[发明专利]一种基于RBP神经网络的最优超任务网优化方法

权利要求书

1.一种基于RBP神经网络的最优超任务网优化方法，其特征在于，包括以下步骤：

预先选取每个任务的数据训练集对多个任务进行模型训练，获得RBF神经网络模型，其中包括标定RBF神经网络的参数信息和获取核函数中心点特征信息；

进行RBF神经网络预测，当RBF神经网络模型训练完成，基于训练好的RBF神经网络模模型对任意未知的新点x^*进行目标值的预测，获取其对应的多个任务的目标函数值；

对多个任务的目标函数值进行筛选，筛选出每个任务的一个候选点，并筛选出真实目标函数值最大时所对应的点作为对应任务优化后的超参数组合，其中包括获取候选点的选择优化，包括以下步骤：

设置采集函数EI作为粒子群算法的适应度函数，并且设置粒子的种群大小，每个粒子的搜索维度和空间，迭代的最大次数，其中包括：

将标量的学习因子标定为向量，表示为：

其中，为第k次迭代中的粒子i速度的第d维分量，为第k次迭代中的粒子i位置的第d维分量，是第k次迭代过后粒子i历史最优解值得第d维分量，为整个粒子群全局最优值得第d维分量，w是惯性权重，r₁和r₂为(0，1)的随机数，c_1d和c_2d分别是各自在第d维度的分量，c₁和c₂是学习因子；

进行范围适应的初始化：表示为：

其中，c^d为d维度的学习因子，和b^d分别代表d维度所表示的超参数的上界和下界，通常学习因子要大于等于1，其中，学习因子设置为0，表示该维度的粒子分量不参与更新；

开始迭代，对每个粒子进行预测，并获取出每个粒子的EI值，并将每个粒子的EI值与其当前最优位置进行比较，若粒子的EI值大于当前最优位置，那么更新粒子的当前最优位置，将每个粒子的当前最优位置与粒子的全局最优位置进行比较，若存在某个粒子的当前最优位置更好，那么就用当前最优位置替代全局最优位置gbest；

将每个粒子的信息进行更新，并输出粒子的全局最优位置gbest；

进行对于选出的候选点x^*，对其总共进行N次真实评价，获得数据，表示为：

f₁(x^*),f₂(x^*),...,f_N(x^*)；

再将新的数据加入到原来的数据集中，对新的候选点进行评价与更新数据集，表示为：

2.根据权利要求1所述的基于RBP神经网络的最优超任务网优化方法，其特征在于，所述RBF神经网络模型的参数，包括标定高斯核函数作为径向基函数，表示为：

其中，x_p为数据集中的一个数据，x_c为核函数的中心点，σ为核函数的宽度参数，控制着函数的径向范围。

3.根据权利要求2所述的基于RBP神经网络的最优超任务网优化方法，其特征在于，所述核函数的中心点，包括以下步骤：

确定中心点的个数n，初始化各类别集合

从数据集中随机选取n个样本作为初始的聚类中心{c₁,c₂,...,c_n}；

计算数据集中每一个样x_i,i＝1,2,...,n₀和各个聚类中心c_j,j＝1,2,...,n之间的距离对每一个x_i，将其划分到距离最近的聚类中心所属的类别λ_i，更新

重新计算各类别的中心，表示为：

输出各聚类中心c_j,j＝1,2,...,n。

4.根据权利要求3所述的基于RBP神经网络的最优超任务网优化方法，其特征在于，基于获取所述核函数的中心点，还包括以下步骤：

基于核函数的中心点，获取方差，表示为：

其中，c_max为观察点与中心点之间的最大距离，n是中心点的数量。