面向小样本优化问题的自适应主动优化方法及装置

本技术涉及智能优化与工业参数标定，特别涉及一种面向小样本优化问题的自适应主动优化方法及装置。

背景技术：

1、在发动机性能标定、气动优化等工程领域，单次目标函数评估（如一次三维数值仿真或一次台架试验）耗时极长、成本高昂。为减少真实评估次数，代理辅助进化算法被广泛采用。

2、相关技术中，代理辅助进化算法利用有限的真实数据训练一个代理模型（如神经网络等），将该代理模型与进化算法（如遗传算法）结合，采用"代理模型预测值直接作为遗传算法适应度"的耦合方式，引导搜索向潜在最优区域推进，其中，代理辅助进化算法的搜索方向高度依赖代理模型的预测精度，依靠随机变异维持多样性。

3、然而，相关技术中，由于在小样本、高维复杂设计空间中，真实样本数量有限导致代理模型存在预测误差，且误差会随着搜索迭代不断累积，使遗传算法过度集中于代理模型预测的局部最优区域，进而导致搜索空间覆盖不足、种群多样性快速下降以及全局寻优能力显著降低；另一方面，由于缺乏针对未知设计空间的主动探索机制，对于尚未采样但可能包含全局最优解的区域缺少有效引导，仅依赖随机变异维持种群多样性，导致探索效率较低，当代理模型预测出现偏差时，算法难以及时跳出错误搜索方向，进而增加真实函数评估次数，降低昂贵优化问题中的计算效率，亟待改善。

技术实现思路

1、本技术提供一种面向小样本优化问题的自适应主动优化方法及装置，以解决相关技术中，由于代理模型存在预测误差累积，导致搜索空间覆盖不足、种群多样性快速下降以及全局寻优能力显著降低，同时，由于缺乏针对未知设计空间的主动探索机制，导致探索效率较低，在预测出现偏差时难以及时调整方向，导致真实函数评估次数增加、计算效率降低等问题。

2、本技术第一方面实施例提供一种面向小样本优化问题的自适应主动优化方法，包括以下步骤：确定目标优化问题的初始样本集的每个样本的真实目标函数值，以构建所述目标优化问题的初始数据集；基于所述初始数据集，训练用于预测所述目标优化问题的任意候选解的目标函数值的代理模型，并基于所述初始数据集生成所述目标优化问题的精英解集合；基于所述代理模型和所述精英解集合，构建所述目标优化问题的自适应探索函数，以利用基于所述自适应探索函数的遗传算法对所述目标优化问题进行求解，以得到所述目标优化问题的当前候选解，直至所述当前候选解满足预设终止条件，确定所述目标优化问题的最优解。

3、通过上述技术手段，本技术实施例可以基于初始数据集完成代理模型训练与精英解集合生成，以构建自适应探索函数，并利用基于自适应探索函数的遗传算法对目标优化问题进行求解，直至满足预设终止条件输出最优解，从而能够在代理模型预测存在误差的情况下，能够兼顾局部开发与全局探索、动态调节探索强度，并主动引导搜索未知高价值区域，提升全局寻优能力，进而降低真实评估成本并提高优化效率。

4、可选地，在本技术的一个实施例中，所述确定目标优化问题的初始样本集的每个样本的真实目标函数值，包括：在设计空间内，利用预设采样策略生成所述初始样本集；基于真实物理实验或高精度数值仿真，获取所述每个样本的所述真实目标函数值。

5、通过上述技术手段，本技术实施例可以在设计空间内通过预设采样策略系统性地生成初始样本，并以真实物理实验或高精度数值仿真获取真实目标函数值，保障了初始样本集的准确性，从而为后续训练代理模型和生成精英解集合提供了可靠的数据基础，保证了代理模型预测的可信度。

6、可选地，在本技术的一个实施例中，所述利用基于所述自适应探索函数的遗传算法对所述目标优化问题进行求解，以得到所述目标优化问题的当前候选解，包括：计算当前种群中每个个体的代理模型预测值、自适应探索权重和归一化局部新颖性得分；将所述代理模型预测值、所述自适应探索权重和所述归一化局部新颖性得分代入所述自适应探索函数，以计算每个个体的适应度；基于所述适应度，对所述当前种群执行所述遗传算法的预设操作，以生成新一代种群，直至达到预设迭代次数，得到所述目标优化问题的最终种群；从所述最终种群中选取精英解、高新颖性解和随机解，以确定所述当前候选解。

7、通过上述技术手段，本技术实施例可以将遗传算法的适应度设计为融合代理预测值、局部新颖性以及自适应探索权重的自适应探索函数，改变了代理模型与进化算法的耦合方式，使得搜索过程不再完全依赖代理模型的预测精度，即使代理模型在数据稀疏的高维空间中精度有限，也能通过新颖性驱动机制主动引导种群访问模型不确定的未知区域，从而有效避免陷入局部最优，显著提升了全局寻优能力，能够在高维复杂问题上以较少的评估次数稳定收敛至全局最优，展现出显著的效率与鲁棒性优势。

