量的平均值与标准差(即标准化参数)做过标准化(在图1B所绘示的实施例则是先由标准化模块106接收原始初始成分信息，再由标准化模块106利用前述原始成分信息向量的每个分量的平均值与标准差做标准化以获得初始成分信息再传入神经网络模块102以获得降维初始成分信息)。
前述利用神经网络模块102学习降维算法的内部过程，可在不使初始成分信息影响历史配方信息105的成分信息向量301的降维过程的情况下，获得对应的降维成分信息向量302，而保持降维成分信息向量302的独立性，使降维成分信息向量302不会受到初始成分信息的影响。
在本申请一些实施例中，降维模块101利用其他非线性算法(例如，LocallyLinear Embedding(简称LLE)或是Isometric Mapping算法)作为降维算法，本申请并不予以限定非线性算法的种类。
在本申请一些实施例中，降维模块101利用线性算法(例如，主成分分析(Principal components analysis，简称PCA))作为降维算法。
图4是依据本申请一实施例所绘示的搜寻模块103运作示意图。请再同时参阅图4。
在步骤S903中，搜寻模块103依据第一距离度量、降维初始成分信息以及各历史配方信息105的降维成分信息，在多个历史配方信息105中寻找具有第一数量的多个候选配方信息。
在本实施例中，搜寻模块103依据第一距离度量(在本实施例中为二维向量空间的欧式距离)，在多个历史配方信息向量中，寻找距离降维初始成分信息向量401最近的第一数量(在图4所绘示的例子中第一数量为5)个降维成分信息向量402。搜寻模块103再寻找这些降维成分信息向量402所对应的第一数量个历史配方信息。这些第一数量个历史配方信息为方便以下说明，称为候选配方信息。
在步骤S904中，在选出第一数量个候选配方信息后，判断模块104再判断这些第一数量个候选配方信息的物性信息中，是否有满足规格的物性信息。如果这些第一数量个候选配方信息的物性信息中有满足规格的物性信息，为了方便说明，称满足规格的物性信息所对应的候选配方信息为解配方信息。判断模块104再输出这些解配方信息。
需要说明的是，虽然在前述实施例中，第一距离度量为二维向量空间的欧式距离。并且降维模块101利用t-SNE算法作为降维算法，对所有历史配方信息105的成分信息向量301进行降维以得到位于二维的向量空间中的降维成分信息向量302。然而，第一距离度量亦可以选择其他度量方法(如曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)等等)，只要能赋予二维的向量空间中各点距离即可。降维模块101也可利用t-SNE算法将所有历史配方信息105的成分信息向量301降维到3维，或利用其他降维算法将所有历史配方信息105的成分信息向量301降维到其他维度，本申请并不以前述实施例为限。
图2是依据本申请一实施例所绘示的配方建构系统200与历史配方信息105的结构框图。请参阅图2，图2所绘示的配方建构系统200与图1A相较，还包含分群模块201、模型建立模块202、预测模型选择模块203以及演化计算模块204。图5是依据本申请一实施例所绘示的分群模块201运作示意图。图10是依据本申请一实施例所绘示的配方建构方法流程图。请一并参阅图2、图5及图10。
响应于前述第一数量个候选配方信息的物性信息中不存在满足规格的物性信息，在步骤S1001中，分群模块201依据分群算法及各历史配方信息105的降维成分信息，将多个历史配方信息105分成多个数据群。
在本实施例中，分群模块201以阶层式分群法(Hierarchical Clustering)作为分群算法，并依据各历史配方信息105的降维成分信息，将降维成分信息分成多个数据群。以图5所绘示的例子来说明，分群模块201将降维成分信息分成多个数据群501、502、503以及504。对应地，历史配方信息105也同时也分别对应数据群501、502、503以及504。
在步骤S1002中，模型建立模块202依据各数据群中各成员的成分信息与物性信息，建立各数据群的候选预测模型。
在图5所绘示的例子中，模型建立模块202依据各个数据群501、502、503以及504中各成员的成分信息与物性信息，建立各数据群501、502、503以及504的候选预测模型。在本实施例中，模型建立模块202对各个数据群501、502、503以及504，利用多元回归(multivariable linear regression)建立各个数据群501、502、503以及504中成分信息向量与物性信息向量的线性模型，这些线型模型作为其数据群的候选预测模型。
需要说明的是，在本实施例中，分群模块201以阶层式分群法(HierarchicalClustering)作为分群算法，模型建立模块202利用多元回归(multivariable linearregression)建立各个数据群501、502、503以及504的候选预测模型。在本申请的一些实施例中，分群模块201以k-平均值(k-mean)作为分群算法，模型建立模块202利用全连接神经网络建立各个数据群501、502、503以及504的候选预测模型。只要分群模块201达到分群目的，模型建立模块202可建立各个数据群501、502、503以及504的候选预测模型即可，本申请并不以前述实施例为限。
