[发明专利]基于生成式对抗网络的多目标优化方法

说明书

本发明公开的一种基于生成式对抗网络的多目标优化方法，解决现有优化算法时间成本高，训练难度过大，训练网络容易崩溃等问题。其实现方案：随机采样获取初始样本；挑选其中的Pareto解作为训练集；训练集中随机选取一半作训练样本进行预处理，构建生成式对抗网络，进行迭代训练后得到生成样本；根据评价次数判断是否需要再次进行训练优化；通过本发明生成样本和其他对比算法的结果进行比较，评价算法优劣。本发明降低了时间成本，提高了网络健壮性和稳定性，优化效果明显，可用于多个目标的资源分配、多个产品的生产调度和各种软件系统多个性能的优化等方面。

技术领域

本发明属于计算机技术领域，特别涉及多目标参数优化，具体是一种基于生成式对抗网络的多目标优化方法，简称MOGAN，可用于利用计算机技术对多个目标的资源分配、多个产品的生产调度和各种软件系统多个性能的优化等方面。

背景技术

在工业生产和生活中，许多问题都是由相互冲突和影响的多个目标组成。人们会经常遇到使多个目标在给定区域同时尽可能最佳的优化问题，也就是多目标优化问题(multi-objectiveoptimization problem，MOP)，其存在的优化目标超过一个并需要对多个目标同时处理。例如在元器件的设计中，想要功率大一点稳定性强一点，此时大功率和高稳定就是一对互相矛盾的目标，这就是一个MOP问题；对于一个控制系统来说，它有各种非功能属性，如运行时间、吞吐量、每秒处理数等，以分布式消息系统Kafka为例，其有吞吐量和时延两个非功能属性，也称作目标，在某Kafka系统中，人们希望吞吐量大一点并且延迟小一点，这两个目标也是相互冲突的，多目标优化的任务就是通过调整其控制系统的配置来找到一组这两个目标的非劣解，这也是一个MOP问题。在工业生产和生活中还有许多其他的MOP问题，其涉及生活和工业生产的方方面面，相关的求解方法对解决政治、金融、军事、环境、生产制造、社会保障等各方面的规划决策问题起着至关重要的作用，是现代工业系统工程中需要解决的技术问题。

在单目标优化问题中，通常最优解只有一个，而且能用比较简单和常用的数学方法求出其最优解。然而在多目标优化问题中，各个目标之间相互制约，可能使得一个目标性能的改善往往是以损失其它目标性能为代价，不可能存在一个使所有目标性能都达到最优的解，所以对于多目标优化问题，其解通常是一个非劣解的集合——Pareto解集。

在多目标规划中，由于存在目标之间的冲突和无法比较的现象，一个解在某个目标上是最好的，在其他的目标上可能比较差。Pareto提出多目标的解不受支配解(Non-dominated set)的概念，其定义为：假设任何二解S1及S2对所有目标而言，S1均优于S2，则我们称S1支配S2，若S1没有被其他解所支配，则S1称为非支配解(不受支配解)，也称Pareto解。

多目标进化算法(MOEA)是一类模拟生物进化机制而形成的全局性概率优化搜索方法，其基本原理描述如下：多目标进化算法从一组随机生成的种群出发，通过对种群执行选择、交叉和变异等进化操作，经过多代进化，种群中个体的适应度不断提高，从而逐步逼近多目标优化问题的Pareto最优解集。比较典型的多目标进化算法有NSGA2、PESA2和SPEA2。对于这三种算法而言，其优点较多但是其缺点也比较明显的。

NSGA2的优点在于运行效率高、解集有良好的分布性，特别对于低维优化问题具有较好的表现；其缺点在于在高维问题中解集过程具有缺陷，解集的多样性不理想。

PESA2的优点在于其解的收敛性很好,比较容易接近最优面,特别是在高维问题情况下；但其不足之处在于选择操作一次只能选取一个个体，时间消耗很大，而且阶级的多样性不佳。

SPEA2的优点在于可以取得一个分布度很好的解集，特别是在高维问题的求解上，但是其聚类过程保持多样性耗时较长，运行效率不高。