8、可选地，在本技术的一个实施例中，所述自适应探索函数的表达式为：

9、，

10、其中，为所述自适应探索函数，为所述代理模型预测值，为所述自适应探索权重，为所述归一化局部新颖性得分。

11、通过上述技术手段，本技术实施例可以同时兼顾计算预测目标函数值和探索未知区域，并采用归一化处理消除了量纲影响，使探索项与预测值项能够在同一尺度下进行加和，通过自适应探索权重避免固定探索参数导致的过度探索或探索不足问题，从而提高代理模型预测误差条件下的全局寻优能力。

12、可选地，在本技术的一个实施例中，所述计算当前种群中每个个体的代理模型预测值、自适应探索权重和归一化局部新颖性得分，包括：将所述每个个体的特征向量输入所述代理模型，预测所述每个个体的目标函数值，以输出所述代理模型预测值；基于自适应探索权重和所述初始数据集中所述真实目标函数值的预设最值的绝对值，计算所述自适应探索权重；计算所述精英解集合与所述当前种群中所有个体之间的最小距离，并根据所述最小距离计算所述每个个体的局部性因子；计算所述每个个体的未访问奖励函数和重复惩罚因子；基于所述局部性因子、所述未访问奖励函数和所述重复惩罚因子，计算所述每个个体的原始局部新颖性得分，以对当前种群中所有个体的所述原始局部新颖性得分进行最大最小值归一化，得到所述归一化局部新颖性得分。

13、通过上述技术手段，本技术实施例可以采用局部性因子、未访问奖励以及重复惩罚三个因素共同构建局部新颖性指标，通过综合考虑候选解与当前精英解之间的局部距离、历史访问情况以及候选解重复程度，对未知区域赋予不同探索价值，从而保证探索资源集中于具有较高潜在收益的新区域。

14、可选地，在本技术的一个实施例中，所述得到所述目标优化问题的当前候选解，直至所述当前候选解满足预设终止条件，确定所述目标优化问题的最优解，包括：对所述当前候选解进行真实评估，得到所述当前候选解的真实目标函数值，并将所述当前候选解和所述当前候选解的真实目标函数值加入初始数据集，生成扩充后的数据集；判断所述扩充后的数据集是否满足预设终止条件；响应于所述扩充后的数据集不满足预设终止条件，基于所述扩充后的数据集，训练所述代理模型，进入下一轮迭代；响应于所述扩充后的数据集满足预设终止条件，确定所述目标优化问题的最优解，输出所述最优解和所述最优解的目标函数值作为最终优化结果。

15、通过上述技术手段，本技术实施例可以在每轮迭代中对筛选出的当前候选解进行昂贵的真实评估并扩充数据集，判断是否满足预设终止条件，未满足条件则基于扩充后的数据集重新训练代理模型，逐步修正预测偏差，满足条件则输出最优解及其目标函数值作为最终优化结果，从而提升计算效率和鲁棒性。

16、本技术第二方面实施例提供一种面向小样本优化问题的自适应主动优化装置，包括：构建模块，用于确定目标优化问题的初始样本集的每个样本的真实目标函数值，以构建所述目标优化问题的初始数据集；生成模块，用于基于所述初始数据集，训练用于预测所述目标优化问题的任意候选解的目标函数值的代理模型，并基于所述初始数据集生成所述目标优化问题的精英解集合；优化模块，用于基于所述代理模型和所述精英解集合，构建所述目标优化问题的自适应探索函数，以利用基于所述自适应探索函数的遗传算法对所述目标优化问题进行求解，以得到所述目标优化问题的当前候选解，直至所述当前候选解满足预设终止条件，确定所述目标优化问题的最优解。

17、通过上述技术手段，本技术实施例可以基于初始数据集完成代理模型训练与精英解集合生成，以构建自适应探索函数，并利用基于自适应探索函数的遗传算法对目标优化问题进行求解，直至满足预设终止条件输出最优解，从而能够在代理模型预测存在误差的情况下，能够兼顾局部开发与全局探索、动态调节探索强度，并主动引导搜索未知高价值区域，提升全局寻优能力，进而降低真实评估成本并提高优化效率。

18、可选地，在本技术的一个实施例中，所述构建模块包括：第一生成单元，用于在设计空间内，利用预设采样策略生成所述初始样本集；获取单元，用于基于真实物理实验或高精度数值仿真，获取所述每个样本的所述真实目标函数值。

19、通过上述技术手段，本技术实施例可以在设计空间内通过预设采样策略系统性地生成初始样本，并以真实物理实验或高精度数值仿真获取真实目标函数值，保障了初始样本集的准确性，从而为后续训练代理模型和生成精英解集合提供了可靠的数据基础，保证了代理模型预测的可信度。

