[发明专利]一种双层优化异构代理模型辅助多目标进化优化计算方法

权利要求书

1.一种双层优化异构代理模型辅助多目标进化优化计算方法，其特征在于：包括以下步骤

S1、通过拉丁超立方采样初始化种群，并评估群体中个体适应度；

S2、采用当前最佳数据建立全局快速Kriging模型；

S3、运用自适应熵差选择参考点的AR-NSGA-Ⅲ作为优化器，生成全局搜索候选解；

S4、判断可行域内是否有可行解，若无可行解，则返回步骤S2；若有可行解，则执行步骤S5；

S5、根据可行解聚类策略划分有希望的可行子区域；

S6、构建局部支持向量机分类器；

S7、运用改进差分进化算子的MOEA/D-iDE作为优化器搜索有希望的局部区域；

S8、通过基于收敛性与多样性指标的填充采样准则从候选解中挑选理想解集对代理模型进行更新；

S9、判断当前评估次数是否达到预设评估次数，若否，则返回步骤S5；若是，则输出最终优化结果。

2.根据权利要求1所述的一种双层优化异构代理模型辅助多目标进化优化计算方法，其特征在于：所述步骤S1中，根据拉丁超立方采样从设计空间生成初始样本，以原始目标函数计算个体适应度值并保存于数据库DB中。

3.根据权利要求1所述的一种双层优化异构代理模型辅助多目标进化优化计算方法，其特征在于：所述步骤S2具体包括以下分步骤

S2.1、为每一个原始目标函数构建Kriging近似模型，如下式所示

y(x)＝μ(x)+ε(x),ε(x)～N(0,σ2)

其中，μ是回归模型的预测值，即μ＝Fβ和ε(x)是均值为0，标准差为σ的高斯分布；相关函数选取高斯核函数

其中，i，j表示矩阵内变量行列位置，θ_i表示为超参数，θ的值通过以下最大似然函数得到

其中，N₁表示种群数，y为真实目标函数值，det(R)是矩阵R的行列式；得到超参数θ后，分别计算系数β和方差σ²，进一步逼近目标函数值；

S2.2、将初始模型学到的超参数用于增量模型以加速原始Kriging模型的近似；从R^-1中计算出新的相关矩阵写成

其中，用n，q对矩阵进行分块，R是原始Kriging模型的相关矩阵；分区矩阵的反演计算为

其中，C＝B-A^TR^-1A。

4.根据权利要求1所述的一种双层优化异构代理模型辅助多目标进化优化计算方法，其特征在于：所述步骤S3中，AR-NSGA-Ⅲ采用种群在每次进化迭代的熵值之差确定，其中熵值计算方法如下：

其中，inf为归一化数值，mid为标准化中位数差，t为迭代次数，两次迭代的熵差为Δe^t＝|e^t-e^t-1|，当种群更新时Δe^t的值与决策空间中个体变化幅度呈正相关，即Δe^t值越大，种群变化越大，表示种群正经历探索阶段，将趋向于不确定性区域；相反，Δe^t值越小，种群变化越小，种群趋向于收敛和稳定。