【技术实现步骤摘要】
本专利技术属于高效代理建模，尤其涉及一种基于逼近理想点加权的多模型决策自适应采样方法。
技术介绍
1、代理模型又称元模型(metamodel)是一种使用少量数据构建真实模型的近似模型的方法。近几十年来，代理建模技术蓬勃发展，涌现了许多经典的代理模型方法，如：多项式回归(prs)、径向基函数(rbf)、克里金模型(krg)、支持向量回归(svr)等经典方法以及以深度神经网络(dnn)为代表的新方法。但面对复杂的优化设计问题，代理模型仍需要耗费较多时间搭建训练样本集。理论上，样本集越精密训练得出的代理模型拟合性能就越好，但这也导致样本集搭建时间呈几何上升。
2、近年来，复杂问题的代理建模正从一次性的采样方法，如经典的拉丁超立方采样(lhd)、均匀设计(ud)等，向序贯性的自适应采样技术发展。一次采样方法是指将样本点分布在整个输入空间中，以此来构建代理模型。自适应采样是指在模型预测误差较大的区域(感兴趣区域)采集更多的样本点，而后不断地通过迭代的方式添加新的样本点以更新代理模型，直到满足停止标准。该方法可以用更少的样本点构建更准确的代理模型。因此，本专利技术尝试使用自适应采样方法，解决上述问题。
3、现有技术中提出了一种数据自适应重采样的目标检测模型的训练方法，该方法将预先获取的样本数据集进行随机筛选得到第一训练集，而后根据先验知识进行自适应采样得到第二训练集，最后利用上述两种训练集配合完成目标检测模型的训练。但该方法后续的重采样过程与模型更新均建立在第二训练集基础之上，这非常依赖于先验知识的获取与第二训练集的
4、现有技术中提出了一种结构自适应优化设计的方法，该方法通过拉丁超立方采样获取初始采样点，并使用径向基函数方法构建代理模型；最后，利用遗传算法进行多目标非精确搜索，并更新代理模型。然而，该方法的性能表现主要取决于遗传算法的性能高低，且非精确搜索后还需调用有限元分析仿真模型进行进一步评估，仍需较高的计算成本。
5、当前，相关专利虽然针对各类模型提出了求解与计算的自适应采样方法，但仍存在一些问题，尤其是在计算效率与计算成本方面还有待提高。
技术实现思路
1、为解决上述技术问题，本专利技术提出了一种基于逼近理想点加权的多模型决策自适应采样方法，能够通过逼近理想点加权优化多个模型的权重，进而通过多模型决策的自适应采样方法快速高效地构建代理模型。
2、为实现上述目的，本专利技术提供了一种基于逼近理想点加权的多模型决策自适应采样方法，包括：根据实际问题需求，使用参数化仿真建模方法搭建初始样本集，并使用逼近理想点加权模型计算初始权重；
3、以所述初始样本集为基础，输入初始参数并结合所述初始权重搭建初始多模型决策模型；
4、采用所述初始多模型决策模型计算预测误差，并寻找具有最大预测误差的感兴趣区域，所述感兴趣区域内进行采样，获取采样点集；采样点集处理具体包括：
5、采用所述采样点集计算其输出响应，然后将采样点及其响应添加进初始样本集，更新样本集；
6、以更新后的样本集为基础，重新随机划分训练集与测试集，并使用逼近理想点模型计算并更新模型权重；
7、采用更新后的模型权重更新多模型决策模型，并计算所述多模型决策模型的性能表现。
8、进一步的，计算所述多模型决策模型的性能表现方法为：
9、若所述多模型决策模型的性能表现达到停止条件则输出模型，输出所述多模型决策模型；
10、若所述多模型决策模型的性能表现不满足停止条件则继续计算并寻找感兴趣区域，直至满足停止条件。
11、进一步的，所述逼近理想点加权模型计算初始权重的过程包括：正向化处理、标准化处理、计算得分、归一化处理。
12、进一步的，所述逼近理想点加权模型计算初始权重的过程中正向化处理的方法为：
13、
14、其中，xij表示经正向化处理后的评价分值；aij表示原始决策矩阵中第i个样本在第j个评价指标下的评价分值；abest表示原始决策矩阵中最优的评价分值。
15、进一步的，所述逼近理想点加权模型计算初始权重的过程中标准化处理的方法为：
16、
17、其中，zij表示标准化后的评价指标；xij表示正向化决策矩阵中第i行第j列的元素。
18、进一步的，所述逼近理想点加权模型计算初始权重的过程中计算得分的方法为：
19、
20、
21、
22、其中，di+、di-分别表示第i个样本与正负理想解的距离；分别表示第j个评价指标下的最优解与最劣解；zij表示标准化后的评价指标；wj表示第j个评价指标对应的权重；si表示第i个样本的计算得分。
23、进一步的，所述逼近理想点加权模型计算初始权重的过程中归一化处理的方法为：
24、
25、其中，wi表示第i个样本对应的权重，si表示第i个样本的计算得分。
26、进一步的，采用所述初始多模型决策模型计算预测误差，并寻找具有最大预测误差的感兴趣区域的过程中预测方差的方法为：
27、
28、其中，n为多模型决策中代理模型个数；为第j个模型在xi处的预测响应；为n个代理模型在xi处平均的预测响应。
29、本专利技术技术效果：本专利技术公开了一种基于逼近理想点加权的多模型决策自适应采样方法，本专利技术中使用的多模型决策策略可引入多个代理模型作为参考，且该策略不受代理模型的限制。与其他方法相比，该方法具有更好的稳定性与泛化性，适合解决复杂的工程优化设计问题。本专利技术针对传统多模型决策存在的平均权重问题，引入逼近理想点加权模型，将给予性能更好模型更大的权重。与传统方法相比，该方法能够以更快的速度达到迭代收敛，从而提高了计算的效率，降低了计算的成本。
本文档来自技高网...【技术保护点】
1.一种基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，包括：根据实际问题需求，使用参数化仿真建模方法搭建初始样本集，并使用逼近理想点加权模型计算初始权重；
2.如权利要求1所述的基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，计算所述多模型决策模型的性能表现方法为：
3.如权利要求1所述的基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，所述逼近理想点加权模型计算初始权重的过程包括：正向化处理、标准化处理、计算得分、归一化处理。
4.如权利要求3所述的基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，所述逼近理想点加权模型计算初始权重的过程中正向化处理的方法为：
5.如权利要求3所述的基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，所述逼近理想点加权模型计算初始权重的过程中标准化处理的方法为：
6.如权利要求3所述的基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，所述逼近理想点加权模型计算初始权重的过程中计算得分的方法为：
7.如权利要求3所述的基于逼
8.如权利要求1所述的基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，采用所述初始多模型决策模型计算预测误差，并寻找具有最大预测误差的感兴趣区域的过程中预测方差的方法为：
...【技术特征摘要】
1.一种基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，包括：根据实际问题需求，使用参数化仿真建模方法搭建初始样本集，并使用逼近理想点加权模型计算初始权重；
2.如权利要求1所述的基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，计算所述多模型决策模型的性能表现方法为：
3.如权利要求1所述的基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，所述逼近理想点加权模型计算初始权重的过程包括：正向化处理、标准化处理、计算得分、归一化处理。
4.如权利要求3所述的基于逼近理想点加权的多模型决策自适应采样方法，其特征在于，所述逼近理想点加权模型计算初始权重的过程中正向化处理的方法为：
<...【专利技术属性】
技术研发人员：孟凯，徐翊航，张航瑛，楼佩煌，钱晓明，武星，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。