在本申请的一些实施例中，分群模块201以基于密度的含噪空间聚类法(Density-based spatial clustering of applications with noise，简称DBSCAN)作为分群算法。在本申请的一些实施例中，分群模块201以最大期望算法(Expectation-Maximizationalgorithm，简称EM)作为分群算法。
在步骤S1003中，预测模型选择模块203依据多个候选配方信息从多个数据群中选择一个近似群，设定选择的近似群的候选预测模型为预测模型。
在本实施例中，预测模型选择模块203，依据计数候选配方信息的降维成分信息向量位于各数据群的数量，选择候选配方信息的降维成分信息向量所在最多的数据群的一个作为近似群。预测模型选择模块203并设定选择的近似群的候选预测模型为预测模型。
以图5所绘示的例子来说明，预测模型选择模块203计数后，得到候选配方信息的降维成分信息向量(在图5所绘示的例子中为降维成分信息向量402)皆位于数据群501中，因此预测模型选择模块203选择数据群501作为近似群。预测模型选择模块203并设定数据群501的候选预测模型为预测模型。
在步骤S1004中，演化计算模块204执行步骤S1005～S1007。在步骤S1005中，演化计算模块204依据规格设定适应度函数。在本实施例中，演化计算模块204依据规格所包含所有物性限制范围，选择符合物性限制范围的闭区间，并计算这些闭区间的中点。再以物性信息向量至多个闭区间中点所形成向量的曼哈顿距离(Manhattan Distance)作为适应度函数。
以前述规格：抗张强度>13，伸长百分比>300，混炼胶黏度>20，压缩变型<10为例。演化计算模块204选择符合物性限制范围的闭区间为：抗张强度：[13，15]，伸长百分比：[300，310]，混炼胶黏度：[20，30]，压缩变型：[9，10]。这些闭区间中点所形成的向量为(14，305，25，9.5)。演化计算模块204接下来的目标就是要计算出一组成分信息向量，使得预测模型基于这组成分信息向量所预测的物性信息向量至这些闭区间中点所形成的向量(14，305，25，9.5)的曼哈顿距离尽量地小。因此，演化计算模块204选择物性向量至多个闭区间中点所形成向量(14，305，25，9.5)的曼哈顿距离(Manhattan Distance)作为适应度函数。
也就是说，适应度函数可以表示为：
Figure BDA0003299013640000111
其中，N表示物性信息向量的维度，mi表示符合物性限制范围的各闭区间中点，xi表示前述基于计算所得的成分信息向量所预测的物性信息向量的第i个分量。在此例中，m1＝14，m2＝305，m3＝25以及m4＝9.5。
由于在历史配方信息105的成分信息中记载有使用的成分，在当前时间不一定能取得。或由于成本考虑，并不考虑使用该成分。因此演化计算模块204在计算新的成分信息向量前，在步骤S1006中，会先从外部接收一个调整参数，这个调整参数指示历史配方信息105的成分信息以及待计算的成分信息中哪些成分在演化计算中予以考虑而可调整，哪些成分在演化计算中不予以考虑。亦即，调整参数指示成分信息中的多个可调整信息。
以前述成分信息向量(1.0，2.0，1.5，4，2.3，1.7，10)为例，第一个分量代表的是第一种主胶的量，第二个分量代表的是第二种主胶的量，第三个分量代表的是第一种填料的量，如果在演化计算中不考虑使用第一种主胶，则调整参数指示不考虑使用第一种主胶。而在接下来的步骤S1007，都会将对应第一种主胶的向量分量设为0而使这个向量分量不参与演化计算。在后面的说明中，会详细介绍此一部分。
在本实施例中，调整参数以一个串列(List)Mask来实现，其中MASK是串列名称。串列(List)Mask中的数值由0和1组成。若串列在第i位置上的值为0，则表示对应这个位置的成分信息向量的分量所代表的成分在演化计算中不被考虑。以串列Mask＝[0，1，1，1，1，1，1]为例，串列Mask的第一个串行元素为0，表示成分信息向量中的第1个分量所对应的成分(在此例中为第一种主胶)将不在演化计算中考虑。而串列Mask的第二个至第七个串列元素为1，表示成分信息向量中的第2～7个分量所对应的成分将在演化计算中考虑。
在步骤S1007中，演化计算模块204依据适应度函数、调整参数、演化算法及近似群输出演化配方信息。
演化算法的种类繁多。图11是依据本申请一实施例所绘示的演化计算流程图。前述步骤S1007包含图11所绘示的步骤S1101～S1105。请同时参阅图2、图5以及图11，由于在步骤S1003中，预测模型选择模块203选择候选配方信息的降维成分信息向量所在最多的数据群作为近似群，在步骤S1101中，演化计算模块204选出位于近似群中的候选配方信息，作为近似配方信息。并依据调整参数，调整各近似配方信息的成分信息以获得多个调整后近似配方信息。
