1.一种基于贝叶斯优化的工艺参数建模与优化协同方法,其特征在于,所述方法具体包括如下步骤:
s1、输入的历史数据集a={(x(1),y(1)),(x(2),y(2)),...,(x(n),y(n))},其中,x(n)表示第n个历史决策变量,y(n)为历史决策变量x(n)的目标值,x(n)为k维的向量;
s2、对历史数据集a构建代理模型,用于预测未知决策变量对的目标值;
s3、更新决策变量在各维度上的属性重要性θ,其中θ=(θ1,θ2,...,θk);
s4、获取历史数据集中各数据点对应的数据变化率,构建数据变化率δ随不同决策变量变化的预测模型,用于预测未知决策变量x*的数据变化率δ*;
s5、基于当前的属性重要性θ及数据变化率δ*来更新全局采样准则;
s6、寻找使采样准则函数最优的采样点,对选择的采样点进行实际试验并采样,更新历史数据集,检测实际试验次数是否达到指定的次数,若检测结果为是,则输出最优的决策变量,若检测结果为否,则返回步骤s2。
2.如权利要求1所述基于贝叶斯优化的工艺参数建模与优化协同方法,其特征在于,维度d的属性重要性θd的获取方法具体如下:
s31、归一化历史数据集中的所有决策变量,即x(1),x(2),...,x(n);
s32、输入初始的当前属性重要性θ,当前属性重要性θ是k维的向量;
s33、计算历史数据集a中两两数据点之间的距离distij,并将距离distij之和取平均作为数据点间的平均距离
s34、针对属性维度d,基于distij构建每个数据点小于平均距离
s35、维度d更新后的属性重要性值
3.如权利要求2所述基于贝叶斯优化的工艺参数建模与优化协同方法,其特征在于,距离distij的计算公式具体如下:
其中,i=1,2,...,n,j=1,2,...,n,θh表示当前属性重要性θ在维度h上的值,
4.如权利要求1所述基于贝叶斯优化的工艺参数建模与优化协同方法,其特征在于,预测模型的构建方法具体如下:
s41、针对历史数据集中各数据点x(i),基于数据点间距离distij选择距其最近的w个数据点,计算其目标值的标准差δ(i);
s42、将各数据点x(i)作为输入,其目标值的标准差δ(i)作为输出,基于rbf拟合和构建数据变化率δ随不同决策变量x变化的预测模型,以预测其在未知决策变量x*下的δ*值。
5.如权利要求1所述基于贝叶斯优化的工艺参数建模与优化协同方法,其特征在于,步骤s5具体包括如下步骤:
s51、基于属性重要性θ计算未知决策变量x*与历史数据集中已知数据点的相关向量r、历史数据集中各已知数据点的相关矩阵r;
s52、根据预测模型计算在未知决策变量x*处的δ*值;
s53、通过相关向量r、相关矩阵r和δ*值计算在未知决策变量x*处的s2(x*),更新全局采样准则函数中的不确定性指标s;
s54、将未知决策变量x*代入全局采样准则函数中,计算其对应的采样准则值。