[发明专利]基于生成式对抗网络的多目标优化方法

摘要

本发明公开的一种基于生成式对抗网络的多目标优化方法，解决现有优化算法时间成本高，训练难度过大，训练网络容易崩溃等问题。其实现方案：随机采样获取初始样本；挑选其中的Pareto解作为训练集；训练集中随机选取一半作训练样本进行预处理，构建生成式对抗网络，进行迭代训练后得到生成样本；根据评价次数判断是否需要再次进行训练优化；通过本发明生成样本和其他对比算法的结果进行比较，评价算法优劣。本发明降低了时间成本，提高了网络健壮性和稳定性，优化效果明显，可用于多个目标的资源分配、多个产品的生产调度和各种软件系统多个性能的优化等方面。

主权项

1.一种基于生成式对抗网络的多目标优化方法，其特征在于，包括如下步骤：/n(1)获取初始样本：/n(1a)选择优化目标：针对某一系统中存在的多目标优化问题，选择确定需要优化的多个目标，假设有q个优化目标，在所有的系统变量中有p个系统变量对这q个优化目标产生影响，每个系统变量都有自己的数据集和取值范围；/n(1b)设定最大评价次数：每一组p个系统变量定义为一组自变量，由一组自变量得到的q个优化目标的值定义为因变量，一次评价就是指由一组自变量得到对应因变量的过程；优化过程中设定评价次数为e，其最大评价次数为E，评价次数e初始化为零；/n(1c)确定初始样本数量：根据最大评价次数E确定初始变量数量为m组，保证优化过程能在最大评价次数E内完成；/n(1d)随机采样获取初始样本：对涉及优化目标的每个系统变量都进行随机采样，得到m组p维的初始变量，用多目标所在系统的运行方法来评价衡量这m组初始变量的优劣，每一组初始变量得出对应q个优化目标的值，每组随机采样的初始变量和优化目标的值共同组成一组p+q维的初始样本；初始变量采样、评价并与优化目标组合一次，评价次数e加1，遍历全部m组初始变量，最终评价次数e加m，得到m个p+q维的初始样本；/n(2)构建多目标优化的生成式对抗网络：其包括生成网络G和判别网络D，生成网络G和判别网络D均采用三层全连接神经网络，两者相互对抗训练，促进彼此不断优化，构建成多目标优化的生成式对抗网络；/n(3)从初始样本中选择训练集：根据Pareto解的定义，从初始样本中选取所有的p+q维的Pareto解，然后去除每一组Pareto解中q个优化目标的值，将这些去除优化目标值的p维的Pareto解作为训练集；/n(4)训练构建的多目标优化的生成式对抗网络：/n(4a)确定训练样本：从训练集中随机选择一半作为训练样本，然后对训练样本进行数据标准化预处理，得到预处理后的训练样本x；/n(4b)输入训练样本到MOGAN中：把预处理过的训练样本x输入到生成式对抗网络的判别网络D中；/n(4c)生成样本：在多目标优化的生成式对抗网络中，使用生成网络G，产生p维的生成样本z；/n(4d)得到判别结果：将生成样本z和训练样本x输入判别网络D，输出判别结果；/n(4e)训练生成网络G和判别网络D：根据判别结果，固定生成网络G，对判别网络D进行训练，不断优化，直到判别网络D能准确判断出一个样本是来自训练样本还是来自生成网络G生成的样本；根据判别结果，固定判别网络D，对生成网络G再进行训练，不断优化，直到判别网络D不能判断出一个样本是来自训练样本还是来自生成网络G生成的样本；/n(4f)多次迭代训练后得到生成样本集：执行一次步骤(4a)-(4e)，完成一次对生成式对抗网络的训练；判断是否达到迭代次数，如果没有达到设计的迭代次数，重复步骤(4a)-(4e)，继续进行训练；如果达到设计的迭代次数，使用生成网络G生成m₁组p维初始变量，并评价衡量这m₁组样本的优劣，计算出q维优化目标的值，评价次数e加m₁，然后m₁组p维初始变量和q维优化目标合并得到m₁组p+q维的生成样本集；/n(5)判断评价次数：对评价次数进行判断，若此时评价次数e达到最大评价次数E，将步骤(4f)得到的生成样本集作为最终结果集，然后执行步骤(9)，进一步验证优化效果，否则，执行步骤(6)；/n(6)得到交叉结果集：将m₁组p+q维的生成样本集和训练样本x进行合并，从合并后的样本集中选择出所有的p+q维Pareto解，去除Pareto解q个优化目标的值，得到p维初始变量的Pareto解，对这些p维初始变量的Pareto解进行模拟二进制交叉操作，得到m₂组p维初始变量的交叉结果集；/n(7)得到变异结果集：对m₂组p维初始变量的交叉结果集进行多项式变异操作，得到m₃组p维初始变量的变异结果集；/n(8)评价得到新的初始样本：用多目标所在系统的运行方法来评价衡量这m₃组p维初始变量的优劣，每一组初始变量得出对应q个优化目标的值，每组p个初始变量和q个优化目标的值共同组成一组新的p+q维的初始样本，初始变量每评价并与优化目标组合一次，评价次数e加1，遍历全部m₃组p维的初始变量，最终评价次数e加m₃，得到m₃组p+q维的新的初始样本；再次进行步骤(3)～步骤(5)；/n(9)优化效果验证：/n(9a)用其他已有优化算法对步骤(1)所选择的p个优化变量进行优化，得到对应的对照结果集；/n(9b)通过对比本发明的最终结果集和其他优化算法的对照结果集，对本发明优化效果进行验证。/n