CN116306769A - 一种含对抗生成网络的贝叶斯优化方法及系统 - Google Patents
一种含对抗生成网络的贝叶斯优化方法及系统 Download PDFInfo
- Publication number
- CN116306769A CN116306769A CN202310052128.1A CN202310052128A CN116306769A CN 116306769 A CN116306769 A CN 116306769A CN 202310052128 A CN202310052128 A CN 202310052128A CN 116306769 A CN116306769 A CN 116306769A
- Authority
- CN
- China
- Prior art keywords
- population
- bayesian
- optimization
- generation network
- model
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 230000008485 antagonism Effects 0.000 claims abstract description 9
- 238000010276 construction Methods 0.000 claims abstract 2
- 238000011156 evaluation Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 12
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 230000003042 antagnostic effect Effects 0.000 claims 2
- 238000004590 computer program Methods 0.000 claims 2
- 238000012216 screening Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 claims 1
- 238000012804 iterative process Methods 0.000 claims 1
- 238000002372 labelling Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102100025912 Melanopsin Human genes 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000013213 metal-organic polyhedra Substances 0.000 description 1
- 238000012011 method of payment Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种含对抗生成网络的贝叶斯优化方法，该方法包括：分别从真实样本和预测样本中进行知识提取，对当前模型预测结果进行二次判断，从而避免因代理模型在高维昂贵优化问题上的优化方向偏移导致的预测能力下降。根据基础数据和多目标代理辅助模型，得到一组尽可能收敛于真实Pareto前沿且均匀分布的Pareto解集；其中，所述含对抗生成网络的贝叶斯多目标优化模型的构建过程包括：使用两个基础算法作为基础优化器。并对历史数据进行标记选取。同时，结合Lp范式和最大最小距离的新的收敛性准则。这个策略可以有效降低计算的复杂度，选取更有“希望”的个体进行实际计算。
Description
技术领域
本发明属于贝叶斯优化技术领域，尤其涉及一种含对抗生成网络的两阶段贝叶斯进化优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
在复杂的工程优化问题中，如土地利用管理、控制工程系统等，常常含有多个相互冲突的目标。并且每个目标都需要用到耗时的仿真计算，通常这类优化问题被称为昂贵多目标优化问题。现实生活中的大多数工程问题包含大量的决策变量和目标变量，决策变量超过30和目标维数大于3的多目标优化问题，被称为高维昂贵超多目标优化问题。求解多目标优化问题的最终目的是得到一组尽可能收敛于真实Pareto前沿且均匀分布的Pareto解集。多目标优化问题的目标往往是相互矛盾的，不存在一个可以在所有目标上均达到最优的解。