演化计算模块204依据多个调整后近似配方信息设定初始集合，并再设定初始集合为当前演化集合。
在此，以图5所绘示的例子来说明。在步骤S1003中，预测模型选择模块203选择候选配方信息的降维成分信息向量所在最多的数据群501作为近似群。演化计算模块204选出位于近似群中的候选配方信息，在此例候选配方信息为5个降维成分信息向量402所对应的历史配方信息。若这5个降维成分信息向量402所对应的历史配方信息的历史配方信息向量分别为：
第一个：成分信息向量(1，2，3，4，5，6，7，8)，物性信息向量(23，62，34.99)；
第二个；成分信息向量(1.1，2，3，4.1，5，6，7.1，8)，物性信息向量(0，20，41.14)；
第三个：成分信息向量(1.1，2，3，4.1，5，6，7.1，8)，物性信息向量(1，25，42.89)；
第四个：成分信息向量(1.2，2.2，3，4.3，5，6，7.1，8)，物性信息向量(2，19，48.80)；
第五个：成分信息向量(1.4，2，3.3，4.1，5，6，7.1，8.1)，物性信息向量(3，20，41.81)；
调整参数为串列Mask＝[1，1，1，0，0，0，1，1]。则依据调整参数获得5个调整后近似配方信息向量分别为：
第一个：调整后成分信息向量(1，2，3，0，0，0，7，8)，物性信息向量(23，62，34.99)；
第二个；调整后成分信息向量(1.1，2，3，0，0，0，7.1，8)，物性信息向量(0，20，41.14)；
第三个：调整后成分信息向量(1.1，2，3，0.0，0，7.1，8)，物性信息向量(1，25，42.89)；
第四个：调整后成分信息向量(1.2，2.2，3，0，0，0，7.1，8)，物性信息向量(2，19，48.80)；
第五个：调整后成分信息向量(1.4，2，3.3，0，0，0，7.1，8.1)，物性信息向量(3，20，41.81)。
演化计算模块204再将这5个调整后近似配方信息向量中的调整后成分信息向量加入初始集合，再将初始集合扩增到一个固定的子代数量。扩增的方法有很多种，在一些实施例中，演化计算模块204直接复制初始集合既有的调整后成分信息向量使初始集合扩增到一个固定的子代数量。在一些实施例中，演化计算模块204随机从初始集合中选出一个成分信息向量，再对串列Mask指示在演化计算中需要考虑的成分的数值，在一个范围内加上一个随机实数以作为新的成分信息向量，以及利用预测模型计算出新的成分信息向量的物性信息向量，将新的成分信息向量与其物性信息向量加入初始集合，直到初始集合扩增到子代数量。
在步骤S1102中，演化计算模块204将当前演化集合加入候选类中，以记录各次计算出的当前演化集合。演化计算模块204并依据适应度函数与预测模型从当前演化集合中选择多个可繁衍个体。
在此实施例中，演化计算模块204计算当前演化集合中所有成员的适应度函数值，再依据所有成员的适应度函数值从小到大排序当前演化集合中所有成员。所有成员的适应度函数值中的最小值在本申请中定义为当前演化集合的代表适应度函数值。演化计算模块204再依据这个排序选出演化数量个当前演化集合中成员作为可繁衍个体。
在步骤S1103中，对多个数量为演化数量的可繁衍个体依序进行交换操作与变异操作以获得下一演化集合，并如前面步骤S1003的说明，依据调整参数调整下一演化集合后设为当前演化集合。
在步骤S1104中，重复执行步骤S1102与步骤S1103，直到重复次数达到一个预设的执行次数。
最后，在步骤S1105中，判断模块104依据适应度函数从候选类中选择一个演化集合，其中，这个演化集合的代表适应度函数值是候选类中所有演化集合的代表适应度函数值中最小的。判断模块104将这个选出的演化集合作为演化配方信息输出。
图6A、图6B是依据本申请一实施例所绘示的变异操作示意图。图7是依据本申请一实施例所绘示的交换操作示意图。图12是依据本申请一实施例所绘示的交换操作流程图。图13是依据本申请一实施例所绘示的变异操作流程图。请同时参阅图6A、图6B、图7、图12以及图13。
在步骤S1102中，演化计算模块204依据适应度函数与预测模型从当前演化集合中选择多个可繁衍个体。在步骤S1201中，演化计算模块204依据交换率，随机执行以下两个步骤：(i)随机从多个可繁衍个体中选出第一个体与第二个体，交换该第一个体部分非全部的成分信息与第二个体部分非全部的成分信息，以产生第三个体与第四个体。演化计算模块204将第三个体与第四个体加入多个可繁衍个体。(ii)依据第一范围限制及调整参数，随机产生第五个体与第六个体，将该第五个体与该第六个体加入多个可繁衍个体。
在本实施例中，交换率是[0，1]之间的一个实数，表示执行前述步骤(i)的机率。演化计算模块204利用一般软件仿真的随机函数，例如Python里random模块的random()函数。random()函数会随机产生范围在[0，1)间的一个实数。演化计算模块204利用Python里random模块的random()函数以及下列的程序结构：
