一、技术领域
本方法应用于多目标优化进化计算中，是利用卷积神经网络和代理模型的手段设计多目标优化问题所需的代理模型。该方法旨在针对实际的工程问题例如机器人设计、电子工程等，将代理模型与多目标优化算法相结合，辅助多目标优化进化算法完成寻优过程。
二、
背景技术：
1.基于分解的多目标优化问题
多目标分解的思想主要是指将多目标优化问题分解成一定数量的子问题，再同时进行每个子问题的优化。在经典的基于分解的多目标优化进化算法(moea/d)中，其利用相邻子问题的解以同时优化多个子问题，而不是优化整体，因此其对于保持多样性有很好的表现，并且通过分析相邻问题的信息来优化，能避免陷入局部最优。此外，当moea/d算法当遇到种群数量较小时，也可以产生分布均匀的解。moea/d基于某些聚合方法，它将mop分解为一组单目标优化子问题。每个子问题主要使用来自其相邻子问题的信息同时进行优化。每个子问题的目标都是mop中所有单个目标的加权汇总。它取决于聚合权重向量之间的欧几里的距离来定义邻域关系。
2.代理模型
在大多数工程设计问题中，需要使用模拟实验来评估采用不同设计参数时的目标函数和约束函数。例如，为了找到最佳的机翼形状，常常针对不同的形状参数(长度，曲率，材料等)模拟机翼周围的气流。对于许多实际问题，单次模拟可能需要数分钟、数小时、甚至数天才能完成。因此，类似设计优化、设计空间搜索、灵敏性分析和假设分析这种，需要数千、甚至数百万次模拟的任务，直接对原模型求解将是不可能的。因此一种高效且具有高精度的代理模型的设计是非常具备有前景和设计研究价值的。
通过近似模型的预测能力来替代计算费时的仿真模型，用于辅助多目标进化算法寻优的smoea方法已被广泛应用于实际工程优化。目前。大量学者在近似模型的更新方法、优化算法的调用形式等领域做了大量研究和工程实践工作，根据近似模型的建模方法，smoea可分为静态方法和自适应方法两类。
静态方法是指针对复杂模型进行实验设计、一次建模、优化算法求解的流程。这类方法结构简单，模型建立之后只需调用不需更新，优化算法和模型构建独立进行，研究者只需关注如何构建精度更高的近似模型。静态方法结构简单，易于求解，但是其性能十分依赖于近似模型的建模精度。随着工程实际问题复杂度的提升、设计空间规模的增大，在有限的时间成本中，一次建模的越来越难以达到理想的精度。
自适应方法对于初次建模的精度没有极高的要求，只需尽可能反应整个设计空间特性即可，在建模后采用多目标优化算法寻优，依据这些优化信息对近似模型进行局部调整以提高模型的精度，不断迭代和更新模型，直到寻找到最优解集。相比静态方法，自适应方法的建模效率和建模精度都有所提升，学者所需研究的是如何通过优化信息引导模型的修正，以提高精度。
三、
技术实现要素：
本发明的目的是提出一种基于卷积神经网络的代理模型的构建方法。主流的代理模型通常是针对多目标优化问题中的每一个子目标近似出一个模型，而本发明是通过对多目标优化问题整体设计出一个代理模型。这样可以增加代理模型在多目标优化算法中的高效性。此外，通过创新性的使用卷积神经网络来构建代理模型，以便可以高效的处理较为复杂的多目标优化问题，使得在计算量较大的情况下仍然可以准确高效的获得问题的代理模型。
本发明所采用的技术方案是：在主流代理模型的构建基础上，受卷积神经网络使用的启发，提出将卷积神经网络针对特征学习方法与代理模型相结合，以提高代理模型的高效性，从而提高系统准确率。包括如下步骤：
第一步：对训练样本进行拉丁立方体采样获取训练集；通过问题的特定方法生产一个初始种群，对数据进行拉丁超立方体采样，以获得一定数量的训练集合；将训练集中的每一个样本点作为一个个体。
第二步：为训练集中的每一个样本分配空间向量；在决策空间生成一组均匀分布的空间向量，该均匀分布的空间向量的数量与训练样本的数量保持一致；采用欧氏距离，计算空间中距离每一个样本最近的一个向量，将该向量追加到样本的后三维度，完成决策空间内均匀分布的向量对种群中个体的分配。
第三步：采用分解思想建立基于卷积神经网络的代理模型；针对问题的复杂程度训练构建模型来预测适应度值，其输入是需要被评估的个体，其输出是该个体的适应度值；获得多目标优化问题的整体的代理模型；
