基于多点加点的代理模型优化方法、装置和计算机设备
本申请涉及工程设计技术领域，特别是涉及一种基于多点加点的代理模型优化方法、装置、计算机设备和存储介质。
背景技术：
工程设计中通常需要依赖耗时的数值仿真，基于这些仿真的优化设计问题通常称为耗时优化问题，比如翼型的设计、飞行器的外形设计、梁结构的设计等。传统的梯度优化算法和现代启发式算法通常需要大量的函数评估，求解这类问题的效率很低。基于代理模型的优化方法是解决此类工程设计问题的最有效的方法之一。
代理模型优化方法是指利用一个近似数学模型来模拟原始高精度模型并基于该数学模型开展优化设计的一种方法。代理模型优化方法的关键在于如何用最少的评估代价去获得足够精确的结果。由于能够同时给出预测值和预测方差，高斯过程模型(也称为kriging)是最常用的代理模型之一。
最直接的代理模型优化方法是以少量样本点构建代理模型并以该模型代入成熟优化算法进行优化设计。虽然原理简单且容易理解，但是该方法很难找到全局最优点。高效全局优化算法(effectiveglobaloptimization，ego)通过迭代加点策略并序列更新代理模型，是一种高效的代理模型优化方法，且能够兼顾全局和局部搜索性能，已经广泛应用于各类工程问题的求解当中。
大多数高效全局优化算法在优化过程中每次迭代只产生一个候选样本点，无法利用并行计算环境加速优化收敛过程，也难以同时在设计空间中探索未知区域和挖潜局部最优解。因此，现有技术存在优化效率低、误差较大的问题。
技术实现要素：
基于此，有必要针对上述技术问题，提供一种能够改善优化效率和收敛精度的基于多点加点的代理模型优化方法、装置、计算机设备和存储介质。
一种基于多点加点的代理模型优化方法，所述方法包括：
获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化算法的参数设置，以及初始采样，根据初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；
根据所述高斯过程代理模型构建高效全局优化算法的多目标优化子问题；所述多目标优化子问题将最大期望的局部挖掘和全局探索特性的两项作为两个目标项；
对所述目标项的函数进行自适应归一化处理，通过多目标优化算法对自适应归一化处理后的所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点；
判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值，根据所述新样本和其对应的响应值更新所述高斯过程代理模型，并构建多目标优化子问题进行求解得到多个候选点，直到优化过程满足所述收敛准则，完成代理模型优化。
在其中一个实施例中，还包括：获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化算法的参数设置，以及初始采样，根据初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；所述参数设置中的参数包括：设计变量的维数，耗时函数的最大评估次数，加点个数和初始采样样本数。
在其中一个实施例中，还包括：获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化算法的参数设置；
通过拉丁超立方采样法在整个设计空间获取初始采样点，得到初始采样的样本点集，由所述耗时函数评估初始采样点，得到初始采样的响应集；
根据所述样本点集和所述响应集建立目标函数的高斯过程代理模型。
在其中一个实施例中，还包括：根据所述高斯过程代理模型构建高效全局优化算法的多目标优化子问题为：
其中，eimop表示多目标期望改善；f1表示多目标优化子问题中的第一目标项；f2表示多目标优化子问题中的第二目标项；gmin表示所述样本点集中样本点的耗时函数的最小函数值；x表示未知观测点；
在其中一个实施例中，还包括：对所述目标项的函数进行自适应归一化处理，自适应归一化处理后的所述多目标优化子问题为：
其中，max'(eimop)表示自适应归一化处理后的所述多目标优化子问题；fimin、fimax(i＝1,2)分别为多目标优化过程中第i个目标项的最大值和最小值；
通过基于分解的多目标进化算法对自适应归一化处理后的所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点。
在其中一个实施例中，还包括：判断当前样本点集中采样点的期望改善是否小于预先设置的阈值，或者通过所述耗时函数进行仿真评估的次数是否大于预先设置的最大次数；
当所述期望改善大于预先设置的阈值或者通过所述耗时函数进行仿真评估的次数小于预先设置的最大次数时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值，根据所述新样本和其对应的响应值更新所述高斯过程代理模型，并构建多目标优化子问题进行求解得到多个候选点，直到优化过程满足所述收敛准则，完成代理模型优化。
在其中一个实施例中，还包括：获取参数设置中包含的加点个数信息k；
删除所述候选点中的重叠点和与现有采样点重复的点；