if random.random()<交换率；
执行前述步骤(i)
else：
执行前述步骤(ii)
达成以交换率的机率执行前述(i)所记载步骤，以(1-交换率)的机率执行前述(ii)所记载步骤。例如，交换率为0.7，则前述程序结构会以0.7的机率执行步骤(i)，以0.3的机率执行步骤(ii)。
在步骤(i)中，演化计算模块204随机(利用Python里random模块的sample()函数)从可繁衍个体中选出第一个体与第二个体，再随机选择两切断点(利用Python里random模块的randint()函数选出来各在成分信息向量长度内的整数)，交换第一个体的成分信息向量与第一个体的成分信息向量中两切断点间分量的内容。以图7所绘示的例子来说明，成分信息向量的分量601是调整参数指示不予考虑的部分，因此被调整为0。演化计算模块204随机从可繁衍个体中选出第一个体与第二个体。其中第一个体的成分信息向量为701，第二个体的成分信息向量为702。演化计算模块204随机选择两切断点703与704，再将两切断点703与704间分量的内容交换，产生成分信息向量701’与成分信息向量702’。演化计算模块204利用预测模型计算成分信息向量701’的物性信息向量以产生第三个体。演化计算模块204利用预测模型计算成分信息向量702’的物性信息向量以产生第四个体。演化计算模块204将第三个体与第四个体加入可繁衍个体中。
在步骤(ii)中，演化计算模块204依据第一范围限制[-2，2]及调整参数，在调整参数所指示要考虑成分信息向量的分量，随机产生[-2，2]之间的实数，以产生两个成分信息向量。演化计算模块204利用预测模型计算对应这两个成分信息向量的物性信息向量以产生第五个体与第六个体。将第五个体与第六个体加入可繁衍个体中。以Mask＝[0，1，1，1，1，1，1]为例。随机产生的两个成分信息向量为(0，0.1，-0.3，1，1.5，1，1)及(0，1，1，1.5，0.2，-1.7，0.8)。再利用预测模型计算对应的物性信息向量，例如是(2，33，7)及(3，44，5)。则可以设定：
第五个体：成分信息向量(0，0.1，-0.3，1，1.5，1，1)，物性信息向量(2，33，7)；
第六个体：成分信息向量(0，1，1，1.5，0.2，-1.7，0.8)，物性信息向量(3，44，5)。
在步骤S1202中，演化计算模块204判断可繁衍个体的数量是否达到预定数量，在本实施例中，预定数量为前面所提的固定的子代数量。
需要说明的是，预定数量不一定需要是子代数量，也可以大于子代数量，演化计算模块204产生预定数量的可繁衍个体后，再做其他处理，本申请并不予以限制。
在执行交换操作后，演化计算模块204执行变异操作。在步骤S1301中，依据调整参数，在第二范围限制内调整各可繁衍个体的成分信息。
在本实施例中，演化计算模块204依据第二范围限制(0.01，0.1)以及(-1，-0.01)，对各可繁衍个体的成分信息，在各个调整参数所指示要考虑成分信息向量的分量，加上随机产生在(0.01，0.1)以及(-1，-0.01)中的实数(利用Python里random模块的uniform()函数)，以产生异变的成分信息向量，演化计算模块204利用预测模型计算对应异变的成分信息向量的物性信息向量以产生异变的可繁衍个体。
在一实施例中，演化计算模块204在加上随机产生在(0.01，0.1)以及(-1，-0.01)中的实数后，进一步检查异变后的成分信息向量的分量其数值是否合理，如果演化计算模块204将异变后的成分信息向量的分量数值还原回实际制造时的用量后，发现还原回实际制造时的用量是负值时，表示异变后的成分信息向量的分量数值是不合理的，因此将异变后的成分信息向量的分量数值设为0。
以图6A所绘示的例子来说明，在这个例子中，Mask＝[1，1，1，0，0，0，1，1]，成分信息向量600的分量601是调整参数指示不予考虑的部分。演化计算模块204依据第二范围限制(0.01，0.1)以及(-1，-0.01)，随机产生实数0.09加上成分信息向量600第二个分量的数值602(实际值是2)得到新的第二个分量的数值602’(实际值是2.09)而产生新的成分信息向量600’。
以图6B所绘示的例子来说明，在这个例子中，Mask＝[1，1，1，0，0，0，1，1]，成分信息向量603的分量601是调整参数指示不予考虑的部分。演化计算模块204依据第二范围限制(0.01，0.1)以及(-1，-0.01)，随机产生实数-0.08加上成分信息向量603第八个分量的数值604(实际值是0.01)得到新的第八个分量的数值604’(实际值是-0.07)而产生新的成分信息向量603’。但演化计算模块204判断-0.07的数值不合理(在此例子中假定第8个分量的平均值是0)，因此将第八个分量的数值设为0得到新的第八个分量的数值604”而产生新的成分信息向量603”。