20、可选地，在本技术的一个实施例中，所述优化模块包括：第一计算单元，用于计算当前种群中每个个体的代理模型预测值、自适应探索权重和归一化局部新颖性得分；第二计算单元，用于将所述代理模型预测值、所述自适应探索权重和所述归一化局部新颖性得分代入所述自适应探索函数，以计算每个个体的适应度；第二生成单元，用于基于所述适应度，对所述当前种群执行所述遗传算法的预设操作，以生成新一代种群，直至达到预设迭代次数，得到所述目标优化问题的最终种群；确定单元，用于从所述最终种群中选取精英解、高新颖性解和随机解，以确定所述当前候选解。

21、通过上述技术手段，本技术实施例可以将遗传算法的适应度设计为融合代理预测值、局部新颖性以及自适应探索权重的自适应探索函数，改变了代理模型与进化算法的耦合方式，使得搜索过程不再完全依赖代理模型的预测精度，即使代理模型在数据稀疏的高维空间中精度有限，也能通过新颖性驱动机制主动引导种群访问模型不确定的未知区域，从而有效避免陷入局部最优，显著提升了全局寻优能力，能够在高维复杂问题上以较少的评估次数稳定收敛至全局最优，展现出显著的效率与鲁棒性优势。

22、可选地，在本技术的一个实施例中，所述自适应探索函数的表达式为：

23、，

24、其中，为所述自适应探索函数，为所述代理模型预测值，为所述自适应探索权重，为所述归一化局部新颖性得分。

25、通过上述技术手段，本技术实施例可以同时兼顾计算预测目标函数值和探索未知区域，并采用归一化处理消除了量纲影响，使探索项与预测值项能够在同一尺度下进行加和，通过自适应探索权重避免固定探索参数导致的过度探索或探索不足问题，从而提高代理模型预测误差条件下的全局寻优能力。

26、可选地，在本技术的一个实施例中，所述第一计算单元包括：预测子单元，用于将所述每个个体的特征向量输入所述代理模型，预测所述每个个体的目标函数值，以输出所述代理模型预测值；第一计算子单元，用于基于自适应探索权重和所述初始数据集中所述真实目标函数值的预设最值的绝对值，计算所述自适应探索权重；第二计算子单元，用于计算所述精英解集合与所述当前种群中所有个体之间的最小距离，并根据所述最小距离计算所述每个个体的局部性因子；第三计算子单元，用于计算所述每个个体的未访问奖励函数和重复惩罚因子；第四计算子单元，用于基于所述局部性因子、所述未访问奖励函数和所述重复惩罚因子，计算所述每个个体的原始局部新颖性得分，以对当前种群中所有个体的所述原始局部新颖性得分进行最大最小值归一化，得到所述归一化局部新颖性得分。

27、通过上述技术手段，本技术实施例可以采用局部性因子、未访问奖励以及重复惩罚三个因素共同构建局部新颖性指标，通过综合考虑候选解与当前精英解之间的局部距离、历史访问情况以及候选解重复程度，对未知区域赋予不同探索价值，从而保证探索资源集中于具有较高潜在收益的新区域。

28、可选地，在本技术的一个实施例中，所述优化模块包括：真实评估单元，用于对所述当前候选解进行真实评估，得到所述当前候选解的真实目标函数值，并将所述当前候选解和所述当前候选解的真实目标函数值加入初始数据集，生成扩充后的数据集；判断单元，用于判断所述扩充后的数据集是否满足预设终止条件；训练单元，用于响应于所述扩充后的数据集不满足预设终止条件，基于所述扩充后的数据集，训练所述代理模型，进入下一轮迭代；确定单元，用于响应于所述扩充后的数据集满足预设终止条件，确定所述目标优化问题的最优解，输出所述最优解和所述最优解的目标函数值作为最终优化结果。

29、通过上述技术手段，本技术实施例可以在每轮迭代中对筛选出的当前候选解进行昂贵的真实评估并扩充数据集，判断是否满足预设终止条件，未满足条件则基于扩充后的数据集重新训练代理模型，逐步修正预测偏差，满足条件则输出最优解及其目标函数值作为最终优化结果，从而提升计算效率和鲁棒性。

30、本技术第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的面向小样本优化问题的自适应主动优化方法。

31、本技术第四方面实施例提供一种非易失性计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的面向小样本优化问题的自适应主动优化方法。

32、本技术第五方面实施例提供一种计算机程序产品，所述计算机程序产品存储计算机程序，该程序被处理器执行时实现如上的面向小样本优化问题的自适应主动优化方法。

33、本技术实施例可以基于初始数据集完成代理模型训练与精英解集合生成，以构建自适应探索函数，并利用基于自适应探索函数的遗传算法对目标优化问题进行求解，直至满足预设终止条件输出最优解，从而能够在代理模型预测存在误差的情况下，能够兼顾局部开发与全局探索、动态调节探索强度，并主动引导搜索未知高价值区域，提升全局寻优能力，进而降低真实评估成本并提高优化效率。由此，解决了相关技术中，由于代理模型存在预测误差累积，导致搜索空间覆盖不足、种群多样性快速下降以及全局寻优能力显著降低，同时，由于缺乏针对未知设计空间的主动探索机制，导致探索效率较低，在预测出现偏差时难以及时调整方向，导致真实函数评估次数增加、计算效率降低等问题。

34、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。