面向高维昂贵优化问题的梯度信息驱动维度扰动变异方法
摘要文本
本发明公开了一种面向高维昂贵优化问题的梯度信息驱动维度扰动变异方法，包括：(1)确定设计空间与优化目标，种群与关键迭代参数初始化，给出收敛条件；(2)根据相似筛选准则构建全局径向基函数代理模型；(3)构建梯度信息驱动的维度扰动变异操作来产生候选子代池；(4)构建双层子代选择策略确定真正子代个体；(5)采用自编码器实现降维与升维，设计局部搜索策略；(6)更新种群与关键迭代参数信息，判断算法是否达到收敛条件，若收敛则输出算法所得优化解，否则转至步骤(2)，直至算法达到收敛条件。本发明有效融合了梯度变异快速收敛与维度扰动全局搜索两者优势，能够加快收敛速度，针对高维问题的适用性较强、灵活性较好。
申请人信息
- 申请人:南昌大学
- 申请人地址:330000 江西省南昌市红谷滩新区学府大道999号
- 发明人: 南昌大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 面向高维昂贵优化问题的梯度信息驱动维度扰动变异方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311482150.6 |
| 申请日 | 2023/11/8 |
| 公告号 | CN117556691A |
| 公开日 | 2024/2/13 |
| IPC主分类号 | G06F30/27 |
| 权利人 | 南昌大学 |
| 发明人 | 杨赞; 刘建胜; 黄纪绘; 袁彬; 鲁翠媛; 张坤 |
| 地址 | 江西省南昌市红谷滩新区学府大道999号 |
专利主权项内容
1.一种面向高维昂贵优化问题的梯度信息驱动维度扰动变异方法，其特征在于，所述方法包括：(1)根据待优化实际工程问题确定该优化问题的设计空间与优化目标评估函数，在设计空间上下界内进行采样以获得初始种群样本点，并通过优化目标函数进行评估，形成初始种群，根据实际工程设计周期与优化精度要求设计收敛条件，初始化算法迭代过程中的关键迭代参数；(2)针对优化至今所构建的全局数据库，基于样本相似筛选准则来构建全局径向基函数代理模型；(3)考虑基于梯度下降的变异操作与维度扰动变异操作特性，构建融合两者优势的梯度信息驱动的维度扰动变异操作，进而通过该变异操作产生候选子代池；(4)构建双层子代选择策略确定用于真实昂贵评估的真正子代个体，采用真实昂贵目标函数评估子代个体并更新当前种群、全局数据库与关键迭代参数信息；(5)采用自编码算法对原始空间进行编码与解码，在编码后低维设计空间设计高效的基于局部径向基函数代理模型的局部搜索策略；(6)更新当前种群、全局数据库与关键迭代参数信息，判断算法是否达到收敛条件，若收敛则输出算法所得优化解，否则转至步骤(2)，直至算法达到收敛条件。