需要说明的是，前面所述各实施例的初始成分信息向量可先行评估而得，此时，本申请实施例所揭示的配方建构系统100、100’及200可充分整合这个初始成分信息向量与历史配方信息105所内蕴的知识。当然，前面所述各实施例的初始成分信息向量亦可随机产生，本申请实施例所揭示的配方建构系统100、100’及200可利用历史配方信息105所内蕴的知识去找寻满足规格的成分信息。在本申请一实施例中，配方建构系统200将输出的演化配方信息中的一个成分信息向量作为初始成分信息向量。
另需要说明的是，虽然在前述说明中，引用Python里random模块内的内部函数实现随机选择功能，以及利用Python里random模块内的内部函数搭配Python语法中if的结构实现随机执行步骤，当然也可以利用C++语言标准函数库(Standard Library)中的<random>函数库的内部函数实现随机选择功能，以及利用C++语言里<random>函数库的内部函数搭配C++语法中if的结构实现随机执行步骤，也可以利用其他程序语言中具有产生随机数字的函数实现随机选择功能，以及利用其他程序语言具有产生随机数字的函数搭配程序语言语法中条件分支指令的结构实现随机执行步骤，本申请并不以此为限。
图8是本申请一实施例的电子设备800的结构示意图。如图8所示，在硬件层面，电子设备800包括处理器801、内部存储器802以及非挥发性内存803。内部存储器802例如是随机存取内存(Random-Access Memory，简称RAM)。非挥发性内存(non-volatile memory)例如是至少1个磁盘存储器等。当然，电子设备800还可能包括其他功能所需要的硬件。
内部存储器802和非挥发性内存803，用于存储程序，程序可以包括程序代码，程序代码包括计算机操作指令。内部存储器802和非挥发性内存803向处理器801提供指令和数据。处理器801从非挥发性内存803中读取对应的计算机程序到内部存储器802中然后运行，在逻辑层面上形成配方建构系统100、100’或200。处理器801具体用于执行图9到图13所记载的各步骤。
处理器801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，前述实施例中揭露的各方法、步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。处理器801可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程逻辑门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可程序化逻辑设备，可以实现或执行前述实施例中揭露的各方法、步骤。
本说明书实施例还提供了一种计算机可读存储介质，计算机可读存储介质储存至少一条指令，该至少一条指令当被电子设备800的处理器801执行时，能够使电子设备800的处理器801执行前述实施例中揭露的各方法、步骤。
计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取内存(SRAM)、动态随机存取内存(DRAM)、其他类型的随机存取内存(RAM)、只读存储器(ROM)、带电可擦除可编程只读存储器(EEPROM)、闪存或其他内部存储器技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学储存器、磁盒式磁带，磁带式磁盘储存器或其他磁性储存设备或任何其他非传输媒体，可用于储存可以被计算设备存取的信息。按照本文中的界定，计算机可读存储介质不包括瞬时媒体(transitory media)，如调变的数据信号和载波。

Claims (18)

1.一种配方建构系统，其特征在于，包含：
降维模块，经配置以接收多个历史配方信息，并依据各所述历史配方信息的成分信息及降维算法获得各所述历史配方信息的降维成分信息；
神经网络模块，经配置以接收初始成分信息，其中，所述神经网络模块经配置依据各所述历史配方信息的所述成分信息与所述降维成分信息训练所述神经网络模块的多个神经网络参数以获得多个经训练神经网络参数，并依据所述多个经训练神经网络参数及所述初始成分信息获得降维初始成分信息；
搜寻模块，经配置以依据第一距离度量、所述降维初始成分信息以及各所述历史配方信息的所述降维成分信息，在所述多个历史配方信息中寻找具有第一数量的多个候选配方信息；以及
判断模块，经配置以判断各所述候选配方信息的物性信息是否满足规格，响应于所述多个候选配方信息中的解配方信息的所述物性信息满足所述规格，输出所述解配方信息。
2.如权利要求1所述的配方建构系统，其特征在于，所述配方建构系统还包含：
分群模块，经配置以依据分群算法及各所述历史配方信息的所述降维成分信息，将所述多个历史配方信息分成多个数据群；
模型建立模块，经配置以依据各所述数据群中各成员的所述成分信息与所述物性信息，建立各所述数据群的候选预测模型；
预测模型选择模块，经配置以依据所述多个候选配方信息从所述多个数据群中选择近似群，设定所述近似群的所述候选预测模型为预测模型；以及
演化计算模块，经配置以执行下列步骤：
(a)依据所述规格设定适应度函数；