由于进化算法(evolutionary algorithm，EA)不需要假设任何目标函数的凹凸性,且有更多的机会获得全局最优解,因此多目标进化算法(multi-objectiveevolutionary algorithm，MOEA)在实际工程中得到了广泛应用。大多数现有的多目标进化算法在解决2，3个目标的优化问题时具有很好的性能。但在搜索最优解集的过程中都需要耗费大量的性能评估次数，使其在求解这类问题时受到了很大地限制。使用代理模型(surrogate-assisted evolutionary algorithm，SAEA)作为进化算法中的真实评估是一种有效的解决方法，又被称为贝叶斯进化优化算法。贝叶斯优化方法在求解昂贵多目标优化问题上展现了高效的求解效率，只需经过少数次性能评估即可获得理想解,因此非常适用于求解评估代价高昂的复杂优化问题。
在高维目标空间中，传统的贝叶斯进化优化算法往往只能收敛到局部最优，在求解高维多目标优化问题时性能显著下降。主要原因在于高维昂贵优化问题上存在维数灾难问题。搜索空间随着维度的增加呈指数形式急剧增长。维数灾难引发的优化瓶颈主要表现在以下几个方面：
(1)贝叶斯优化方法采用小样本数据难以构建高精度模型，存在优化效率低、模型精度差的问题。并且随着维数的增加，构建模型本身所耗费的时间呈指数级急剧增长。
(2)非支配解随着目标维数的增加呈指数形式增长，从而降低了进化过程的选择压力。
(3)在高维空间，样本过于稀疏，种群难以有效搜索解空间。无法选择更有效的预测样本引导种群优化过程，预测性能变差。
为了提高代理模型的质量，更加有效的方法是使用混合代理模型拟合真实目标函数。不必过分依赖一个模型的预测结果，不用过多考虑一个代理模型精度较低带来的误差。常用的代理模型包括人工神经网络、径向基函数模型、Kr iging模型和支持向量机模型。不同类型的代理模型通常适用于不同的优化问题。例如，在SMS-EGO中，每个目标函数都由一个独立的代理模型来近似。对于不同特征的问题，代理模型的集成可以更好的近似目标函数。MOEA/D-EGO将一种基于模糊聚类的建模方法应用于决策空间，为每个目标构建两个或多个局部代理模型。Song等人提出使用两个强影响点不敏感模型和一个原始Kr iging模型自适应的来逼近每个目标函数，可以有效地减少影响点的负面影响。CLBO构建多个Kriging模型，在训练过程中对所有或部分Kr iging模型施加协议约束，以获得合理准确性的预测。虽然由多个模型构建的集成模型在大多数情况下预测精度优于单代理模型，但构建模型的时间会随着模型个数的增加而增长。因此，本文将目光转移到对当前代理模型进一步判断以减少训练代理模型的时间。
随着维数的增加，无法合理判断哪个个体更靠近Pareto前沿，不能有效选取更有“希望”的个体进行实际计算。设计一个适当的填充准则是提高贝叶斯进化优化算法性能的另一种方法。常用的采集函数包括改进概率最大值准则、期望改进准则、统计下限最小值原则。随着目标维数的增加，对于不同个体预测值的不确定性度量值失去显著性差异。因此，现有的加点准则失去有效性。并且采用单一的填充准则不可能在所有问题上表现出最好的性能。
环境选择是多目标进化算法的重要组成部分。根据给定的判断标准从父代和子代的混合种群中选出与父代规模一致的适应度较好的个体，作为下一代进化的初始种群。根据使用的环境选择策略，基于Pareto、基于指标和基于分解三类方法是MOEA研究的主流方法。三类方法在求解2维或3维优化问题时具有很好的效果。然而，随着目标维数增加，算法出现难以收敛甚至不收敛的问题。即使其他方法能较好的解决该问题，也会在一部分问题上很难保持解集的分布性。单一的环境选择策略或多或少存在着一定的劣势。因此，基于多种选择策略的MOEA是众多学者研究方向。例如，NSGA-III算法融合了帕累托支配和分级的策略。在高维问题上能够很好的平衡收敛性和多样性。AR-MOEA算法融合了指标和分解，在不规则帕累托前沿的问题上表现良好。Wang等人提出的Two-Arch2算法，设置了两个档案分别使用基于指标和帕累托支配关系进行更新。同时考虑收敛性和多样性，在高维问题上获得了很好的性能。目前现有的方法仍依据模型的预测值和不确定性来选择下一代的初始种群。但是随着目标维数的增加，代理模型给出的预测值精度和不确定性差异会迅速降低。因此也降低了进化算法的有效性。基于此，我们尝试做了改进。使用非支配排序和训练好的生成对抗网络模型来选择更接近真实样本的预测样本作为下一代初始种群引导种群进化。
多目标进化算法面临的困难会导致得到最优解集的收敛速度慢、准确性不足等问题。
发明内容
为克服上述现有技术的不足，本发明提供了一种含对抗生成网络的贝叶斯优化方法及系统，本发明对于大量互不支配的解,考虑如何选择有潜力的解促进算法的收敛能力，以此增强算法的收敛性，降低计算复杂度，提高算法的准确性。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明由三个部分组成：优化器、代理模型和用于更新训练数据的填充采样准则。采用基于个体的模型管理策略，这意味着本发明将选择几个个体进行昂贵评估，并在每一代中使用它们来更新Kriging模型和GAN模型。
一种含对抗生成网络的贝叶斯优化方法，包括如下步骤：
第一方面，本发明提供一种含对抗生成网络的贝叶斯优化方法，包括：
