[发明专利]一种含对抗生成网络的贝叶斯优化方法及系统

说明书

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。

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。