系统优化方法与流程

背景技术：

1、组合优化问题是各种应用的一组问题，包括资源调度、容量规划、药物发现和构建5g技术的低密度奇偶校验码。

2、通过将问题表示为ising模型来解决许多组合优化问题。ising模型被公式化为二次函数的最小化：

3、

4、其中，si是变量，通常称为自旋，取二进制值±1，并且gij是矩阵g的元素，通常称为自旋之间的相互作用。ising模型的解是将二进制值分配给最小化以上表达式的变量si。该模型可以用于通过将真实世界问题的变量交互作用和目标映射到ising模型定义来找到对真实世界优化问题的近似解，从而最小化ising模型的能量等同于优化真实系统的目标。ising问题可以备选地被公式化为二次无约束二进制优化问题(qubo)，或者当gij定义节点si之间的图的边时，求解ising问题等效于找到图gij的最大割(maximum cut)。

5、应用于组合优化的许多现有求解器使用被称为模拟退火的技术来确定最优状态。模拟退火通过在随机相邻状态之间基于这些状态下的能量以某种随机性移动而工作，直到达到估计的最优状态。

6、一些现有的ising求解器使用标准梯度下降更新方案来使用能量函数的梯度将ising模型的状态更新为最小能量，其中使用超参数优化包来确定算法的超参数。

技术实现思路

1、用于组合优化问题的现有求解器通常使用外部超参数优化方法来确定用于生成最优状态的优化算法的最优参数集。本文描述了给定优化算法采用参数集合、通过处理多个不同的参数值集、生成更新的状态集合作为候选解并从该候选集合中选择总体最优解，来确定这种优化问题的近似最优解的技术。本文公开的方法通过实现具有多个不同参数值集的优化算法来提供高效且灵活的优化方法。优化算法的多个参数化的结果的评估是有用的，以便找到接近最优的状态。在优化算法中使用的参数值集的数目取决于处理预算。对于给定的处理预算，本发明通过评估在针对不同参数值集的优化算法的应用中生成的候选状态来输出正在建模的系统的估计最优状态，其中优化算法的应用被定义为保持在处理预算内。这平衡了实现用于找到候选最优状态的不同参数值集的优点，其中效率需要保持在处理时间、能量消耗或计算资源的其他限制的预算内。

2、参数值集的数目取决于在其上实现优化算法的计算机的处理预算。如下所述，该计算机可以是包括处理器和存储器的常规电子-数字计算机，或者是包括光源和光学硬件组件(诸如光电检测器、透镜和衍射元件)的光学计算机。处理预算可以基于以下任何一项：处理时间、计算机的能量消耗、计算机的存储器使用、由计算机执行的单独操作的数目或计算机在处理期间使用的任何其他资源。

3、注意，在下面的描述中，参考估计和近似的最优解。这是因为本文描述的方法旨在找到给定问题的最优解，但不能保证找到全局最优。因此，这些解可能是全局次优的，但是提供在计算资源和时间的约束内可用的最优解。本文中对由本文描述的方法产生的最优解的任何引用应被解释为近似或估计的最优解。

4、更一般地，根据本文公开的一个方面，提供了一种计算机实现的方法，包括：以相对于彼此的指定有序序列接收多个候选参数值集，所述多个候选参数值集中的每个候选参数值集包括用于优化算法的至少一个参数的相应候选参数值，其中所接收的候选参数值集的数目基于处理预算；针对有序序列中的每个候选参数值集：将所述优化算法应用于表示系统的模型的多个初始状态中的每个初始状态，其中优化算法的至少一个参数被设置为相应候选参数值，由此生成模型的对应的多个候选更新状态，以及根据最优性度量评估候选更新状态中的每个候选更新状态，由此生成针对候选更新状态的对应最优性分数，使得候选更新状态中的不同候选更新状态具有不同最优性分数；选择具有最高对应最优性分数的候选更新状态作为模型的估计最优状态；以及将模型的所选择的估计最优状态输出到以下之一：用户界面、计算机存储设备或目的地应用。

5、参数值集可以从用于生成参数值集的应用接收，从网络接口接收，从执行优化的计算机系统外部的设备接收，或者从存储设备中检索，例如从计算机存储器中保存的数据库或其他数据结构接收，或者从用户接收。候选参数值集被按顺序接收。所接收的候选参数值集被选择为参数值集的排序列表中的前k个参数值集的子集，其中k是预定义的数字或基于处理预算而动态选择的数字。备选地，所接收的参数值集可以被随机生成。

6、系统可以由定义系统的变量对之间的相互作用的图来表示，其中系统的状态是将二进制值分配给系统的变量。模型可以是ising模型。

7、优化算法可以是梯度下降算法。梯度下降算法可以使用标准动量或nesterov动量中的一个。梯度下降算法可以备选地或附加地使用自适应矩估计。

8、由模型表示的系统可以是计算系统、电子系统或机械系统中的一个，其中所述方法还包括在系统中实现估计的最优状态。在一些实施例中，在一些实施例中，对于药物设计的应用，由模型表示的系统可以是定义底层结构的化合物家族或分子支架，其中有限数目的分子组合可以被分配给底层结构内的特定位置。该系统可以是用于实现进程集合的多个计算资源的集合，其中状态是进程向多个计算资源中的相应计算资源的分配。