分别从真实样本和预测样本中进行知识提取，对当前模型预测结果进行二次判断，从而避免因代理模型在高维昂贵优化问题上的优化方向偏移导致的预测能力下降。
第二方面，结合Lp范式和最大最小距离的新的收敛性准则。这个策略可以有效降低计算的复杂度，选取更有“希望”的个体进行实际计算。
具体步骤：
在初始化阶段，采用拉丁超立方体初始化样本点，并对所有初始样本点进行昂贵函数评估保存在数据库DB中。
进一步地，用它们为每一个目标建立代理模型和GAN模型。
进一步地，使用MOEAD和RVEA作为基础优化器。并使用遗传算子生成子代，根据代理模型估计他们的目标值。
进一步地，按估计的目标值选择下一个父代种群，直至达到最大种群迭代次数。
进一步地，根据新的填充准则选择有最大潜力的候选解评估其真实目标值，更新代理模型和GAN模型直至达到最大真实评估次数。
以上一个或多个技术方案存在以下有益效果：
本发明基于对抗生成网络提出贝叶斯进化策略求解一组尽可能收敛于真实Pareto前沿且均匀分布的Pareto解集，同时提出了采样准则进一步引导和加速算法的收敛，将基于对抗生成网络的自适应局部搜索方法嵌入增强局部搜索能力，得到较好的一组解。
本发明通过不断添加更新点进行真实评估以达到寻找最优解的目的。本发明中非支配解随着目标维数的增加呈指数形式增长，增大了进化过程的选择压力，种群有效搜索解空间，选择更有效的预测样本引导种群优化过程。
使用GAN模型选择下一代父代的依据是GAN中的判别网络可以尽可能地辨别样本真伪，计算该样本是真实样本的概率。尽可能地挑选GAN判断是真实样本的个体，这样做可以尽可能的减小由于预测误差带来的优化方向偏移，使种群尽可能的朝着正确的方向进化。利用GAN模型提供的判别信息进一步提高模型预测能力。该方法能够在有限的训练数据的条件下，在高维决策空间中生成有前途的后代解决方案。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例中三个模块：历史数据选取模块、两阶段填充模块和种群进化模块。
图2为本发明实施例中含对抗生成网络的贝叶斯优化整体方法流程图；
图3为本发明实施例所述的γ参数在DTLZ1问题上测试的示意图。
图4为本发明实施例所述的算法运行时间在DTLZ1问题3目标上的示意图。
图5为本发明实施例所述的算法运行时间在DTLZ1问题4目标上的示意图。
图6为本发明实施例所述的算法运行时间在DTLZ1问题6目标上的示意图。
图7为本发明实施例所述的算法运行时间在DTLZ1问题8目标上的示意图。
图8为本发明实施例所述的算法运行时间在DTLZ1问题10目标上的示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
数据预处理模块，获取用来训练贝叶斯网络的数据集，并利用mat la上的PlatEMO平台上进行加载和预处理，使得该数据集可以用于训练。所有测试都在Intel(R)Core(TM)i5-6300HQ CPU@2.30GHz、8GB RAM的笔记本电脑上执行。
进一步说，在初始化阶段，采用拉丁超立方体初始化样本点，并对所有初始样本点进行昂贵函数评估保存在数据库DB中。并用它们为每一个目标建立代理模型和GAN模型。本发明使用MOEAD和RVEA作为基础优化器。并使用遗传算子生成子代，根据代理模型估计他们的目标值。并根据算法2按估计的目标值选择下一个父代种群，直至达到最大种群迭代次数。然后根据新的填充准则选择有最大潜力的候选解评估其真实目标值，更新代理模型和GAN模型直至达到最大真实评估次数。
实施例2
本发明实施例2提供一种含对抗生成网络的贝叶斯优化整体系统，该系统包括：
含对抗生成网络的环境选择策略有两个种群,两个子种群独立进化。两个种群分别使用MOEA/D-DE和RVEA作为基本优化器，根据不同的选择、交叉和变异方法进行操作。这两个种群具有相同的种群规模，生成不同的子代以保证子代的多样性。子种群之间的信息交流通过子种群中的非支配解和生成对抗网络认为有希望的解来实现，选择更有效的预测样本引导种群优化过程。两个种群使算法始终保持较高的搜索效率，在局部范围内寻找优秀个体。
开始时，两个种群被随机初始化。分别使用交叉算子和突变算子生成子代，并根据不同的环境选择方法选出各自下一代父代。接着分别对两个种群P1w+1、P2w+1进行非支配排序，并将非支配解进行合并。这一步是为了找到具有良好目标值的解保证种群收敛效率。如果非支配解的数量大于种群规模，则使用GAN模型的判别网络尽可能去判别该样本是真实样本的概率。并按概率最大化选择NP个个体。这一步是为种群维持和提升多样性。否则在剩下的个体里，按相同的策略使用GAN模型选择个体，直至数量达到NP，并将其作为下一代父代种群继续进行种群迭代，直至达到最大种群迭代次数。最优解是由子问题的最优解共同组成的，提高种群中解的质量。
实施例3