在所述候选点中选择所述局部挖掘目标函数的最优点和所述全局探索目标函数的最优点作为新样本；
当k＝3时，选择在所述多目标最优解集对应的前沿上与已选两个点距离之和最大的点所对应的候选点作为新样本；
当k>3时，对所述前沿作归一化处理，根据所述前沿对所述候选点中的剩余点进行模糊聚类分析，并分成k-3组，在每一组中选择预测方差最大的点作为新样本；
通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值。
一种基于多点加点的代理模型优化装置，所述装置包括：
高斯过程代理模型建立模块，用于获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化算法的参数设置，以及初始采样，根据初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；
多目标优化子问题构建模块，用于根据所述高斯过程代理模型构建高效全局优化算法的多目标优化子问题；所述多目标优化子问题将最大期望的局部挖掘和全局探索特性的两项作为两个目标项；
候选点获取模块，用于对所述目标项的函数进行自适应归一化处理，通过多目标优化算法对自适应归一化处理后的所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点；
代理模型优化模块，用于判断是否满足设置的收敛准则，当不满足所述收敛准则时，删除所述候选点中的重叠点和与现有采样点重复的点，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值，根据所述新样本和其对应的响应值更新所述高斯过程代理模型，直到满足所述收敛准则，完成代理模型优化。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化算法的参数设置，以及初始采样，根据初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；
根据所述高斯过程代理模型构建高效全局优化算法的多目标优化子问题；所述多目标优化子问题将最大期望的局部挖掘和全局探索特性的两项作为两个目标项；
对所述目标项的函数进行自适应归一化处理，通过多目标优化算法对自适应归一化处理后的所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点；
判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，删除所述候选点中的重叠点和与现有采样点重复的点，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值，根据所述新样本和其对应的响应值更新所述高斯过程代理模型，并构建多目标优化子问题进行求解得到多个候选点，直到优化过程满足所述收敛准则，完成代理模型优化。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化算法的参数设置，以及初始采样，根据初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；
根据所述高斯过程代理模型构建高效全局优化算法的多目标优化子问题；所述多目标优化子问题将最大期望的局部挖掘和全局探索特性的两项作为两个目标项；
对所述目标项的函数进行自适应归一化处理，通过多目标优化算法对自适应归一化处理后的所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点；
判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，删除所述候选点中的重叠点和与现有采样点重复的点，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值，根据所述新样本和其对应的响应值更新所述高斯过程代理模型，并构建多目标优化子问题进行求解得到多个候选点，直到优化过程满足所述收敛准则，完成代理模型优化。
上述基于多点加点的代理模型优化方法、装置、计算机设备和存储介质，通过待优化对象的耗时函数信息进行优化模型的参数设置以及初始采样，得到初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；根据高斯过程代理模型构建高效全局优化算法的多目标优化子问题，对多目标优化子问题的目标项进行自适应归一化处理后，求解得到多目标最优解集，所述最优解集中包括多个候选点求解得到包括多个候选点的多目标最优解集，判断优化过程是否满足设置的收敛准则，当不满足时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值，根据新样本更新样本点集，根据新样本响应值更新响应集，根据更新后的样本点集和响应集更新高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。本发明通过构建多目标优化子问题并对目标项进行归一化，能够获得均匀性更好、选点质量更高的整个多目标最优解解集，能够大幅减少优化迭代次数并改善收敛精度，从而解决优化速度与收敛精度的矛盾。
