[发明专利]元学习演化策略黑盒优化分类器

说明书

一种用于训练元学习演化策略黑盒优化分类器的计算方法。该方法包括：接收元学习演化策略黑盒优化分类器的一个或多个训练函数和一个或多个初始元学习参数。该方法进一步包括：对来自一个或多个训练函数的所采样的目标函数以及所采样的函数的初始均值进行采样。该方法还包括：针对t=1,…,T中的T数量的步骤，通过在使用初始均值的所采样的目标函数上运行元学习演化策略黑盒优化分类器来计算T数量的均值的集合。该方法还包括：从T数量的均值的集合中计算损失函数。该方法进一步包括：响应于损失函数的特性，更新元学习演化策略黑盒优化分类器的一个或多个初始元学习参数。

技术领域

本公开涉及用于训练和提供元学习演化策略黑盒优化分类器（例如，机器学习（ML）算法）的计算方法和计算机系统。

背景技术

黑盒（black box）函数是不知道针对其的分析形式的函数。黑盒函数可能未知或太复杂以至于无法直接建模。已经开发了优化模型来优化黑盒函数。一个现有的黑盒优化器族被称为演化策略（evolution strategy）。演化策略是一种基于演化概念的优化技术。演化策略在非线性或非凸连续优化问题下被使用。

一种已知的演化策略是指数自然演化策略（xNES）。xNES包括搜索分布的指数参数化，以保证不变性。xNES被配置成在不需要显式Fisher信息矩阵的情况下计算自然梯度。另一种演化策略被称为协方差矩阵自适应演化策略（CMA-ES）。CMA-ES使用最大似然原理，该原理增加了成功的候选解和搜索步骤的概率。CMA-ES还记录该策略的分布均值的时间演化的两个不同路径，这两个不同路径以其他方式被称为搜索或演化路径。与其他优化方法相比，CMA-ES对黑盒函数的性质需要更少假设。CMA-ES不需要导数或函数值本身，而是对候选解进行排序（rank）以找到最佳解。

发明内容

根据一个实施例，公开了一种用于训练元学习演化策略黑盒优化分类器的计算方法。该方法包括：接收元学习演化策略黑盒优化分类器的一个或多个训练函数和一个或多个初始元学习参数。该方法进一步包括：对来自一个或多个训练函数的所采样的目标函数以及所采样的函数的初始均值进行采样。该方法还包括：针对t=1,…,T中的T数量的步骤，通过在使用初始均值的所采样的目标函数上运行元学习演化策略黑盒优化分类器来计算T数量的均值的集合。该方法还包括：从T数量的均值的集合中计算损失函数。该方法进一步包括：响应于损失函数的特性，更新元学习演化策略黑盒优化分类器的一个或多个初始元学习参数。

在另一个实施例中，一种用于从具有一个或多个参数的元学习演化策略黑盒优化分类器学习致动器控制命令的计算方法。该计算方法包括：对样本λ的一代进行采样，并且将其变换成经变换的样本λ的一代。该计算方法进一步包括：响应于对经变换的样本λ的所述代的一个或多个函数求值（evaluation），对经变换的样本λ的所述代进行排序。该方法还包括：响应于经变换的样本λ的经排序的代以及一个或多个学习参数，来更新元学习演化策略黑盒优化分类器的一个或多个参数。可以在类似于经学习的演化策略黑盒优化分类器（例如，与经学习的演化策略黑盒优化分类器共享函数特性）的一组目标函数上训练所述一个或多个学习参数。该方法还包括：将从传感器获得的输入信号发送到经更新的元学习演化策略黑盒优化分类器中，以获得被配置成表征所述输入信号的分类的输出信号。该方法还包括：响应于所述输出信号，将致动器控制命令传输到计算机控制的机器的致动器。