公开(公告)号：CN114880775B

公开(公告)日：2023-05-09

申请号：CN202210504769.1

申请日：2022-05-10

Applicant: 江苏大学

Inventor： 罗淦 ,  段利斌 ,  朱茂桃 ,  杜展鹏 ,  徐伟 ,  刘星

IPC: G06F30/15 ,  G06F30/27 ,  G06N20/00 ,  G06F111/04 ,  G06F111/06

Abstract: 本发明提供了一种基于主动学习Kriging模型的可行域搜索方法及装置，选取初始样本点，并计算所述初始样本点的损失函数，分别构建或更新损失函数和所有约束函数的Kriging代理模型，以损失函数的绝对值作为优化目标，求解优化方程；引入多个主动学习函数并构造多种约束主动学习函数，优化多种约束主动学习函数，获取最优帕累托前沿；从最优帕累托前沿中获取多个最佳样本点，并计算最佳样本点的损失函数真实值；当算法收敛时，获得精确的可行域边界的Kriging代理模型，使得损失函数即为优化问题的可行域。本发明可高效搜索多约束下的可行域，进而缩小优化问题的搜索空间，提高求解效率。

公开(公告)号：CN114880775A

公开(公告)日：2022-08-09

申请号：CN202210504769.1

申请日：2022-05-10

Applicant: 江苏大学

Inventor： 罗淦 ,  段利斌 ,  朱茂桃 ,  杜展鹏 ,  徐伟 ,  刘星

IPC: G06F30/15 ,  G06F30/27 ,  G06N20/00 ,  G06F111/04 ,  G06F111/06

Abstract: 本发明提供了一种基于主动学习Kriging模型的可行域搜索方法及装置，选取初始样本点，并计算所述初始样本点的损失函数，分别构建或更新损失函数和所有约束函数的Kriging代理模型，以损失函数的绝对值作为优化目标，求解优化方程；引入多个主动学习函数并构造多种约束主动学习函数，优化多种约束主动学习函数，获取最优帕累托前沿；从最优帕累托前沿中获取多个最佳样本点，并计算最佳样本点的损失函数真实值；当算法收敛时，获得精确的可行域边界的Kriging代理模型，使得损失函数即为优化问题的可行域。本发明可高效搜索多约束下的可行域，进而缩小优化问题的搜索空间，提高求解效率。