附图说明
图1为一个实施例中基于多点加点的代理模型优化方法的流程示意图；
图2为一个实施例中对二维测试函数six-humpcamel-back的优化结果；
图3为另一个实施例中对二维测试函数branin的优化结果；
图4为另一个实施例中对二维测试函数goldstein-price的优化结果；
图5为另一个实施例中基于多点加点的代理模型优化方法的流程示意图；
图6为一个实施例中基于多点加点的代理模型优化装置的结构框图；
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于多点加点的代理模型优化方法，可以应用于如下应用环境中。通过待优化对象的耗时函数信息进行优化模型的参数设置以及初始采样，得到初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；根据高斯过程代理模型构建高效全局优化算法的多目标优化子问题，求解得到包括多个候选点的多目标最优解集，判断优化过程是否满足设置的收敛准则，当不满足时，删除候选点中的重叠点和与现有采样点重复的点，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值，根据新样本更新样本点集，根据新样本响应值更新响应集，根据更新后的样本点集和响应集更新高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
在一个实施例中，如图1所示，提供了一种基于多点加点的代理模型优化方法，包括以下步骤：
步骤102，获取待优化对象原始模型的耗时函数信息，根据耗时函数信息进行高效全局优化算法的参数设置，以及初始采样，根据初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型。
待优化对象为工程设计中需要依赖耗时的仿真的设计问题，比如翼型的设计、飞行器的外形设计、梁结构的设计等。基于代理模型的优化方法是解决此类工程设计问题的最有效的方法之一。
本实施例采用的是高斯过程代理模型(kriging)和高效全局优化算法(effectiveglobaloptimization，ego)。kriging代理模型能够同时给出预测值和预测方差，是最常用的代理模型之一。ego算法通过迭代加点策略并序列更新代理模型，是一种高效的代理模型优化方法，且能够兼顾全局和局部搜索性能，已经广泛应用于各类工程问题的求解当中。
ego算法基于kriging代理模型，首先需要对kriging代理模型的超参数进行训练，然后再通过求解最大期望改善获取下一个取样点的位置，ego算法的思想是将迭代取样点添加在具有最大期望改善的位置。
本实施例中，参数设置中的参数包括设计变量的维数d，耗时函数的最大评估次数nmax，加点个数k，初始采样样本数n，d、nmax、k和n取值均为正整数，初始采样点的个数优选为8×d。样本数据包括样本点和样本点响应值。
步骤104，根据高斯过程代理模型构建高效全局优化算法的多目标优化子问题。
多目标优化子问题将最大期望的局部挖掘和全局探索特性的两项作为两个目标项；经典ego算法在计算最大期望改善的时候，通过非负加权求和将多目标优化转化为单目标问题，一次迭代得到一个候选样本点，实际是以加权的方式对全局探索和局部挖掘的平衡，在大部分情况下，该加权优化解并不总是起到很好的权衡效果，也难以同时在设计空间中探索未知区域和挖潜局部最优解。本发明通过构建高效全局优化算法的多目标优化子问题，可以通过多目标优化算法获取多个候选样本点。
步骤106，对目标项的函数进行自适应归一化处理，通过多目标优化算法对自适应归一化处理后的多目标优化子问题进行求解，得到多目标最优解集，最优解集中包括多个候选点；
通过多目标优化算法可以获得多目标最优解集ps(paretoset)和前沿pf(paretofront)，通过对多目标优化子问题的目标项进行归一化处理，可以提高ps的均匀性，改善选点质量。通过多目标优化，可以在一次迭代产生多个候选点，候选点为多目标优化问题的前沿上的点。
步骤108，判断优化过程是否满足设置的收敛准则，当不满足收敛准则时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值，根据新样本和其对应的响应值更新高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
在候选点中选取多个最优点作为新样本，选取的标准是选取点包含全局探索、局部挖掘和期望改进最大的特性，能更好地兼顾精度和效率。根据新样本更新样本点集，根据新样本响应值更新响应集，根据更新后的样本点集和响应集更新高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
根据候选点，使用加点策略筛选出多个样本点，在ego算法的加点阶段进行多点加点，再进行迭代循环，从而在满足停止准则的条件下大幅提高基于多点加点代理优化方法的精度和效率。
