多目标粒子群优化参数调节方法、系统、设备及存储介质
本申请涉及智能优化算法,具体涉及一种多目标粒子群优化参数调节方法、一种多目标粒子群优化参数调节系统、一种电子设备以及一种非易失性存储介质。
背景技术:
1、多目标优化是针对存在多个相互冲突、相互制约优化目标的复杂问题求解技术,目的是在多约束条件下搜索能够均衡各优化目标的折中最优解集合。目前用于求解多目标优化问题的主流算法可以包含多种群智能优化算法,例如多目标粒子群优化算法、多目标灰狼优化算法、多目标蚁群优化算法等。
2、上述算法主要依托种群迭代寻优机制完成求解,种群的搜索行为、演化节奏以及前沿解集的更新方式,决定了算法整体的寻优性能。现有主流多目标优化算法的搜索演化逻辑固化单一,导致现有多目标优化算法的环境适配性与寻优鲁棒性有限,难以在全局探索与局部挖掘之间形成动态平衡,迭代过程中易出现种群搜索活力不足、前沿解集更新不充分等问题,最终得到的非支配解集合综合品质参差不齐,难以同时满足收敛精度、分布多样性与求解稳定性的多重需求,难以适配复杂高精度的工程优化场景。
技术实现思路
1、考虑到上述问题而提出了本申请。根据本申请的第一方面,提供了一种多目标粒子群优化参数调节方法,包括:
2、针对当前待求解的多目标优化问题,提取状态向量,其中,状态向量用于表征多目标搜索进程;
3、将状态向量输入至经训练的参数调整模块,以输出寻优控制参数的调整结果,其中,寻优控制参数表示用于求解当前待求解的多目标优化问题的搜索控制参数;
4、基于寻优控制参数的调整结果,确定当前待求解的多目标优化问题的当前候选解群体;
5、基于当前候选解群体,迭代更新当前待求解的多目标优化问题的非支配解集合,直至满足预设终止条件后输出最新的非支配解集合。
6、示例性地,参数调整模块采用软演员—评论家算法实现;参数调整模块的训练过程包括一个或多个训练回合,每个训练回合包括多目标优化算法的多个迭代周期;
7、参数调整模块的训练步骤,包括:
8、对于每个训练回合,基于当前待求解的多目标优化问题的非支配解集合在更新前后的质量变化情况,计算当前迭代周期的奖励值;
9、基于各迭代周期的状态转移样本,迭代更新参数调整模块的网络参数,直至满足训练终止条件,其中,状态转移样本基于对应迭代周期的奖励值生成。
10、示例性地,奖励值通过以下公式计算:,其中,表示当前训练回合内第个迭代周期的奖励值,表示当前训练回合内第个迭代周期的非支配解集合与当前待求解的多目标优化问题的理论最优解集合之间的距离特征的变化量,表示当前训练回合内第个迭代周期的非支配解集合中所有非支配解的分布特征的变化量,表示当前训练回合内第个迭代周期的非支配解集合中所有非支配解的数量特征的变化量,、以及均为权重系数。
11、示例性地,状态向量中包括粒子群状态信息、非支配解集合状态信息以及当前迭代进度信息,其中,粒子群状态信息中包括粒子位置分布特征信息,非支配解集合状态信息至少包括非支配解集合规模信息、非支配解集合的前沿分布跨度信息以及粒子群与非支配解集合之间的距离信息中的一个。
12、示例性地,基于寻优控制参数的调整结果,确定当前待求解的多目标优化问题的当前候选解群体,包括:
13、对于寻优控制参数的调整结果表示为增量型参数的情况,基于上一迭代周期的调整结果和寻优控制参数,确定当前迭代周期的寻优控制参数;
14、基于更新后的寻优控制参数,对粒子群中各粒子的粒子位置进行更新,并将更新后的粒子位置作为当前候选解群体的至少一部分。
15、示例性地,基于更新后的寻优控制参数,对粒子群中各粒子的粒子位置进行更新,包括:
16、基于更新后的寻优控制参数、上一个迭代周期中的粒子群中各粒子的速度和位置,以及上一个迭代周期更新的非支配解集合中的全局引导解以及粒子个体最优位置,计算粒子群中各粒子的更新速度;其中,全局引导解基于预设引导策略确定;
17、根据更新速度,对各自对应的粒子群中各粒子的粒子位置进行更新。
18、示例性地,在对粒子群中各粒子的粒子位置进行更新之前,方法还包括:
19、对更新后的寻优控制参数进行边界约束处理,以将更新后的寻优控制参数限制在预设取值范围之内。
20、根据本申请的第二方面,还提供了一种多目标粒子群优化参数调节系统,包括:
