基于平均梯度值和改进多目标粒子群优化的鲁棒优化系统技术方案

本发明专利技术公开了一种基于平均梯度值和改进多目标粒子群优化的鲁棒优化系统，包括：参数接收模块，用于接收根据工程实际情况和优化目标确定的待优化的工艺参数；目标函数获取模块，用于获取优化目标与待优化工艺参数的目标函数模型；鲁棒性计算模块，用于设定不确定域，利用不确定域样本的平均梯度值，计算鲁棒性；函数综合模块，用于将目标函数与鲁棒性形成双目标优化目标函数；函数求解模块，用于对目标函数与鲁棒性作为优化目标，进行双目标最优值求解。本发明专利技术适用的工程问题范围宽泛；将鲁棒性的评价与原目标函数的计算同时作为两个优化的子目标，使设计者能根据实际需要在性能指标和不确定域产生的变化幅度之间获得合理的折衷解。

【技术实现步骤摘要】
基于平均梯度值和改进多目标粒子群优化的鲁棒优化系统
本专利技术涉及计算机数据处理领域，尤其涉及一种基于改进多目标粒子群优化的鲁棒优化系统。
技术介绍
鲁棒优化是解决内部结构(如参数)和外部环境(如扰动)不确定环境下的一种新的优化方法，是在优化开始时就考虑优化模型的不确定性，通过优化的方法，使优化的结果对不确定的因素不敏感及性能指标最优的统一。经典的鲁棒优化方法主要用在运筹学，研究的是具有不同形式的数据不确定性的线性规划问题、二次规划问题和半定规划问题等凸问题。然而现实世界的工程问题往往是非凸的，甚至没有数学表达式，运筹学里的经典方法在工程设计中并不合适。在现有工程问题中，如何求解无解析表达式、高度非线性、决策空间维数较高等一系列现实问题的鲁棒优化解成为了鲁棒优化领域急需解决的问题。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中工程问题求解遇到的困难，提供一种基于改进多目标粒子群优化的鲁棒优化系统，该系统能将鲁棒性的评价与原目标函数的计算同时作为两个优化的子目标，使设计者能根据实际需要在性能指标和不确定域产生的变化幅度之间选择合理的折衷解。本专利技术解决其技术问题所采用的技术方案是:一种基于平均梯度值和改进多目标粒子群优化的鲁棒优化系统，包括:参数接收模块，用于接收根据工程实际情况和优化目标确定的待优化的工艺参数；目标函数获取模块，用于获取优化目标与待优化工艺参数的目标函数模型；函数综合模块，用于将目标函数与鲁棒性形成综合优化目标函数；函数求解模块，用于对目标函数与鲁棒性作为综合优化目标，进行最优值求解；函数求解模块包括:初始化单元，用于初始设置种群规模，迭代的最大代数，最大惯性权值和最小惯性权值以及[O, I]之间的随机变量Rl、R2 ；种群初始化单元，用于初始化种群，用CVT方法初始化粒子的位置和初始化粒子的速度；适应度函数计算单元，用于计算每个粒子的适应度函数；具体是将粒子的位置作为决策变量，根据优化目标与待优化工艺参数的目标函数模型计算目标函数值；利用粒子不确定域中样本点的平均梯度值计算粒子的鲁棒性；位置存储单元，用于根据Pareto支配原理，将种群中的非支配粒子的位置存储在外部档案文件中；其中非支配粒子的定义如下:设P和q是种群中两个不同的个体，当P支配q时，必须满足下列两个条件:(1)对所有的子目标，P不比q差；(2)至少存在一个子目标，使P比q好；q称为支配粒子，当种群中没有其他粒子支配P时，P称为非支配粒子；粒子最优位置单元，用于初始化每个粒子的记忆档案文件，将粒子的记忆档案文件记录该粒子到目前为止的最优位置；其中，粒子到目前为止的最优位置定义如下:若粒子当前进化代支配上一代，粒子的最优位置为当前代；若粒子的上一代支配当前代，粒子的最优位置为上一代；若粒子的当前代与上一代互不支配，粒子的最优位置为两者中随机选取一个；最优位置选择单元，用于从外部档案文件中选择种群的最优位置；具体实现如下:将决策空间划分为多个超立方体，每个超立方体的适应度值根据其内部包含的粒子数决定，首先根据该适应度值通过轮盘赌法选择超立方体，再随机地从被选中的超立方体中确定最优个体；粒子的速度计算单元，用于计算每个粒子的速度；具体实现如下:分别计算惯性权值与粒子上一代速度的乘积、粒子最优位置到当前位置的距离与Rl的乘积及种群最优位置到粒子当前位置的距离与R2的乘积，将三个乘积的和设为粒子的速度；其中惯性权值随着进化代数的增加从最大惯性权值到最小惯性权值线性递减；更新单元，用于当迭代未达到迭代最大代数时，对种群粒子进行更新；包括粒子位置更新子单元，用于更新粒子的位置，将粒子上一代的位置加上该粒子的速度，并保持粒子在搜索空间里；适应度函数更新子单元，用于更新粒子的适应度函数；外部档案文件更新子单元，用于更新外部档案文件及划分的各超立方体里的粒子代表；将当前的非支配解插入到外部档案文件，被支配的解要从外部档案文件删除；当外部档案文件满时，优先保存目标空间中粒子少的区域的解；记忆档案文件更新子单元，用于更新粒子的记忆档案文件；根据Pareto支配机制，当粒子当前的位置好于记忆档案文件中的位置时，该粒子的最好位置需要更新；当粒子当前的位置差于记忆档案文件时，该粒子的最好位置不需要更新；若两者互不支配，则随机选取一个。按上述方案，所述种群初始化单元中，初始化粒子的位置采用以下方法:1.1)给定一个密度函数P (X),—个正整数q,常量Ct1, α 2，β2,其中:α 2>0, β 2>0, α j+ α 2 = I, β j+ β 2 = I ；点集{ζ,.匕表示将要初始化的种群，其中i = 1，...，N ;对于i = 1，...，N，设置Ji初始值均为I ;用蒙特卡罗法在决策空间选择一个初始点集仁;1.2)根据密度函数P (X)，在决策空间选择q个点1.3)对于集合匕丨,I1里的每一个点，将集合{.V,.KU中离Zi最近的点(即点Zi的Voronoi区域里的点)归纳到集合Wi中，如果集合Wi为空,Zi保持不变；否则,计算Wi集合内点的平均位置Ui，并且根据下述表达式更新Zi ；本文档来自技高网...