在优化过程中根据填充准则进行采样，不断更新代理模型并进行优化求解，直至满足最大评估次数。这一过程中，如何选择个体进行昂贵计算在贝叶斯进化优化中起着至关重要的作用,其选择的好坏会直接影响模型更新后的准确度。模型估值的不确定度会影响算法的搜索方向,从而影响算法的求解性能。本发明提出Lp范式距离和最大最小距离共同驱动的填充采样准则，对代理模型反馈的信息进行充分分析以找到更有希望的样本。
采用距离准则从预测的样本中选择昂贵评估的解。算法3中总结了所提出的基于收敛性的填充准则。先用Kmeans聚类将子代分成K个聚簇，将相似的样本划分到同一类簇。第一阶段，若昂贵评估次数不满足条件，则使用最小Lp范式选择有希望的解进行昂贵计算。否则，在第二阶段，对于子代中的每个个体，在目标空间中计算它与DB中个体之间的最小欧氏距离，并找出距离最大的个体。对于每一类簇，均选择一个有希望的个体进行昂贵计算。
在高维空间中，搜索点距离最远点和最近点之间的距离几乎相等。这意味着随着维数的增加，距离函数在高维空间中失去有效性。Lp范式距离相比曼哈顿距离和欧式距离在高维空间中表现更好。对于具有不同目标数量的优化问题，固定的距离可能并不适用于所有情况。因此，p＝1/m是根据实验而设定的。并且在进化前期，高维空间中样本稀疏，仅使用基于最大最小距离的收敛性准则使得种群局部搜索的能力减弱。因此采用两阶段填充准则，进化前期采用Lp范式选择有潜力的个体，进化后期采用最大最小距离准则找到的良好可行的解决方案。
实施例4
为了彻底验证本发明的的有效性，将其与一些最先进的SAEAs进行了实证比较，包括ParEGO、MOEA/D-EGO、KRVEA、KTA2和SMSEGO。所有的比较算法均在PlatEMO中实现。实施例采用来自DTLZ测试实例进行，目标分别为3、4、6、8和10。作为实施例设置，所有DTLZ问题的决策变量数分别设置为50。每个实施例均要独立运行20次。
除此之外，初始种群规模设置为100+D/10。昂贵函数评估的最大数量设置为300。复制参数(交叉和变异)设置为pc＝1.0，ηc＝20、pm＝1.0和ηm＝20。更新克里金法之前的最大代数设置为wmax＝20。
采用的性能指标如下:
反转世代距离(Inverted generational distance，IGD)指标用来测量近似PF与最终PF之间的距离，IGD值越小，表明近似最优解越接近最终PF。
本发明包含一个新的参数γ。请注意，γ在算法3中用于定义两阶段填充准则的平衡因子。不同的γ参数值可能会影响性能。DTLZ1由于其难以收敛，是一个非常具有代表性的测试问题。通过对DTLZ1的实验，分析了新引入的参数的灵敏度。
为了评估不同γ值的影响，首先测试了一系列值γ∈{1/3，0.5，0.7，0.9，1}。图2提供了对3,4,6,8,10个目标DTLZ1问题的比较结果。可以观察到，使用γ＝0.5在DTLZ1上取得了最好的结果，可能是很好地平衡了收敛性和多样性。γ＝1/3时，完全使用最大最小距离选择具有潜力的更新点，但这并不是最好的结果。最大最小距离准则选择样本进行昂贵评估的次数越多。虽然增强了算法的多样性，但收敛性能力变差。另一方面，γ＝1时，完全使用Lp范式距离，这个参数设置取得了不是很好的成绩。可能的原因是Lp范式距离在目标高维时失去了有效性。考虑到具有较大参数设置的算法可能会导致算法收敛缓慢，因此将γ设置为0.5，作为所有实例的一般设置。
实施例5
本发明GBBEO与KRVEA、MOEA/D-EGO,KTA2和ParEGO在50个不同目标数(3、4、6、8、10)的MOPs上进行了比较。表1总结了六种算法针对50维问题在DTLZ1到DTLZ7上进行20次独立运行后获得的IGD值的结果。表2总结了本发明运行时间的结果，其中突出显示了最佳结果。其中，对GBBEO与其他五种比较算法的比较进行了WRS检验。可以看出在50维问题上，GBBEO在30个测试实例中均获得最佳性能，其中分别30个最佳结果，其次在50维问题上是KRVEA和KTA2，25个最佳结果。MOEA/D-EGO,ParEGO和SMSEGO在DTLZ测试问题中获得较少的最佳结果。
表1 GBBEO在50维DTLZ问题上的IGD值比较
为进一步分析算法的行为，选择运行时间来测量上述算法所获得的种群的多样性。表2是对DTLZ问题runtime的统计结果，其中突出显示了最佳的结果。GBBEO和KTA2的在50维的比较中，WRS检验结果显示，GBBEO获得了30个“好”的结果，在GBBEO和KRVEA的比较中，GBBEO分别获得了9个“好”、12个“差”和9个“相似”的结果，在KTA2和其他SAEAs的比较中，几乎没有任何结果比GBBEO好。
可以观察到，GBBEO在DTLZ3,DTLZ5和DTLZ6问题上的表现优于其他算法，可以获得良好的多样性。DTLZ1，DTLZ2和DTLZ7的实验结果显示，GBBEO有时虽不如K-RVEA，但也获得第二好的性能。由此可以看出，没有一个SAEAs能够成功地处理所有类型的问题。
表2 GBBEO在50维DTLZ问题上的runtime值比较
Claims (10)