(b)接收调整参数；
(c)依据所述适应度函数、所述调整参数、演化算法及所述近似群输出演化配方信息；
其中，所述调整参数指示所述近似群中各成员的所述成分信息中的多个可调整信息。
3.如权利要求2所述的配方建构系统，其特征在于，步骤(c)包含步骤：
(c1)选出所述多个候选配方信息中位于所述近似群中的多个近似配方信息，并依据所述调整参数，调整各所述近似配方信息的所述成分信息以获得多个调整后近似配方信息，依据所述多个调整后近似配方信息设定初始集合，并设定所述初始集合为当前演化集合；
(c2)将所述当前演化集合加入候选类中，并依据所述适应度函数与所述预测模型从所述当前演化集合中选择多个可繁衍个体；
(c3)对所述多个可繁衍个体依序进行交换操作与变异操作以获得下一演化集合，并依据所述调整参数调整所述下一演化集合后设为所述当前演化集合；以及
(c4)重复步骤(c2)、(c3)执行次数；
其中，所述判断模块经配置以依据所述适应度函数从所述候选类中选择演化集合作为所述演化配方信息输出。
4.如权利要求3所述的配方建构系统，其特征在于，所述交换操作包含下列步骤：
(c31)依据交换率，随机执行以下两个步骤：
(i)随机从所述多个可繁衍个体中选出第一个体与第二个体，交换所述第一个体部分非全部的所述成分信息与所述第二个体部分非全部的所述成分信息，以产生第三个体与第四个体，将所述第三个体与所述第四个体加入所述多个可繁衍个体；及(ii)依据第一范围限制及所述调整参数，随机产生第五个体与第六个体，将所述第五个体与所述第六个体加入所述多个可繁衍个体；及
(c32)重复执行步骤(c31)直到所述多个可繁衍个体的数量达到预定数量。
5.如权利要求3所述的配方建构系统，其特征在于，所述变异操作包含下列步骤：
依据所述调整参数，在第二范围限制内随机调整各所述可繁衍个体的所述成分信息。
6.如权利要求1所述的配方建构系统，其特征在于，所述配方建构系统还包含：
标准化模块，经配置以接收多个原始历史配方信息以及原始初始成分信息，其中，各所述原始历史配方信息包含所述物性信息与原始成分信息，所述标准化模块依据各所述原始历史配方信息的所述原始成分信息获得多个标准化参数，所述标准化模块依据所述多个标准化参数以及所述多个原始历史配方信息获得所述多个历史配方信息及各所述历史配方信息的所述成分信息，所述标准化模块依据所述多个标准化参数以及所述原始初始成分信息获得所述初始成分信息。
7.如权利要求1所述的配方建构系统，其特征在于，所述降维算法为非线性算法。
8.如权利要求7所述的配方建构系统，其特征在于，所述降维算法为t分布随机邻近嵌入算法。
9.一种配方建构方法，其特征在于，由处理器执行，所述配方建构方法包含：
接收多个历史配方信息，并依据各所述历史配方信息的成分信息及降维算法获得各所述历史配方信息的降维成分信息；
接收初始成分信息，依据各所述历史配方信息的所述成分信息与所述降维成分信息训练神经网络模块的多个神经网络参数以获得多个经训练神经网络参数，并依据所述多个经训练神经网络参数及所述初始成分信息获得降维初始成分信息；
依据第一距离度量、所述降维初始成分信息以及各所述历史配方信息的所述降维成分信息，在所述多个历史配方信息中寻找具有第一数量的多个候选配方信息；以及
判断各所述候选配方信息的物性信息是否满足规格，响应于所述多个候选配方信息中的解配方信息的所述物性信息满足所述规格，输出所述解配方信息。
10.如权利要求9所述的配方建构方法，其特征在于，所述配方建构方法还包含：
依据分群算法及各所述历史配方信息的所述降维成分信息，将所述多个历史配方信息分成多个数据群；
依据各所述数据群中各成员的所述成分信息与所述物性信息，建立各所述数据群的候选预测模型；
依据所述多个候选配方信息从所述多个数据群中选择近似群，设定所述近似群的所述候选预测模型为预测模型；以及
执行下列演化计算步骤：
(a)依据所述规格设定适应度函数；
(b)接收调整参数；
(c)依据所述适应度函数、所述调整参数、演化算法及所述近似群输出演化配方信息；
其中，所述调整参数指示所述近似群中各成员的所述成分信息中的多个可调整信息。
11.如权利要求10所述的配方建构方法，其特征在于，演化计算步骤(c)包含步骤：
(c1)依据所述调整参数调整所述多个候选配方信息中位于所述近似群中的多个近似配方信息以获得多个调整后近似配方信息，依据所述多个调整后近似配方信息设定初始集合，并设定所述初始集合为当前演化集合；
(c2)将所述当前演化集合加入候选类中，并依据所述适应度函数与所述预测模型从所述当前演化集合中选择多个可繁衍个体；
(c3)对所述多个可繁衍个体进行交换操作与变异操作以获得下一演化集合，并依据所述调整参数调整所述下一演化集合后设为所述当前演化集合；
(c4)重复步骤(c2)、(c3)执行次数；以及
(c5)依据所述适应度函数从所述候选类中选择演化集合作为所述演化配方信息输出。
12.如权利要求11所述的配方建构方法，其特征在于，所述交换操作包含：
(c31)依据交换率，随机执行以下两个步骤：