【技术保护点】
一种基于平均梯度值和改进多目标粒子群优化的鲁棒优化系统，其特征在于，包括：参数接收模块，用于接收根据工程实际情况和优化目标确定的待优化的工艺参数；目标函数获取模块，用于获取优化目标与待优化工艺参数的目标函数模型；鲁棒性计算模块，用于设定不确定域，利用不确定域样本的平均梯度值，计算鲁棒性；函数综合模块，用于将目标函数与鲁棒性形成双目标优化目标函数；函数求解模块，用于对目标函数与鲁棒性作为优化目标，进行双目标优化求解。

【技术特征摘要】
1.一种基于平均梯度值和改进多目标粒子群优化的鲁棒优化系统，其特征在于，包括: 参数接收模块，用于接收根据工程实际情况和优化目标确定的待优化的工艺参数； 目标函数获取模块，用于获取优化目标与待优化工艺参数的目标函数模型； 鲁棒性计算模块，用于设定不确定域，利用不确定域样本的平均梯度值，计算鲁棒性； 函数综合模块，用于将目标函数与鲁棒性形成双目标优化目标函数； 函数求解模块，用于对目标函数与鲁棒性作为优化目标，进行双目标优化求解。2.根 据权利要求1所述的鲁棒优化系统，其特征在于，所述函数求解模块包括: 初始化单元，用于初始设置种群规模，迭代的最大代数，最大惯性权值和最小惯性权值以及[O，I]之间的随机变量Rl、R2 ； 种群初始化单元，用于初始化种群，用CVT方法初始化粒子的位置和初始化粒子的速度； 适应度函数计算单元，用于计算每个粒子的适应度函数；具体是将粒子的位置作为决策变量，所述决策变量用于表示待优化的工艺参数；根据优化目标与待优化工艺参数的目标函数模型计算目标函数值；利用粒子不确定域中样本点的平均梯度值计算粒子的鲁棒性； 位置存储单元，用于根据Pareto支配原理，将种群中的非支配粒子的位置存储在外部档案文件中； 其中非支配粒子的定义如下:设P和q是种群中两个不同的个体，当P支配q时，必须满足下列两个条件:(I)对所有的子目标，P不比q差；⑵至少存在一个子目标，使P比q好；q称为支配粒子，当种群中没有其他粒子支配P时，P称为非支配粒子； 粒子最优位置单元，用于初始化每个粒子的记忆档案文件，将粒子的记忆档案文件记录该粒子到目前为止的最优位置； 其中，粒子到目前为止的最优位置定义如下:若粒子当前进化代支配上一代，粒子的最优位置为当前代；若粒子的上一代支配当前代，粒子的最优位置为上一代；若粒子的当前代与上一代互不支配，粒子的最优位置为两者中随机选取一个； 最优位置选择单元，用于从外部档案文件中选择种群的最优位置； 粒子的速度计算单元，用于计算每个粒子的速度； 更新单元，用于当迭代未达到迭代最大代数时，对种群粒子进行更新； 包括: 粒子位置更新子单元，用于更新粒子的位置，将粒子上一代的位置加上该粒子的速度，并保持粒子在搜索空间里； 适应度函数...

【专利技术属性】
技术研发人员：余艳，戴光明，林伟华，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42