1.一种含对抗生成网络的贝叶斯优化方法，其特征在于，包括：
在现有进化算法基础上针对问题特点对算法进行改进，一种算法集中于全局搜索保持种群多样性，另一种算法集中于局部搜索，逼近真实Pareto前沿，当没有更好的候选解决方案时，这两种算法随机进行，探索适用于高维空间的种群寻优策略，并且为避免算法陷入局部最优，拟采用多代选取策略，从多次迭代的预测样本中筛选出部分个体作为父代，参与进化算法种群更新，将进化算法的自然搜索能力和贝叶斯的预测能力相结合，适用于高维昂贵优化问题的贝叶斯进化优化算法框架，使种群进化群体的非支配集不断地逼近真正的最优边界，最终得到满意的解集。
2.如权利要求1所述的一种含对抗生成网络的贝叶斯优化方法，其特征在于，使用MOEA/D-DE和RVEA作为基础优化器，分别考虑其收敛性和多样性，MOEA/D-DE作为主要种群进化以找到好的解决方案保证其收敛效率，RVEA作为辅助种群进化以维持和为主要种群提升多样性，使用交叉和突变操作生成后代，并根据克里金模型的预测进行选择，根据新的自适应采集函数从预先选择的后代中选择q的解决方案来进行真实的功能评估，这些重新评估的解决方案被用于更新DB和代理模型。
3.如权利要求2所述的一种含对抗生成网络的贝叶斯优化方法，其特征在于，两个子种群独立进化，并在合适的时机以一定的规则进行交流，使用生成对抗网络，在环境选择部分选择更接近真实样本的预测样本作为父代引导种群进化，这样做可以减少由于预测误差带来的优化方向偏移。
4.如权利要求2所述的一种含对抗生成网络的贝叶斯优化方法，其特征在于，所述策略包括三种特定问题的方法：基于非支配排序、评价指标和基于分解的解决方法。
5.如权利要求1所述的一种含对抗生成网络的贝叶斯优化方法，其提出利用多标记样本对真实评估数据及预测信息历史数据进行多标签标记，同时，保存迭代过程中的模型信息，深度挖掘历史数据信息，进一步对历史数据进行提取，使用数据预处理技术处理并筛选出样本集，进而使用样本选取方法筛选出可靠的样本得到充足的构建代理模型训练样本。
6.如权利要求1所述的一种含对抗生成网络的贝叶斯优化方法，其特征在于，可以减少由于预测误差带来的优化方向偏移，适用于高维超多目标问题。
7.如权利要求1所述的一种含对抗生成网络的贝叶斯优化方法，其特征在于，两阶段填充准则解决小样本情况下样本稀疏的问题，在进化前期采用Lp范式选择有潜力的个体，进化后期采用最大最小距离准则找到的良好可行的解决方案。
8.一种含对抗生成网络的贝叶斯优化方法，其特征在于，包括：
数据获取模块，其被配置为：获取基础数据，所述基础数据包括种群和预测值，得到真实历史数据和预测历史数据；
模型管理模块，对模型进行选择和更新，其中，更新包括不确定性估计方法，GAN模型和采样准则的构建。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-7任一所述的含对抗生成网络的贝叶斯优化方法的步骤。
10.一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，该程序被处理器执行时实现权利要求1-7任一所述的含对抗生成网络的贝叶斯优化方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310052128.1A CN116306769A (zh) | 2023-02-02 | 2023-02-02 | 一种含对抗生成网络的贝叶斯优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310052128.1A CN116306769A (zh) | 2023-02-02 | 2023-02-02 | 一种含对抗生成网络的贝叶斯优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116306769A true CN116306769A (zh) | 2023-06-23 |
Family
ID=86798630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310052128.1A Pending CN116306769A (zh) | 2023-02-02 | 2023-02-02 | 一种含对抗生成网络的贝叶斯优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116306769A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556692A (zh) * | 2023-11-08 | 2024-02-13 | 南昌大学 | 面向多目标昂贵约束优化问题的代理模型辅助的moea/d方法 |
-
2023
