基于贝叶斯优化的工艺参数建模与优化协同方法

技术特征：

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的邻域集λ，若领域集λ中数据点个数大于数量阈值，则计算领域集λ中各数据点的目标值方差，记数据点x⁽ⁱ⁾在维度d上的邻域标准差为

s35、维度d更新后的属性重要性值为各数据点在维度d上的平均标准差，即

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，表示数据点x^(j)在维度h上的值，表示数据点x⁽ⁱ⁾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。

技术总结
本发明公开一种基于贝叶斯优化的工艺参数建模与优化协同方法，包括：S1、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；S2、更新决策变量在各维度上的属性重要性θ；S3、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下的数据变化率δ值；S4、基于属性重要性θ及数据变化率δ*来更新全局采样准则；S5、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S1。将基于克里金法的插值采样准则引入到非克里金建模优化方法中，从而提高非克里金法在插值采样过程中的采样质量，保证优化的效果。

技术研发人员：徐彬梓;李炜;邓雄峰;陶亮
受保护的技术使用者：安徽工程大学
技术研发日：2021.05.17
技术公布日：2021.07.23