[发明专利]一种基于分解思想的卷积神经网络代理模型的多目标优化进化计算方法

权利要求书

1.一种基于分解思想的卷积神经网络代理模型的多目标优化进化计算方法，其特征在于，包括如下步骤：

1)初始化：设置初始种群N，设置EP为空集，EP用于保存种群在迭代过程中获得的个体，并生成均匀分布的空间向量，确定每个个体的相邻近的个体数T，并计算权重向量之间的欧氏距离；

2)更新种群，通过交叉变异产生子代，并采用一种启发式方法来改进产生的子代，进而更新邻域解，更新EP；

3)建立模型：随机或通过问题的特定方法生产一个初始种群，采用训练好的基于分解思想的卷积神经网络的代理模型对初始种群进行适应度值的计算；

4)停止准则：如果停止准则满足，停止并输出EP；否则，转向步骤2。

2.根据权利要求1所述的一种基于卷积神经网络代理模型的多目标优化进化计算方法，其特征在于，步骤1)计算任意两个权向量之间的欧式距离，然后计算每个权向量最近的T个权向量。对于i＝1，...，N，设置B(i)＝{i₁，...，i_T}，这里是T个接近λⁱ的权重向量。

3.根据权利要求1所述的一种基于卷积神经网络代理模型的多目标优化进化计算方法，其特征在于，步骤2)包括：

(2.1)复制：随机从B(i)中选择两个所引k、l，然后对xk和xl使用遗传算子产生一个新的解y；

(2.2)改善：应用一个启发式方法修理/改进y来生产y′；

(2.3)更新邻域解：对于j∈B(i)，如果Fcnn(y’|λ^j，z)≤Fcnn(x^j|λ^j，z)，那么设置x^j＝y′。

(2.4)更新EP：从EP中移除被F(y′)支配的所有向量；如果EP中没有向量支配F(y′)，就将F(y′)加入到EP中。

4.根据权利要求1所述的一种基于卷积神经网络代理模型的多目标优化进化计算方法其特征在于，步骤3)包括：

(3.1)对训练样本进行拉丁立方体采样获取训练集；通过问题的特定方法生产一个初始种群，对数据进行拉丁超立方体采样，以获得一定数量的训练集合；将训练集中的每一个样本点作为一个个体；

(3.2)为训练集中的每一个个体分配空间向量；在决策空间生成一组均匀分布的空间向量，该均匀分布的空间向量的数量与训练样本的数量保持一致；采用欧氏距离，计算空间中距离每一个样本最近的一个向量，将该向量追加到样本的后三维度，完成决策空间内均匀分布的向量对种群中个体的分配；

(3.3)采用分解思想建立基于卷积神经网络的代理模型；针对问题的复杂程度训练构建模型来预测适应度值，其输入是需要被评估的个体，其输出是该个体的适应度值；首先编写基本的代理模型系统代码，搭建基于卷积神经网络的模型结构；在此基础上进行分解思想构造的设计——在标准卷积的基础上，在输出端增加一层结构，并以空间中均匀分布的向量的每一维度为权重值，从而利用分解思想提高网络的针对多目标优化问题处理的能力；借此，该网络可以达到针对一个多目标优化问题获得一个整体的代理模型，以此避免针对每一个目标训练出一个代理模型；

(3.4)训练基于卷积神经网络的多目标优化代理模型；将第二步计算得到的训练集输入基于卷积神经网络的代理模型并进行前向传播，并应用适当的激活层和损失函数进行模型的训练；得到最终的基于卷积神经网络的代理模型系统模型。