[发明专利]汽车冲压模具工艺优化方法、装置、存储介质及服务器

权利要求书

1.一种基于SAC算法优化智能决策模型的汽车冲压模具工艺优化方法，其特征在于，所述方法包括：

获得待优化汽车冲压模具，并将所述待优化汽车冲压模具进行数字化，获得待优化汽车冲压模具的数字化结果；

将所述待优化汽车冲压模具的数字化结果输入收敛的SAC算法优化智能决策模型中，获得输出的待优化汽车冲压模具的优化决策；

基于所述待优化汽车冲压模具的优化决策对待优化汽车冲压模具进行优化处理，获得优化处理结果。

2.根据权利要求1所述的汽车冲压模具工艺优化方法，其特征在于，所述收敛的SAC算法优化智能决策模型的获得，包括：

构建智能决策模型；

基于SAC算法对所述智能决策模型进行优化处理，获得SAC算法优化智能决策模型；

获得历史汽车冲压模具，并对历史汽车冲压模具进行数字化处理，形成训练数据集；

利用所述训练数据集对所述SAC算法优化智能决策模型进行训练，直至获得收敛的SAC算法优化智能决策模型为止；

其中，所述智能决策模型为具有3个全连接层的卷积神经网络模型。

3.根据权利要求2所述的汽车冲压模具工艺优化方法，其特征在于，所述基于SAC算法对所述智能决策模型进行优化处理，获得SAC算法优化智能决策模型，包括：

根据SAC算法获得最大熵，并基于所述最大熵在确保最大随机性时，确定优化的方向；

获得所述智能决策模型的第一目标值函数、状态值函数和第二目标值函数；

基于所述最大熵对所述决策模型的目标值函数、状态值函数和目标值函数进行优化处理，获得SAC算法优化智能决策模型。

4.根据权利要求3所述的汽车冲压模具工艺优化方法，其特征在于，所述根据SAC算法获得最大熵公式如下：

H(π(·|S_t))＝-log(π(·|S_t))；

其中，π表示SAC算法的策略；π^*表示SAC算法的最优策略；T表示时间步长；S_t表示当时间为t时的状态；a_t表示时间t时的选定操作；ρ_π表示在策略下的轨迹分布π；R表示奖励函数；γ表示0到1范围内的贴现系数；α表示相对重要的信息熵系数或温度系数；H表示信息熵策略。

5.根据权利要求3所述的汽车冲压模具工艺优化方法，其特征在于，所述智能决策模型的目标值函数公式如下：

所述智能决策模型的第一状态值函数公式如下：

所述智能决策模型的第二目标值函数公式如下：

其中，E表示期望函数；Q_θ(S_t，a_t)表示确定其S_t和a_t的智能决策模型的值函数；f_φ表示状态S_t中动作的分布函数；π表示SAC算法的策略；S_t表示当时间为t时的状态；a_t表示时间t时的选定操作；ρ_π表示在策略下的轨迹分布π；R表示奖励函数；γ表示0到1范围内的贴现系数；φ表示在输出均值和协方差的参数。