买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：河北工业大学

摘要：一种基于生成对抗网络的增强多样性的多目标演化方法，通过在生成对抗网络中引入更适合用于多目标演化算法的多样性损失函数，提高生成对抗网络为多目标演化算法所生成种群的多样性并充分探索决策空间。在多样性档案中引入K‑means聚类算法，保证种群在决策空间中均匀分布。在收敛性档案中使用基于计算效率树的快速非支配排序方法，加快其筛选高质量种群速度。在收敛性档案中引入基于生成对抗网络的多样性填充模块，使用此模块在高质量候选解中间进行填充候选解操作，使算法最终种群更加均匀的分布在帕累托前沿。本发明建立基于生成对抗网络的双存档演化算法，更好的对多样性种群进行筛选，使种群迭代过程在保证多样性的同时兼顾收敛性。

主权项：1.一种基于生成对抗网络的增强多样性的多目标演化方法，其特征在于，步骤如下：S1.构建基于生成对抗网络的候选解生成模块S1.1初始化生成对抗网络初始化生成器和鉴别器，设定网络参数和学习率；S1.2定义新的损失函数新的损失函数中的多样性损失函数通过计算每次迭代中生成样本中每个个体与均值向量的欧式距离的平均值来计算；生成样本的均值向量计算公式为： 其中，Gzi为生成器生成的样本，n为生成样本的数量，zi为随机噪声向量；生成样本中每个个体与均值向量之间的欧氏距离的平均值计算公式为： 为了保证生成对抗网络的基础功能，多样性损失函数还应加入常规损失函数其中，Dx代表鉴别器真实样本x为真的概率，Gz是生成器根据噪声z生成的样本，DGz是鉴别器判断生成器生成的样本为真实的概率；算法多样性损失函数为： 其中，λdiv表示多样性损失函数的权重；S1.3生成候选解输入一批非支配解作为训练样本，生成器根据所设置参数和训练样本生成一批候选解；S1.4鉴别器进行鉴别鉴别器对上一步所生成的候选解进行鉴别，并将鉴别结果和多样性损失函数的梯度反向传播给生成器和鉴别器；S1.4优化并训练生成器和鉴别器根据反向传播来的鉴别结果和多样性损失函数梯度来进行参数的更新，使生成的候选解更具多样性；S1.5输出多样化候选解使用优化过的生成器生成多样化的候选解集合，并将其传递给多样性档案更新模块进行进一步处理；S2.构建多样性档案更新模块S2.1聚类筛选使用K-means聚类方法将生成对抗网络生成的多样化的候选解集合分成k个簇，取每个簇中距离簇中心点最近的解作为中心解，将这些中心解组成新的种群；S2.2更新多样性档案将新的种群加入到多样性档案中；S2.3输出多样性档案种群将多样性档案中的种群传递给收敛性档案更新模块进行进一步处理；S3.构建收敛性档案更新模块S3.1快速非支配排序初始化一个T-ENS树，将多样性档案中的每个个体逐个插入T-ENS树中，利用T-ENS树的结构来保存种群中的支配关系，以此来实现种群的快速非支配排序；S3.2更新收敛性档案在T-ENS树中查找未被任何解支配的个体，将其加入到收敛性档案中；S3.3多样性填充提取收敛性档案中的每个解在被生成对抗网络生成时所使用的噪声变量，在每两个使用不同噪声变量的解之间进行填充操作，此操作通过取两个解的噪声变量的均值来实现；他们之间的用于填充解的噪声计算公式为： 其中，zi和zj分别是生成解xi和xj的噪声变量；在两个解之间的填充流程中，噪声变量zij将被输入进生成器中，而生成器将生成分布在两个解之间的候选种群，从而达到在xi和xj之间填充解的目的；生成对抗网络根据用于填充解的噪声zij在收敛性档案中现有高质量解之间生成填充解；S3.4填充解筛选填充解筛选基于总距离的大小，总距离代表填充解与它的两个父代解距离之和的大小，筛选流程将保留总距离最小的填充解并将其保存到收敛性档案中，总距离计算公式如下：Disc＝∥φc-φxi∥2+∥φc-φxj∥2其中，c代表所生成的填充解，xi和xj代表两个父代解，φc是填充解c在特征空间的表示，φxi和φxj是两个父代解在特征空间的表示；∥·∥2表示L2范数的欧氏距离；对两个解之间所生成的填充解进行筛选的过程，将比对在两个父代解之间每个填充解的总距离大小；将筛选出所有填充解中总距离最小的的个体并将其加入收敛性档案中；S3.5.判断迭代次数是否达到设定值，当达到设定值算法将使用收敛性档案种群作为输出结果，未达到设定值时，算法将从S1.5开始进行下次迭代。

全文数据：

权利要求：

百度查询： 河北工业大学 一种基于生成对抗网络的增强多样性的多目标演化方法