- 2023-02-02 CN CN202310052128.1A patent/CN116306769A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117556692A (zh) * | 2023-11-08 | 2024-02-13 | 南昌大学 | 面向多目标昂贵约束优化问题的代理模型辅助的moea/d方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220076150A1 (en) | Method, apparatus and system for estimating causality among observed variables | |
| CN112508442B (zh) | 基于自动化和可解释机器学习的暂态稳定评估方法及系统 | |
| CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
| Hu et al. | A niching backtracking search algorithm with adaptive local search for multimodal multiobjective optimization | |
| CN115755954B (zh) | 巡检路径规划方法、系统、计算机设备及存储介质 | |
| CN117236278B (zh) | 一种基于数字孪生技术的芯片生产仿真方法及系统 | |
| CN104539601A (zh) | 动态网络攻击过程可靠性分析方法及系统 | |
| CN114389265B (zh) | 基于增殖和缩减进化的电网紧急切负荷优化方法及系统 | |
| CN112464996A (zh) | 基于LSTM-XGBoost的智能电网入侵检测方法 | |
| CN116306769A (zh) | 一种含对抗生成网络的贝叶斯优化方法及系统 | |
| CN113139570A (zh) | 一种基于最优混合估值的大坝安全监测数据补全方法 | |
| CN113988558B (zh) | 基于盲区识别和电气坐标系扩展的电网动态安全评估方法 | |
| CN116402002A (zh) | 一种用于芯片布局问题的多目标分层强化学习方法 | |
| CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及系统 | |
| CN114781688A (zh) | 业扩项目的异常数据的识别方法、装置、设备及存储介质 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| Zheng et al. | Data-driven optimization based on random forest surrogate | |
| CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及系统 | |
| Li et al. | A surrogate-assisted offspring generation method for expensive multi-objective optimization problems | |
| Boudjeloud et al. | Visual interactive evolutionary algorithm for high dimensional data clustering and outlier detection | |
| Yang et al. | Attribute reduction based on the grey relational analysis and dynamic programming | |
| Chuang et al. | Chaotic binary particle swarm optimization for feature selection using logistic map | |
| Rada et al. | Understanding the role of positive and negative relations for community detection problem in signed networks: A new perspective | |
| Wei et al. | A two-stage diversity enhancement differential evolution algorithm for multi-objective optimization problem | |
| Bhattacharya | An investigation on two surrogate-based EAs |
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 |