(i)随机从所述多个可繁衍个体中选出第一个体与第二个体，交换所述第一个体部分非全部的所述成分信息与所述第二个体部分非全部的成分信息，以产生第三个体与第四个体，将所述第三个体与所述第四个体加入所述多个可繁衍个体；及
(ii)依据第一范围限制及所述调整参数，随机产生第五个体与第六个体，将所述第五个体与所述第六个体加入所述多个可繁衍个体；及
(c32)重复执行步骤(c31)直到所述多个可繁衍个体的数量达到预定数量。
13.如权利要求11所述的配方建构方法，其特征在于，所述变异操作包含：
依据所述调整参数，在第二范围限制内随机调整各所述可繁衍个体的所述成分信息。
14.如权利要求9所述的配方建构方法，所述配方建构方法还包含：
接收多个原始历史配方信息以及原始初始成分信息，其中，各所述原始历史配方信息包含所述物性信息与原始成分信息；
依据各所述原始历史配方信息的所述原始成分信息获得多个标准化参数；
依据所述多个标准化参数以及所述多个原始历史配方信息获得所述多个历史配方信息及各所述历史配方信息的所述成分信息；以及，
依据所述多个标准化参数以及所述原始初始成分信息获得所述初始成分信息。
15.如权利要求9所述的配方建构方法，其特征在于，所述降维算法为非线性。
16.如权利要求15所述的配方建构方法，其特征在于，所述降维算法为t分布随机邻近嵌入算法。
17.一种内储程序的计算机可读存储介质，其特征在于，当处理器加载所述内储程序并执行后，完成如权利要求9至16任一项所述的方法。
18.一种非暂时性计算机程序产品，其特征在于，储存有至少一条指令，当所述至少一条指令由处理器执行时，使所述处理器执行如权利要求9至16任一项所述的方法。
CN202111185466.XA 2021-09-14 2021-10-12 配方建构系统、方法、可读存储介质与计算机程序产品 Pending CN115810401A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW110134295 2021-09-14
TW110134295A TWI778789B (zh) 2021-09-14 2021-09-14 配方建構系統、配方建構方法、內儲程式之電腦可讀取記錄媒體與非暫時性電腦程式產品

Publications (1)

Publication Number Publication Date
CN115810401A true CN115810401A (zh) 2023-03-17

Family

ID=84958295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111185466.XA Pending CN115810401A (zh) 2021-09-14 2021-10-12 配方建构系统、方法、可读存储介质与计算机程序产品

Country Status (3)

Country Link
US (1) US11829390B2 (zh)
CN (1) CN115810401A (zh)
TW (1) TWI778789B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114220501A (zh) * 2021-11-24 2022-03-22 江苏大学 炒饭食味特性的快速定量评价方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8396870B2 (en) * 2009-06-25 2013-03-12 University Of Tennessee Research Foundation Method and apparatus for predicting object properties and events using similarity-based information retrieval and modeling
EP2585249B1 (en) * 2010-06-28 2017-02-22 Precitec GmbH & Co. KG Method for closed-loop controlling a laser processing operation and laser material processing head using the same
US10710119B2 (en) * 2016-07-18 2020-07-14 UHV Technologies, Inc. Material sorting using a vision system
US11494690B2 (en) * 2019-03-15 2022-11-08 Hong Kong Applied Science and Technology Research Institute Company Limited Apparatus and method of high dimensional data analysis in real-time