第四步：训练基于卷积神经网络的多目标优化代理模型；将第二步计算得到的训练集输入基于卷积神经网络的代理模型并进行前向传播，并应用适当的激活层和损失函数进行模型的训练。
本发明的一种基于卷积神经网络的代理模型的构建方法，在多个测试问题集上进行测试，验证本发明的性能——在多目标优化进化中，基于卷积神经网络的代理模型的可降低代理模型的复杂度，提升代理模型训练的准确性。
四、附图说明
附图是本发明采用的基于分解思想的卷积神经网络模型的内部结构设计。
五、具体实施方式
第一步：对训练样本进行拉丁立方体采样获取训练集；
通过问题的特定方法生产一个初始种群，对数据进行拉丁超立方体采样，以获得一定数量的训练集合；将训练集中的每一个样本点作为一个个体；
第二步：为训练集中的每一个样本分配空间向量；
在决策空间生成一组均匀分布的空间向量，该均匀分布的空间向量的数量与训练样本的数量保持一致；采用欧氏距离，计算空间中距离每一个样本最近的一个向量，将该向量追加到样本的后三维度，完成决策空间内均匀分布的向量对种群中个体的分配；
第三步：采用分解思想建立基于卷积神经网络的代理模型；
针对问题的复杂程度训练构建模型来预测适应度值，其输入是需要被评估的个体，其输出是该个体的适应度值；首先编写基本的代理模型系统代码，搭建基于卷积神经网络的模型结构；在此基础上进行分解思想构造的设计——在标准卷积的基础上，在输出端增加一层结构，并以空间中均匀分布的向量的每一维度为权重值，从而利用分解思想提高网络的针对多目标优化问题处理的能力；借此，该网络可以达到针对一个多目标优化问题获得一个整体的代理模型，以此避免针对每一个目标训练出一个代理模型；
第四步：训练基于卷积神经网络的多目标优化代理模型；
将第二步计算得到的训练集输入基于卷积神经网络的代理模型并进行前向传播，并应用适当的激活层和损失函数进行模型的训练。得到最终的基于卷积神经网络的代理模型系统模型，并在多个测试问题集上进行测试，验证本发明的性能——在多目标优化进化中，基于卷积神经网络的代理模型的可降低代理模型的复杂度，提升代理模型训练的准确性。
1.一种基于卷积神经网络的代理模型的构建方法——将卷积神经网络与代理模型相结合，其适用范围为拟采用分解思想来解决多目标优化进化计算的一类问题，其决策变量为中等维度；本发明可以用于降低代理模型的复杂度，提升代理模型训练的准确性，其实施步骤如下：
第一步：对训练样本进行拉丁立方体采样获取训练集；
通过问题的特定方法生产一个初始种群，对数据进行拉丁超立方体采样，以获得一定数量的训练集合；将训练集中的每一个样本点作为一个个体；
第二步：为训练集中的每一个个体分配空间向量；
在决策空间生成一组均匀分布的空间向量，该均匀分布的空间向量的数量与训练样本的数量保持一致；采用欧氏距离，计算空间中距离每一个样本最近的一个向量，将该向量追加到样本的后三维度，完成决策空间内均匀分布的向量对种群中个体分配；并建立三组{1，0，0}、{0，1，0}、{0，0，1}的向量集，用于增强每个子网络的训练；
第三步：采用分解思想建立基于卷积神经网络的代理模型；
针对问题的复杂程度训练构建模型来预测适应度值，其输入是需要被评估的个体，其输出是该个体的适应度值；首先编写基本的代理模型系统代码，搭建基于卷积神经网络的模型结构；在此基础上进行分解思想构造的设计——在标准卷积的基础上，在输出端增加一层结构，并以空间中均匀分布的向量的每一维度为权重值，从而利用分解思想提高网络的针对多目标优化问题处理的能力；借此，该网络可以达到针对一个多目标优化问题获得一个整体的代理模型，以此避免针对每一个目标训练出一个代理模型；
第四步：训练基于卷积神经网络的多目标优化代理模型；
将第二步计算得到的训练集输入基于卷积神经网络的代理模型并进行前向传播，并应用适当的激活层和损失函数进行模型的训练；得到最终的基于卷积神经网络的代理模型系统模型，并在多个测试问题集上进行测试，验证本发明的性能——在多目标优化进化中，基于卷积神经网络的代理模型的可降低代理模型的复杂度，提升代理模型训练的准确性。
技术总结