[发明专利]基于微分流形场的高维多目标优化方法、系统、介质及终端

说明书

本发明提供一种基于微分流形场的高维多目标优化方法、系统、介质及终端，获取父代种群；生成子代种群；对子代种群进行非支配排序，根据排序将其分成l层，并构建预设数量的参考线；对于第l‑1层的每个子代种群个体，计算所述子代种群个体与每个参考线的距离，选出与每个参考线最近的种群个体；对于每个参考线，将每个与该参考线最近的子代种群个体映射为三维空间的一个线元；计算每个与该参考线最近的子代种群个体的分布性；选取所述分布性最大的子代种群个体进入下一代种群，重复迭代直至迭代次数达到预设次数。本发明的基于微分流形场的高维多目标优化方法、系统、介质及终端能够有效增强高维目标空间选择压力并获得多样性更好的解。

技术领域

本发明涉及智能计算的技术领域，特别是涉及一种基于微分流形场的高维多目标优化方法、系统、介质及终端。

背景技术

大规模神经网络自动生成、优化甚至是大型城市设计与规划等众多实际应用问题均可以抽象为具有多冲突目标的大规模优化问题。多目标演化优化算法(Many objectiveoptimization problem，MaOPs)因其强大的全局搜索能力和一次执行能同时获得多个优化解的特点，被认为非常适合于解决此类问题。然而，随着问题复杂程度的上升和目标空间维度的增加，大部分MaOPs的性能出现了急剧下降。

高维目标空间中大部分解(个体)“趋同”而导致的非支配关系丧失，从而使算法无法收敛或过早陷入局部最优。

一些研究试图通过强化的帕累托非支配关系来克服以上问题。但是随着维度的上升，依然会因选择压力丧失而导致算法无法继续向真实的帕累托前沿演化。

另一些研究采用基于最终性能指标代替非支配关系。然而性能指标的计算，尤其是在维度高于10的高维目标空间中，需要消耗几乎无法承受的计算资源和时间，使其很难进行实际应用。

另外，目前被认为最优的方法是基于分解的方法如：基于分解的多目标进化算法(Multi-objectiveEvolutionary Algorithm Based on Decomposition,MOEA/D)，及其变种MOEA/D等。然而，该类方法无法解决不规则帕累托前沿的问题。同时如何设置合适的权重向量将高维目标合理分解也依然是个难题。

综上所述，在高维空间中，如何有效区分个体之间的差别并且平衡算法的收敛性和多样性依然是高维目标演化算法的难点问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于微分流形场的高维多目标优化方法、系统、介质及终端，能够有效增强高维目标空间选择压力并获得多样性更好的解，极具实用性。

为实现上述目的及其他相关目的，本发明提供一种基于微分流形场的高维多目标优化方法，包括以下步骤：步骤S1、获取父代种群；步骤S2、基于交叉变异由所述父代种群生成子代种群；步骤S3、对子代种群进行非支配排序，根据排序将其分成l层，并构建预设数量的参考线；步骤S4、对于第l-1层的每个子代种群个体，根据计算所述子代种群个体与每个参考线的距离，并选出与每个参考线最近的种群个体；其中n为高维空间中解的维度，|Δd_i|是所述子代种群个体与第i个参考线的欧式距离；步骤S5、对于每个参考线，将每个与该参考线最近的子代种群个体映射为三维空间的一个线元，并将所述线元构建为线性丛；计算每个与该参考线最近的子代种群个体的分布性DivVec(r_i)＝1/IntenVec(r_i)，其中，r_i为第i条参考线，M为与参考线r_i距离最近的子代种群个体的个数，v_k为每个与该参考线最近的子代种群个体对应的线元的线元矢量；步骤S6、选取所述分布性最大的子代种群个体进入下一代种群，重复迭代步骤S2-步骤S5，直至迭代次数达到预设次数。