21、状态提取模块,用于针对当前待求解的多目标优化问题,提取状态向量,其中,状态向量用于表征多目标搜索进程;
22、经训练的参数调整模块,用于接收状态向量,并输出寻优控制参数的调整结果,其中,寻优控制参数表示用于求解当前待求解的多目标优化问题的搜索控制参数;
23、解确定模块,用于基于寻优控制参数的调整结果,确定当前待求解的多目标优化问题的当前候选解群体;
24、解集更新模块,用于基于当前候选解群体,迭代更新当前待求解的多目标优化问题的非支配解集合,直至满足预设终止条件后输出最新的非支配解集合。
25、根据本申请的第三方面,还提供了一种电子设备,包括处理器和存储器,其中,存储器中存储有计算机程序指令,计算机程序指令被处理器运行时用于执行如上所述的多目标粒子群优化参数调节方法。
26、根据本申请的第四方面,还提供了一种非易失性存储介质,在非易失性存储介质上存储了程序指令,程序指令在运行时用于执行如上所述的多目标粒子群优化参数调节方法。
27、根据上述技术方案,通过提取用于表征多目标搜索进程的状态向量,并将该状态向量输入经训练的参数调整模块以输出寻优控制参数的调整结果,进而基于该调整结果确定候选解并迭代更新非支配解集合。由此,使得寻优控制参数能够根据当前搜索进程的实际状态进行动态调整,摆脱了固定寻优策略的限制,有效提升了多目标粒子群优化算法对复杂多目标问题的适配能力与寻优灵活性,保障了迭代寻优过程的动态适配性。同时,上述方案通过迭代更新机制不断优化非支配解集合,减少了对人工预设参数调节经验的依赖,有效提升了多目标优化过程中参数调节的适应性和解集质量。
28、上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
1.一种多目标粒子群优化参数调节方法,其特征在于,包括:
2.根据权利要求1所述的多目标粒子群优化参数调节方法,其特征在于,所述参数调整模块采用软演员—评论家算法实现;所述参数调整模块的训练过程包括一个或多个训练回合,每个训练回合包括多目标优化算法的多个迭代周期;
3.根据权利要求2所述的多目标粒子群优化参数调节方法,其特征在于,所述奖励值通过以下公式计算:,其中,表示当前训练回合内第个迭代周期的奖励值,表示当前训练回合内第个迭代周期的非支配解集合与所述当前待求解的多目标优化问题的理论最优解集合之间的距离特征的变化量,表示当前训练回合内第个迭代周期的非支配解集合中所有非支配解的分布特征的变化量,表示当前训练回合内第个迭代周期的非支配解集合中所有非支配解的数量特征的变化量,、以及均为权重系数。
4.根据权利要求1所述的多目标粒子群优化参数调节方法,其特征在于,所述状态向量中包括粒子群状态信息、非支配解集合状态信息以及当前迭代进度信息,其中,所述粒子群状态信息中包括粒子位置分布特征信息,所述非支配解集合状态信息至少包括非支配解集合规模信息、非支配解集合的前沿分布跨度信息以及粒子群与所述非支配解集合之间的距离信息中的一个。
5.根据权利要求1所述的多目标粒子群优化参数调节方法,其特征在于,所述基于所述寻优控制参数的调整结果,确定所述当前待求解的多目标优化问题的当前候选解群体,包括:
6.根据权利要求5所述的多目标粒子群优化参数调节方法,其特征在于,所述基于更新后的寻优控制参数,对粒子群中各粒子的粒子位置进行更新,包括:
7.根据权利要求5所述的多目标粒子群优化参数调节方法,其特征在于,在所述对粒子群中各粒子的粒子位置进行更新之前,所述方法还包括:
8.一种多目标粒子群优化参数调节系统,其特征在于,包括:
9.一种电子设备,其特征在于,包括处理器和存储器,其中,所述存储器中存储有计算机程序指令,所述计算机程序指令被所述处理器运行时用于执行如权利要求1至7任一项所述的多目标粒子群优化参数调节方法。
10.一种非易失性存储介质,其特征在于,在所述非易失性存储介质上存储了程序指令,所述程序指令在运行时用于执行如权利要求1至7任一项所述的多目标粒子群优化参数调节方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com