上述基于多点加点的代理模型优化方法中，通过待优化对象的耗时函数信息进行优化模型的参数设置以及初始采样，得到初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；根据高斯过程代理模型构建高效全局优化算法的多目标优化子问题，对多目标优化子问题的目标项进行自适应归一化处理后，求解得到包括多个候选点的多目标最优解集，判断优化过程是否满足设置的收敛准则，当不满足时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值，根据新样本更新样本点集，根据新样本响应值更新响应集，根据更新后的样本点集和响应集更新高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。本发明通过构建多目标优化子问题并对目标项进行归一化，能够获得均匀性更好、选点质量更高的整个多目标最优解解集，能够大幅减少优化迭代次数并改善收敛精度，从而解决优化速度与收敛精度的矛盾。
在其中一个实施例中，还包括：获取待优化对象原始模型的耗时函数信息，根据耗时函数信息进行高效全局优化算法的参数设置，以及初始采样，根据初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；参数设置中的参数包括：设计变量的维数，耗时函数的最大评估次数，加点个数和初始采样样本数。
在一个具体实施例中，以二维测试函数branin作为耗时函数为例，因branin为二维函数，故设计变量的维数d＝2，耗时函数的最大评估次数nmax＝80，加点个数k＝3，初始采样样本数n＝16。
在其中一个实施例中，还包括：获取待优化对象原始模型的耗时函数信息，根据耗时函数信息进行高效全局优化算法的参数设置；通过拉丁超立方采样法在整个设计空间获取初始采样点，得到初始采样的样本点集，由耗时函数评估初始采样点，得到初始采样的响应集；根据样本点集和响应集建立目标函数的高斯过程代理模型。
拉丁超立方抽样是一种从多元参数分布中近似随机抽样的方法，属于分层抽样技术，常用于计算机实验或蒙特卡洛积分等。
在其中一个实施例中，还包括：根据高斯过程代理模型构建高效全局优化算法的多目标优化子问题为：
其中，eimop表示多目标期望改善；f1表示多目标优化子问题中的第一目标项；f2表示多目标优化子问题中的第二目标项；gmin表示所述样本点集中样本点的耗时函数的最小函数值；x表示未知观测点；
在其中一个实施例中，还包括：对目标项的函数进行自适应归一化处理，自适应归一化处理后的多目标优化子问题为：
其中，max'(eimop)表示自适应归一化处理后的多目标优化子问题；fimin、fimax(i＝1,2)分别为多目标优化过程中第i个目标项的最大值和最小值；通过基于分解的多目标进化算法对自适应归一化处理后的多目标优化子问题进行求解，得到多目标最优解集，最优解集中包括多个候选点。
通过对目标项进行归一化，能够获得均匀性更好、选点质量更高的整个多目标最优解解集，大幅减少优化迭代次数并改善收敛精度。
在其中一个实施例中，还包括：判断当前样本点集中采样点的期望改善是否小于预先设置的阈值，或者通过耗时函数进行仿真评估的次数是否大于预先设置的最大次数；当期望改善大于预先设置的阈值或者通过耗时函数进行仿真评估的次数小于预先设置的最大次数时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值，根据新样本更新样本点集，根据新样本响应值更新响应集，根据更新后的样本点集和响应集更新高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
在本实施例中，终止准则的期望改善的阈值为0.001。
在其中一个实施例中，还包括：获取参数设置中包含的加点个数信息k；删除候选点中的重叠点和与现有采样点重复的点；在候选点中选择局部挖掘目标函数的最优点和全局探索目标函数的最优点作为新样本；当k＝3时，选择在多目标最优解集对应的前沿上与已选两个点距离之和最大的点所对应的候选点作为新样本；当k>3时，对前沿作归一化处理，根据前沿对候选点中的剩余点进行模糊聚类分析，并分成k-3组，在每一组中选择预测方差最大的点作为新样本；通过耗时函数对新样本进行并行评估，得到新样本响应值。
在候选点中选取多个最优点作为新样本，选取的标准是选取点包含全局探索、局部挖掘和期望改进最大的特性，能更好地兼顾精度和效率。与现有采样点重复的点是值与现有采样点欧式距离小于1×10-6*d的点，重叠点是指欧式距离小于1×10-6*d的点，当两个点重叠时，优先删除预测标准均方根误差较小的点。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
具体地，本发明对三个二维测试函数six-humpcamel-back、branin和goldstein-price的优化结果分别见图2，图3和图4。图中的横纵坐标分别表示二维设计变量的两个元素，“*”表示初始采样点，“△”表示新增样本点，“○”表示最优设计点。从图2，图3和图4可以看出，本发明的方法能够在给定的耗时函数评估次数内找到足够接近全局最优解的设计点。
