动态多目标优化方法、装置、设备及存储介质与流程

本申请涉及人工智能领域，尤其涉及一种动态多目标优化方法、装置、设备及存储介质。

背景技术：

1、多目标优化问题(multi-objective optimization problem，mop)是处理涉及两个或多个目标函数同时达到最优的数学规划问题需要同时满足许多不同且通常相互冲突的目标，互相矛盾的目标意味着无法同时实现多个目标的最优解，而是需要其中一部分目标做出让步，得到一组折衷解。而动态多目标优化问题(dynamic multi-objectiveoptimization problem，dmop)可能涉及各种类型的动态特征，例如与时间相关的目标或约束函数，以及不断变化的维度，其最优解不再是固定解，而是最优解集。

2、如何快速响应环境变化，收敛到全局最优解是动态多目标优化算法的核心问题。现有的动态多目标优化技术将机器学习预测方法与多目标优化方法相结合，通过机器学习技术导出预测模型后，使用线性或非线性回归模型预测环境发生变化后的种群变化。

3、但传统机器学习的一个假设是，训练数据和测试数据取自同一个问题，即迁移学习中的“域”，因此输入和输出空间以及数据分布是相同的，而现实问题中的样本往往不符合独立同分布要求，因此使用机器学习算法虽然在一定程度上简化了问题的复杂性，但使得求解出现一定的偏差。

技术实现思路

1、本申请提供一种动态多目标优化方法、装置、设备及存储介质，用以解决现有动态多目标优化技术采用机器学习技术导出预测模型，但样本不符合独立同分布要求，导致求解出现偏差的问题。

2、第一方面，本申请提供一种动态多目标优化方法，包括：

3、对动态多目标优化场景分析，获取所述优化场景的初始种群，采用预设的静态多目标优化算法对初始种群寻优，获取当前时刻的帕累托前沿；

4、检测环境是否发生变化；

5、当环境变化，将当前时刻的帕累托前沿作为源域样本数据，采用聚类算法对所述源域样本数据划分子类，对各子类进行特殊点选取，组成特殊点子种群；

6、通过预设的迁移成分分析映射矩阵对所述特殊点子种群进行映射，得到下一时刻的迁移子种群，根据所述初始种群和所述下一时刻的迁移子种群计算预测初始种群；

7、将预测初始种群替代所述初始种群，采用静态多目标优化算法对预测初始种群寻优。

8、第二方面，本申请提供一种动态多目标优化装置，包括：

9、初始化模块，用于对动态多目标优化场景分析，获取所述优化场景的初始种群，采用预设的静态多目标优化算法对初始种群寻优，获取当前时刻的帕累托前沿；

10、环境监测模块，用于检测环境是否发生变化；

11、特殊点选取模块，用于当环境变化，将当前时刻的帕累托前沿作为源域样本数据，采用聚类算法对所述源域样本数据划分子类，对各子类进行特殊点选取，组成特殊点子种群；

12、预测初始种群获取模块，用于通过预设的迁移成分分析映射矩阵对所述特殊点子种群进行映射，得到下一时刻的迁移子种群，根据所述初始种群和所述下一时刻的迁移子种群计算预测初始种群；

13、动态寻优模块，用于将预测初始种群替代所述初始种群，采用静态多目标优化算法对预测初始种群寻优。

14、第三方面，本申请提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机执行指令，所述处理器执行所述计算机执行指令时实现上述第一方面中任一项所述的动态多目标优化方法。

15、第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一项所述的动态多目标优化方法。

16、第五方面，本申请提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面任一项所述的动态多目标优化方法。

17、本申请提供的一种动态多目标优化方法、装置、设备及存储介质，通过对动态多目标优化场景分析，获取所述优化场景的初始种群，采用预设的静态多目标优化算法对初始种群寻优，获取当前时刻的帕累托前沿；检测环境是否发生变化；当环境变化，将当前时刻的帕累托前沿作为源域样本数据，采用聚类算法对所述源域样本数据划分子类，对各子类进行特殊点选取，组成特殊点子种群，降低了负迁移的可能性；通过预设的迁移成分分析映射矩阵对所述特殊点子种群进行映射，得到下一时刻的迁移子种群，根据所述初始种群和所述下一时刻的迁移子种群计算预测初始种群；将预测初始种群替代所述初始种群，采用静态多目标优化算法对预测初始种群寻优，通过预测初始种群引导算法向正确方向收敛到全局最优解，有效降低算法计算复杂度，加快种群收敛速度。

技术特征：

1.一种动态多目标优化方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述通过预设的迁移成分分析映射矩阵对所述特殊点子种群进行映射，得到下一时刻的迁移子种群，包括：

3.根据权利要求1所述的方法，其特征在于，在所述通过预设的迁移成分分析映射矩阵对所述特殊点子种群进行映射之前，还包括构建迁移成分分析映射矩阵：

4.根据权利要求1所述的方法，其特征在于，所述根据所述初始种群和所述下一时刻的迁移子种群计算预测初始种群，包括：

5.根据权利要求4所述的方法，其特征在于，所述根据所述初始种群和所述下一时刻的迁移子种群计算多样性个体，包括：

6.根据权利要求1所述的方法，其特征在于，所述采用聚类算法对所述源域样本数据划分子类，包括：

7.根据权利要求1所述的方法，其特征在于，所述对各子类进行特殊点选取，组成特殊点子种群，包括：

8.根据权利要求1所述的方法，其特征在于，所述采用预设的静态多目标优化算法对初始种群寻优，获取当前时刻的帕累托前沿，包括：

9.一种动态多目标优化装置，包括：

10.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至8任一项所述的方法。

12.一种计算机程序产品，其特征在于，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述如权利要求1至8任一项所述的方法。

技术总结本申请提供一种动态多目标优化方法、装置、设备及存储介质，涉及人工智能领域。该方法包括：对动态多目标优化场景分析，获取所述优化场景的初始种群，采用预设的静态多目标优化算法对初始种群寻优，获取当前时刻的帕累托前沿；当环境变化，采用聚类算法对当前时刻的帕累托前沿划分子类，对各子类进行特殊点选取，组成特殊点子种群，通过预设的迁移成分分析映射矩阵对所述特殊点子种群进行映射，得到下一时刻的迁移子种群，根据所述初始种群和所述下一时刻的迁移子种群计算预测初始种群；将预测初始种群替代所述初始种群，采用静态多目标优化算法对预测初始种群寻优。本申请能够有效降低算法计算复杂度，加快种群收敛速度。技术研发人员：郝健,张骞,刘江珊受保护的技术使用者：中国工商银行股份有限公司技术研发日：技术公布日：2024/7/29