[发明专利]卫星热布局代理模型的超参数优化方法

说明书

本发明公开了一种卫星热布局代理模型的超参数优化方法。该方法包括：对卫星结构进行近似描述，建立卫星组件布局方案的简化结构模型和卫星热布局代理模型；确定设计任务和设计任务对应的多个新数据集；确定设计任务对应的若干个源任务及若干个源任务对应的多个源数据集；利用熵权法判别设计任务与源任务的相似性，筛选出与新数据集相似性最高的源数据集；从相似性最高的源数据集中筛选出最优超参数配置；迁移筛选出的最优超参数配置代替卫星热布局代理模型的原有随机初始化过程。本发明的方法能够提高卫星热布局代理模型的优化效率，缩短卫星热布局代理模型的训练周期，从而以较少工作量获得满足卫星总体温度场的性能要求的卫星热源组件布局方案。

技术领域

本发明涉及卫星热布局技术领域，尤其涉及一种卫星热布局代理模型的超参数优化方法。

背景技术

卫星热布局优化问题主要研究卫星各组件在卫星舱有限空间中的合理布局，使组件布局对应的温度场分布能够满足卫星总体温度场的性能要求。卫星热布局优化问题通常为带约束条件的优化问题，主要有以下三种边界条件：第一类边界条件—Dirichlet边界条件；第二类边界条件—Neumann边界条件；第三类边界条件—Robin边界条件。为了获得满足卫星总体温度场性能要求的卫星组件布局方案，需要计算确定每个一种卫星组件布局方案下的温度场分布。由于每一种不同的卫星组件布局方案对应了一种不同的温度场分布，为了提供卫星热布局优化效率，降低计算工作量，目前提出了利用卫星热布局代理模型来实现对任意组件布局方案下的温度场分布的快速高精度预测。

现有的卫星热布局代理模型主要采用主体结构为特征金字塔网络(FPN)的深度神经网络模型，通过采用主体结构为特征金字塔网络(FPN)的深度神经网络模型来拟合组件布局方案和对应温度场分布之间的映射关系，通过提供多个不同组件布局方案及其对应温度场分布的数据作为训练集数据，以使深度神经网络模型学习其中的物理规律，最终训练出一个泛化能力较强的FPN网络，可以对任意组件布局方案下的温度场分布实现快速高精度的预测。FPN网络在训练过程中的优化目标分为两个部分：一是计算在边界条件约束下真实温度场分布和预测温度场分布之间的平均误差，即损失函数定义为在边界条件约束下真实温度场分布和预测温度场分布之间的平均误差，优化此目标即是最小化此项误差，等价于提供预测温度场分布的预测精度；二是超参数的优化，包括三种边界条件权重参数的优化。

在机器学习中，通常采用超参数定义机器学习中模型属性或训练过程。例如假设：机器学习算法A有n个超参数{θ₁，…,θ_n}，各超参数的定义域为{Θ₁,…,Θ_n}；将给定数据集D按需划分为训练数据D_train和验证数据D_valid，即D＝(D_train,D_valid)，超参算法A以超参数配置θ在训练数据上训练模型，在验证数据上验证模型的损失，即采用V(L,θ,D_train,D_valid)作为评价算法性能的指标，当V越小，说明算法性能越好，超参数配置θ越优秀；因此，超参优化目标为寻找超参数配置θ^*以使得V最小，具体优化目标函数为

现有的卫星热布局代理模型的超参数优化方法包括随机搜索、网格搜索和贝叶斯优化，然而随机搜索和网格搜索的优化效率较低；为此，目前主要采用贝叶斯优化方法作为卫星热布局代理模型的超参数优化方法。贝叶斯优化作为一种迭代算法，该算法由三个部分组成，包括建立概率代理模型、采集函数决定下一个评估点和评估新评估点的函数值；具体地，在每次迭代中，先根据更新的观测值修正先验分布，根据先验分布建立概率代理模型，以准确地拟合真实目标函数；利用代理模型的后验分布信息构造采集函数，以平衡宽度搜索与深度搜索之间的关系，预测不同候选点“潜力”；最大化采集函数主动选择最有“潜力”的评估点进行评估，保证仅经过少次评估得到近似最优解，以在最大化采集函数前提下，贝叶斯优化经过多次迭代能在理论上保证最终收敛。