[发明专利]基于贝叶斯优化的工艺参数建模与优化协同方法

说明书

本发明公开一种基于贝叶斯优化的工艺参数建模与优化协同方法，包括：S1、对历史数据集A构建代理模型，用于预测未知决策变量对的目标值；S2、更新决策变量在各维度上的属性重要性θ；S3、构建数据变化率δ随不同决策变量变化的预测模型，用于预测未知决策变量下的数据变化率δ值；S4、基于属性重要性θ及数据变化率δ^*来更新全局采样准则；S5、寻找使采样准则函数最优的采样点，对选择的采样点进行实际试验并采样，更新历史数据集，检测实际试验次数是否达到指定的次数，若检测结果为是，则输出最优的决策变量，若检测结果为否，则返回步骤S1。将基于克里金法的插值采样准则引入到非克里金建模优化方法中，从而提高非克里金法在插值采样过程中的采样质量，保证优化的效果。

技术领域

本发明属于工艺参数优化技术领域，更具体地，本发明涉及一种基于贝叶斯优化的工艺参数建模与优化协同方法。

背景技术

工艺参数优化作为一种连续优化问题，相较于传统连续优化问题存在两个明显特征：(1)制造系统的自动化、信息化发展为工艺参数优化提供了大量的原始数据；(2)在工艺参数优化过程中，考虑实际加工的成本消耗，试加工的次数往往是有限的。这两个特性的存在，使得工艺参数优化问题成为一个标准的高耗优化问题(Expensive OptimizationProblem,EOP)。传统的高耗优化问题是从计算复杂优化问题(Computational ExpensiveOptimization Problem,CEOP)发展而来，其主要问题在于采样点的每一次真实验证所需的时间成本很高。

发明内容

本发明提供一种基于贝叶斯优化的工艺参数建模与优化协同方法，旨在改善上述问题。

本发明是这样实现的，一种基于贝叶斯优化的工艺参数建模与优化协同方法，所述方法具体包括如下步骤：

S1、输入的历史数据集A＝{(x⁽¹⁾,y⁽¹⁾),(x⁽²⁾,y⁽²⁾),...,(x⁽ⁿ⁾,y⁽ⁿ⁾)}，其中，x⁽ⁿ⁾表示第n个历史决策变量，y⁽ⁿ⁾为历史决策变量x⁽ⁿ⁾的目标值；

S2、对历史数据集A构建代理模型，用于预测未知决策变量对的目标值；

S3、更新决策变量在各维度上的属性重要性θ，其中θ＝(θ₁,θ₂,...,θ_k)；

S4、获取历史数据集中各数据点对应的数据变化率，构建数据变化率δ随不同决策变量变化的预测模型，用于预测未知决策变量x^*的数据变化率δ^*；

S5、基于当前的属性重要性θ及数据变化率δ^*来更新全局采样准则；

S6、寻找使采样准则函数最优的采样点，对选择的采样点进行实际试验并采样，更新历史数据集，检测实际试验次数是否达到指定的次数，若检测结果为是，则输出最优的决策变量，若检测结果为否，则返回步骤S2。

进一步的，维度d的属性重要性θ_d的获取方法具体如下：

S31、归一化历史数据集中的所有决策变量，即x⁽¹⁾，x⁽²⁾，...，x⁽ⁿ⁾；

S32、输入初始的当前属性重要性θ，当前属性重要性θ是k维的向量；

S33、计算历史数据集A中两两数据点之间的距离dist_ij，并将距离dist_ij之和取平均作为数据点间的平均距离