[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

说明书

本发明公开了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，涉及多目标优化技术领域，首先使用拉丁超立方采样从设计空间生成初始化样本并评估其适应度值，用当前最佳数据建立全局快速Kriging模型，运用自适应熵差选择参考点的ARNSGA‑3作为优化器生成全局候选解，判断是否转变评估阶段；构建局部SVM分类器，运用MOEA/D‑iDE作为优化器搜索有希望的局部区域探索局部最优候选解，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并更新代理模型提升预测精度，判断是否达到预设评估次数；最终输出优化结果；从而可以高效的处理较为复杂的昂贵约束多目标优化问题。

技术领域

本发明涉及多目标优化技术领域，特别是涉及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。

背景技术

许多实际优化问题都有多个相互冲突的目标需要同时优化，这称为多目标优化问题。在大多数进化算法中都假定存在分析和计算成本低廉的目标或约束函数，然而在实际应用中，可能会发生每个函数求值都很困难且极度耗时的情况。昂贵优化问题正是指那些目标的计算开销或物理实验成本很高的问题，例如在多目标神经架构搜索的情况下，基于GPU的评估可能在计算时间和经济上都很昂贵，其中只有少量函数评估次数是可承受的。因此，解决昂贵约束多目标优化问题的主要目的就是在有限的时间内找到可行区域内的最优解。近年来，随着自动化机器学习领域的发展，带有约束条件的昂贵多目标优化问题在工程应用领域中普遍存在，且重要性日益增加，解决此类问题具有十分重要的科研价值和实际意义。

目前，代理辅助进化算法将传统进化算法与代理建模技术相结合，是解决代价高昂的优化问题的主流方法，其一般概念是对候选解进行预筛选。具体而言，代理辅助进化算法利用替代模型的输出来评估待评估的高质量解。为提高其预测性能，需确定新样本，通过原始真实目标函数评估以更新代理模型提高预测精度。运用代理模型替代原始目标函数对候选解的评估减少昂贵评价次数从而降低计算成本。当关于目标的先验知识很少时，使用不同代理模型的集合是提高近似鲁棒性的一种流行方法。

对于代理模型，代理辅助进化算法可以大致分为基于近似的和基于分类的。基于近似的代理辅助进化算法构建了近似目标函数或约束函数的代理模型。例如，在ParEGO中，建立了一个单一的Kriging模型来近似每一代聚集函数，其中聚集函数是用一组均匀权重向量中随机选择的向量构造的；在EDN-ARMOEA中，计算效率更高的Dropout神经网络代替高斯过程模型以减少近似模型构建的变维时间消耗。通常，基于近似的代理辅助进化算法具有丰富的预筛选能力来估计高质量的解，因为近似模型可以用其模型获得的实值输出对任何候选解进行排序。然而，这类基于近似的代理辅助进化算法用于求解高维问题时，近似误差将随着目标数量增加而累积，计算量也将急剧增加，获得足够的模型精度可能会受到有限数量的高维训练样本的阻碍。

基于分类的代理辅助进化算法构建分类模型以预测候选解的合理类别，无需建立用于近似每个目标函数的精确代理模型。当新个体被这类代理模型预测时，得到的不再是一个具体的适应度值，而只是一个简单的标签用于判断个体的好坏。例如，一种基于分类和帕累托支配的多目标进化算法(CPS-MOEA)，个体被标记为正负两类，利用分类回归树对新生成的子代类别进行预测以减少子代评估次数；基于分类的CSEA使用前馈神经网络预测候选个体与参考个体间支配关系。与近似模型相比，分类模型无需精确拟合目标与样本实值，能够节省近似时间提高预测效率，然而其返回较少的信息导致筛选能力较差。

评估代价的高昂作为现实问题亟待解决，分类与回归模型各有其优劣，还未有算法将二者以合适的方法协同考虑纳入工程优化。此外，当问题维数较高时，由于“维数诅咒”，使用有限数量的训练点构建精确的全局模型通常很困难，使用局部代理模型通常用于增强代理辅助进化算法的局部搜索能力并进一步加快收敛。现有的代理辅助进化算法局限于具有小规模的昂贵多目标优化问题，而高维的决策空间与目标空间为构建模型所需的效率和精度带来巨大压力。

发明内容

为了解决以上技术问题，本发明提供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，包括以下步骤