[发明专利]基于AGN及CNN的单目标优化问题寻优方法及装置

说明书

技术领域

本发明涉及计算机应用技术领域，特别是涉及一种基于AGN及CNN的单目标优化问题寻优方法及装置。

背景技术

随着计算机应用技术的快速发展，对优化问题的研究也受到越来越多的关注。现实世界中有着大量的优化问题，对于优化问题的解决主要可以分为两个步骤。第一步是针对给定的一个实际优化问题，通过数学建模的方式将其转换为有着规范函数表达的优化问题，也就是定义决策空间、目标空间以及两者之间的映射关系；第二步是在上一步中获得的规范函数表达的优化问题基础上，通过计算的方式求得其最优解。

优化问题依据决策变量是否连续可以分为两大类。如果决策变量是连续的，那么优化问题是连续优化问题；如果决策变量是离散的，那么优化问题是组合优化问题。优化问题依据是否有约束，可以分为有约束的和无约束的。依据目标变量的个数，可以分为单目标优化和多目标优化。

优化问题的求解有两大类方法，包括解析方法和数值方法。

解析方法是通过严格的数学证明与推导，得到精确的最优解，仅能解决一些典型的优化问题，在实际问题上往往难以应用。数值方法是通过设计恰当的迭代算式，通过一系列迭代，得到近似最优解，对优化问题要求很低，只需要给定一个决策向量、优化问题可以反馈一个目标向量，即优化问题可以是一个黑盒问题、无需明显的表达式，适合求解实际问题。

传统的数值优化方法，如牛顿法等，容易陷入问题的局部最优；而广义的进化算法(包括进化算法和群智能算法)通过模拟生物群体行为特性或是事物的发展与结构特性，设计迭代算式，全局搜索能力较强，但求解复杂的优化问题时耗时较长且近似最优解的精度不够，若模型参数设计不合理则出现求解不出近似最优解的情况，另外，对于有约束的优化问题，模型设计的难度将大大增加且模型参数难以确定，使得求解出来的解效果较差，难以满足实际问题要求。

发明内容

本发明的目的是提供一种基于AGN及CNN的单目标优化问题寻优方法及装置，以对单目标连续型优化问题进行快速寻优。

为解决上述技术问题，本发明提供如下技术方案：

一种基于AGN及CNN的单目标优化问题寻优方法，包括：

步骤A：根据待处理的优化问题，确定待优化函数Z＝g(x1,x2,x3,…,xk)；其中，x1、x2、x3、……、xk为决策变量，Z为优化目标，k为决策变量个数；

步骤B：在待优化领域Db中采集所述待优化函数的待优化目标点云组，所述待优化目标点云组包含p个待优化目标点云；其中，所述待优化领域Db中，x1∈[a1,b1]，x2∈[a2,b2]，…，xk∈[ak,bk]；

步骤C：在k＞2时，创建并训练去噪自编码器网络AGN，利用所述AGN的编码部分将各个决策变量x1、x2、x3、……、xk编码为y1和y2，所述AGN的输入层和输出层神经元个数均为k；

步骤D：将所述待优化目标点云组对应的y1值及y2值分别按由小至大的方式进行排序，将y1值映射为其在按y1排序中的序号y1'，将y2值映射为其在按y2排序中的序号y2'，并创建映射表aa存储y1值与y1'的关系、y2值与y2'的关系以及对应的Z值；

步骤E：选取每个待优化目标点云的y1'值及y2'值作为代表相应待优化目标点云的两个特征，创建所述待优化目标点云组的二维矩阵kk；其中，y1'为所述二维矩阵kk的行序号，y2'为所述二维矩阵kk的列序号，所述二维矩阵kk上第y1'行第y2'列的值为Z；

步骤F：将所述二维矩阵kk输入到预先训练获得的CNN二决策变量寻优器中，获得所述二维矩阵kk中最值点的y1'值、y2'值及Z值；

步骤G：查询所述映射表aa，将y1'值映射为y1，将y2'值映射为y2，利用所述AGN的解码部分将y1和y2解码为X1、X2、X3、……、Xk，输出优化结果为：当x1取X1、x2取X2、……、xk取Xk时达到全局最优Z。

在本发明的一种具体实施方式中，还包括：

在k＝2时，令y1＝x1，y2＝x2，执行步骤D至步骤G的操作。

在本发明的一种具体实施方式中，所述创建并训练获得去噪自编码器网络AGN，包括：

创建一个三层的去噪自编码器模型，所述去噪自编码器模型的输入层和输出层的神经元个数均为k，所述去噪自编码器模型的隐藏层神经元个数为2；

分别设置所述去噪自编码器模型的相关参数，所述相关参数包括神经元激活函数、损失函数、训练算法、学习率、批量训练样本数目ba'、噪声系数和最小误差Nm'；