针对上面三个2维测试函数以及3维测试函数hartman3和6维测试函数hartman6，利用本发明所提出的基于多点加点准则的代理模型优化算法与经典ego算法进行最优解精度和函数迭代次数比较的结果见表1。结果显示，本发明所提出的基于多点加点准则的代理模型优化算法(ego-mo)能够获得更好的全局近似最优解，具体表现为平均误差更小，最大误差更小，平均迭代次数更少，最大迭代次数更少。
表1ego-mo与经典ego算法在迭代次数和近似最优解精度的比较
在一个实施例中，如图5所示，提供了一种基于多点加点的代理模型优化方法，产生初始样本后，计算样本的响应值，根据当前样本和对应的响应值建立目标函数kriging代理模型，在目标函数kriging代理模型的基础上构建多目标优化子问题并执行优化计算，得到候选样本点，当优化过程不满足收敛准则时，在候选样本点中选择k个更新点作为新样本，并通过耗时函数计算新样本的响应值，将新样本加入样本库中，对目标函数kriging代理模型进行更新，直到优化过程满足收敛准则，完成代理模型的优化。
在一个实施例中，如图6所示，提供了一种基于多点加点的代理模型优化装置，包括：高斯过程代理模型建立模块602、多目标优化子问题构建模块604、候选点获取模块606和代理模型优化模块608，其中：
高斯过程代理模型建立模块602，用于获取待优化对象原始模型的耗时函数信息，根据耗时函数信息进行高效全局优化算法的参数设置，以及初始采样，根据初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；
多目标优化子问题构建模块604，用于根据高斯过程代理模型构建高效全局优化算法的多目标优化子问题；多目标优化子问题将最大期望的局部挖掘和全局探索特性的两项作为两个目标项；
候选点获取模块606，用于对目标项的函数进行自适应归一化处理，通过多目标优化算法对自适应归一化处理后的多目标优化子问题进行求解，得到多目标最优解集，最优解集中包括多个候选点；
代理模型优化模块608，用于判断是否满足设置的收敛准则，当不满足收敛准则时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值，根据新样本更新样本点集，根据新样本响应值更新响应集，根据更新后的样本点集和响应集更新高斯过程代理模型，直到满足收敛准则，完成代理模型优化。
高斯过程代理模型建立模块602还用于获取待优化对象原始模型的耗时函数信息，根据耗时函数信息进行高效全局优化算法的参数设置；通过拉丁超立方采样法在整个设计空间获取初始采样点，得到初始采样的样本点集，由耗时函数评估初始采样点，得到初始采样的响应集；根据样本点集和响应集建立目标函数的高斯过程代理模型。
多目标优化子问题构建模块604还用于根据高斯过程代理模型构建高效全局优化算法的多目标优化子问题为：
其中，eimop表示多目标期望改善；f1表示多目标优化子问题中的第一目标项；f2表示多目标优化子问题中的第二目标项；gmin表示所述样本点集中样本点的耗时函数的最小函数值；x表示未知观测点；
候选点获取模块606还用于对目标项的函数进行自适应归一化处理，自适应归一化处理后的多目标优化子问题为：
其中，max'(eimop)表示自适应归一化处理后的多目标优化子问题；fimin、fimax(i＝1,2)分别为多目标优化过程中第i个目标项的最大值和最小值；通过基于分解的多目标进化算法对自适应归一化处理后的多目标优化子问题进行求解，得到多目标最优解集，最优解集中包括多个候选点。
代理模型优化模块608还用于判断当前样本点集中采样点的期望改善是否小于预先设置的阈值，或者通过耗时函数进行仿真评估的次数是否大于预先设置的最大次数；当期望改善大于预先设置的阈值或者通过耗时函数进行仿真评估的次数小于预先设置的最大次数时，删除候选点中的重叠点和与现有采样点重复的点，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值，根据新样本更新样本点集，根据新样本响应值更新响应集，根据更新后的样本点集和响应集更新高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
代理模型优化模块608还用于获取参数设置中包含的加点个数信息k；删除候选点中的重叠点和与现有采样点重复的点；在候选点中选择局部挖掘目标函数的最优点和全局探索目标函数的最优点作为新样本；当k＝3时，选择在多目标最优解集对应的前沿上与已选两个点距离之和最大的点所对应的候选点作为新样本；当k>3时，对候选点中的剩余点进行模糊聚类分析，并分成k-3组，在每一组中选择预测方差最大的点作为新样本；通过耗时函数对新样本进行并行评估，得到新样本响应值。
关于代理模型优化装置的具体限定可以参见上文中对于基于多点加点的代理模型优化方法的限定，在此不再赘述。上述代理模型优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多点加点的代理模型优化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！