AR118333A1 (es) * 2019-03-18 2021-09-29 Evonik Operations Gmbh Método para generar una composición para pinturas, barnices, tintas de impresión, resinas de molienda, concentrados de pigmentos u otros materiales de recubrimiento
GB201915879D0 (en) * 2019-10-31 2019-12-18 Black Swan Data Ltd Using social data to improve long term sales forecasting
TWI732544B (zh) * 2020-05-05 2021-07-01 國立中正大學 二維材料薄膜檢測方法及二維材料薄膜檢測系統
CN111753752B (zh) * 2020-06-28 2022-07-01 重庆邮电大学 基于卷积神经网络多层特征融合的机器人闭环检测方法

Also Published As

Publication number Publication date
TWI778789B (zh) 2022-09-21
US20230081281A1 (en) 2023-03-16
US11829390B2 (en) 2023-11-28
TW202312030A (zh) 2023-03-16

Similar Documents

Publication Publication Date Title
CN112382352B (zh) 基于机器学习的金属有机骨架材料结构特征快速评估方法
US20240086603A1 (en) Device for generating verification vector for circuit design verification, circuit design system, and reinforcement learning method of the device and the circuit design system
CN117316333B (zh) 基于通用的分子图表示学习模型的逆合成预测方法及装置
CN111563821A (zh) 一种基于支持向量机量化投资的金融股票涨跌预测方法
CN115810401A (zh) 配方建构系统、方法、可读存储介质与计算机程序产品
CN115269247A (zh) 基于深度森林的闪存坏块预测方法、系统、介质及设备
Ma et al. A novel approach to minimal reservoir computing
US20240160951A1 (en) Control Simulation Method Based On Artificial Intelligence
CN115802401B (zh) 一种无线网络信道状态预测方法、装置、设备及存储介质
CN116467466A (zh) 基于知识图谱的编码推荐方法、装置、设备及介质
CN115271045A (zh) 一种基于机器学习的神经网络模型优化方法及系统
CN114496068A (zh) 蛋白质二级结构预测方法、装置、设备及存储介质
CN112884028A (zh) 一种系统资源调整方法、装置及设备
CN113469450B (zh) 一种数据分类方法、装置、计算机设备及存储介质
CN112242157B (zh) 数据读电压的确定方法、参数确定方法、装置及设备
CN118226280B (zh) 基于多源多尺度高维状态空间建模的电池老化评估方法
CN118468031A (zh) 一种样本增广方法、装置、电子设备及存储介质
CN117763364A (zh) 天然气需求量预测模型训练方法及天然气需求量预测方法
CN115730239A (zh) 分类模型的训练方法、装置、电子设备及存储介质
CN117892227A (zh) 基于STL-SVR-AdaBoost模型的短期负荷预测方法及系统
CN118155040A (zh) 一种基于残差网络的图像识别方法及系统
KR20240103652A (ko) 인공 지능 알고리즘을 제공하는 방법, 인공 지능 알고리즘의 동작 방법, 전자 장치, 기록 매체, 및 컴퓨터 프로그램
Ganguli et al. Error‐controlled feature selection for ultrahigh‐dimensional and highly correlated feature space using deep learning
CN111143552A (zh) 文本信息的类别预测方法和装置、服务器
CN117350887A (zh) 一种基于机器学习的抽油机井筒结蜡程度分析方法及装置

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