9、本文公开的方法在计算机中实现。计算机可以是包括存储器和通过执行指令来执行本文描述的方法的一个或多个计算机处理器的常规数字计算机。在这种情况下，本文描述的优化算法可以作为软件提供，该软件由计算机解释以生成在常规计算机硬件中执行的机器代码指令集合。备选地，计算机可以是包括用于实现本文描述的算法的步骤的光学硬件的光学计算机。光学计算机不一定通过像常规计算机那样执行指令来操作，而是使用诸如激光器、光电检测器、调制器等光学组件来实现算术和逻辑操作。在光学计算机中，变量由例如由激光器或其他光源生成的光信号建模，其中通过使用一个或多个光学硬件组件(诸如光电检测器、透镜和衍射光栅)使光信号相互作用来实现优化算法，以生成表示被建模的系统的近似最优状态的光学信号集合。

10、提供本技术实现要素：是为了以简化的形式介绍将在下面的具体实施方式中进一步描述的概念的选择。本发明内容不旨在标识所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。所要求保护的主题也不限于解决本文指出的任何或所有缺点的实现。

技术特征：

1.一种计算机实现的方法，包括：

2.根据权利要求1所述的方法，其中所接收的所述候选参数值集被选择为参数值集的排序列表中的前k个参数值集的子集，其中k是基于所述处理预算而选择的数字。

3.根据权利要求2所述的方法，其中所述参数值集的排序列表根据所述优化算法的性能度量被排序，其中针对所述排序列表中的所述参数值集中的每个相应参数值集，所述性能度量衡量在所述优化算法的所述参数被设置为所述相应参数值集的情况下所述优化算法的预期性能。

4.根据前述权利要求中任一项所述的方法，其中所述优化算法是迭代优化算法，所述迭代优化算法包括更新规则，用以在被应用于针对当前迭代的状态时生成针对下一次迭代的状态，其中针对所述有序序列中的每个候选参数值集，所述优化算法的所述应用包括：通过将所述更新规则在预定义的全深度上应用于所述初始状态来迭代地执行更新，由此获得所述候选更新状态，其中所述全深度是所述更新规则被应用的迭代的次数。

5.根据权利要求4从属于权利要求3时所述的方法，其中确定所述参数值集的排序列表的步骤包括：

6.根据权利要求5所述的方法，其中所述模型包括矩阵，并且其中针对每个参数的所述范围是通过对所述矩阵的选定特征值执行线性稳定性分析确定的。

7.根据权利要求6所述的方法，其中所述特征值通过以下方式被选择：计算预定数目的最大特征值并计算针对对应特征向量的所述最优性分数，并且从计算出的所述最优性分数选择与产生最高的最优性分数的特征向量对应的所述特征值。

8.根据前述权利要求中任一项所述的方法，其中所述处理预算包括对以下一项或多项的约束：处理时间、所消耗的存储器、所执行的处理周期的数目、或处理能量消耗；所接收的所述候选参数值集的所述数目是能够在所述处理预算的所述约束内被处理的数目。

9.根据前述权利要求中任一项所述的方法，其中所述系统能够由定义所述系统的变量对之间的相互作用的图来表示，并且所述系统的每个状态是将值分配给所述系统的所述变量。

10.根据前述权利要求中任一项所述的方法，其中所述最优性分数是通过评估所述模型的能量函数来计算的，所述能量函数表示由所述模型表示的物理系统的总能量。

11.根据前述权利要求中任一项所述的方法，其中所述优化算法是具有动量的梯度下降算法。

12.根据前述权利要求中任一项所述的方法，其中由所述模型表示的所述系统是以下之一：计算系统、电子系统、电气或电磁系统、机械系统、化学系统或对生物的治疗的应用，并且其中所述方法还包括在所述系统中实现所述估计的最优状态。

13.一种计算机实现的方法，用于优化能够由矩阵g表示的系统的状态，所述方法包括：

14.一种计算机系统，包括：

15.一种计算机程序，用于对计算机系统进行编程以执行根据权利要求1至13中任一项所述的步骤。

技术总结一种计算机实现的方法，包括：以指定有序序列接收多个候选参数值集，每个候选参数值集包括用于优化算法的至少一个参数的相应候选参数值，其中候选参数值集的数目基于处理预算；针对序列中的每个候选参数值集：将优化算法应用于表示系统的模型的多个初始状态，其中至少一个参数被设置为相应候选参数值，由此生成对应的候选更新状态，以及根据最优性度量评估每个候选更新状态，由此生成对应最优性分数；选择具有最高的最优性分数的候选更新状态作为模型的估计最优状态；以及将模型的所选择的估计最优状态输出到用户界面、计算机接口或其他应用。技术研发人员：C·贡特西迪斯,F·帕玛强尼,K·卡里宁,A·I·T·罗思强,H·巴拉尼,V·柳察列夫受保护的技术使用者：微软技术许可有限责任公司技术研发日：技术公布日：2024/11/18