优化问题的求解方法、系统、装置及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113657589A(43)申请公布日2021.11.16(21)申请号202110775130.2(22)申请日2021.07.08(71)申请人南方科技大学地址518055广东省深圳市南山区桃源街道学苑大道1088号(72)发明人吕超史玉回孙立君(74)专利代理机构广州嘉权专利商标事务所有限公司44205代理人黄广龙(51)Int.Cl.G06N3/08(2006.01)G06N3/04(2006.01)G06F30/27(2020.01)G06F30/337(2020.01)权利要求书2页说明书10页附图4页(54)发明名称优化问题的求解方法、系统、装置及存储介质(57)摘要本发明公开了一种优化问题的求解方法、系统、装置及存储介质。该方法包括：获取原问题和原问题的解空间采样数据；根据人工神经网络训练解空间采样数据，确定模型训练参数；根据原问题构造出对应的新问题；根据模型训练参数确定新问题对应的新目标函数；根据粒子群算法优化新目标函数，确定种群初始参数；基于种群初始参数，根据粒子群算法优化原问题对应的原目标函数，得到原问题的最优解。通过人工建模简化优化问题，大大的提高了现有演化算法寻找全局最优解的效率。CN113657589ACN113657589A权利要求书1/2页1.优化问题的求解方法，其特征在于，包括：获取原问题和所述原问题的解空间采样数据；根据人工神经网络训练所述解空间采样数据，确定模型训练参数；根据所述原问题构造出对应的新问题；根据所述模型训练参数确定所述新问题对应的新目标函数；根据粒子群算法优化所述新目标函数，确定种群初始参数；基于所述种群初始参数，根据粒子群算法优化所述原问题对应的原目标函数，得到所述原问题的最优解。2.根据权利要求1所述的优化问题的求解方法，其特征在于，所述根据人工神经网络训练所述解空间采样数据，确定模型训练参数，包括：获取初始人工神经网络；将所述解空间采样数据输入至所述人工神经网络进行训练；根据所述训练确定所述模型训练参数。3.根据权利要求1所述的优化问题的求解方法，其特征在于，所述根据所述模型训练参数确定新问题对应的新目标函数，包括：构造所述新问题；根据所述模型训练参数确定所述新问题对应的新目标函数。4.根据权利要求1所述的优化问题的求解方法，其特征在于，所述根据粒子群算法优化所述新目标函数，确定种群初始参数，包括：获取初始种群；所述种群至少包括初始粒子和多个粒子；根据对所述种群进行计算确定初始粒子历史最优位置；基于所述种群的所述初始粒子历史最优位置，对所述多个粒子进行计算，确定种群初始参数。5.根据权利要求4所述的优化问题的求解方法，其特征在于，所述根据对所述种群进行计算确定初始粒子历史最优位置，包括：获取所述初始粒子的向量参数；所述向量参数至少包括：位置向量和速度向量；将初始粒子位置向量输入至所述新目标函数进行计算，得到初始粒子适应度值；根据所述初始粒子适应度值确定全局引导粒子；基于所述全局引导粒子，得到所述初始粒子历史最优位置。6.根据权利要求4所述的优化问题的求解方法，其特征在于，所述基于所述种群的所述初始粒子历史最优位置，对所述多个粒子进行计算，确定种群初始参数，包括：基于所述初始粒子历史最优位置和所述初始粒子的向量参数的结合，计算出多个粒子位置向量和多个粒子速度向量；将所述多个粒子位置向量输入至所述新目标函数进行计算，得到多个粒子适应度值；根据所述多个粒子适应度值确定多个粒子历史最优位置；基于所述多个粒子历史最优位置和所述初始粒子历史最优位置，确定所述种群初始参数。7.根据权利要求1至6任一项所述的优化问题的求解方法，其特征在于，所述基于所述种群初始参数，根据粒子群算法优化所述原问题对应的原目标函数，得到所述原问题的最2CN113657589A权利要求书2/2页优解，包括：根据所述原问题的所述解空间采样数据确定出与所述原问题对应的原目标函数；基于所述种群初始参数，根据粒子群算法优化所述原目标函数，得到所述原问题的最优解。8.优化问题的求解系统，其特征在于，包括：获取模块，用于获取原问题和所述原问题的解空间采样数据；训练模块，用于根据人工神经网络训练所述解空间采样数据，确定模型训练参数；构造模块，用于根据所述原问题构造出对应的新问题；确定模块，用于根据所述模型训练参数确定所述新问题对应的新目标函数；通过对所述原问题的修改构造出所述新问题；优化模块，用于根据粒子群算法优化所述新目标函数，确定种群初始参数；求解模块，用于基于所述种群初始参数，根据粒子群算法优化所述原问题对应的原目标函数，得到所述原问题的最优解。9.优化问题的求解装置，其特征在于，包括：处理器；存储器，用于存储可执行程序；当所述可执行程序被