[发明专利]一种含对抗生成网络的贝叶斯优化方法及系统

权利要求书

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。