CN110689160A - 一种针对大规模复杂系统的参数配置优化方法及装置 - Google Patents
一种针对大规模复杂系统的参数配置优化方法及装置 Download PDFInfo
- Publication number
- CN110689160A CN110689160A CN201910610017.1A CN201910610017A CN110689160A CN 110689160 A CN110689160 A CN 110689160A CN 201910610017 A CN201910610017 A CN 201910610017A CN 110689160 A CN110689160 A CN 110689160A
- Authority
- CN
- China
- Prior art keywords
- fidelity
- low
- gaussian process
- process regression
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000005457 optimization Methods 0.000 title claims description 18
- 230000008569 process Effects 0.000 claims abstract description 77
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 30
- 238000002474 experimental method Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000004044 response Effects 0.000 claims description 15
- 238000013500 data storage Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
- G06F17/175—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method of multidimensional data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44505—Configuring for program initiating, e.g. using registry, configuration files
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Algebra (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
一种针对大规模复杂系统的参数配置优化方法及装置，包括如下步骤：步骤S1、根据低保真度实验观测数据训练低保真度高斯过程回归模型；步骤S2、根据低保真度高斯过程回归模型输出的预测曲线，获取高保真度实验评估点；步骤S3、根据高保真度实验数据训练高保真度高斯过程回归模型；步骤S4、融合低保真度高斯过程回归模型的预测输出和高保真度高斯过程回归模型的预测输出，确定下次高保真度实验评估点步骤S5、若高保真度实验次数少于预设值，则返回步骤S3进行迭代；反之，则从高保真度实验评估点选出最优点输出。该方法采用贝叶斯模型融合机制充分利用低保真度实验数据，以更少的实验代价获得最优系统配置参数值。
Description
技术领域
本发明属于数据优化技术领域，具体涉及一种针对大规模复杂系统的参数配置优化方法及装置。
背景技术
在工业生产、学术研究、气象预测等诸多领域，存在大规模复杂系统，系统的运行状态取决于系统参数的配置情况。大规模复杂系统参数配置优化过程具有待优化参数多、评估实验代价高、优化目标函数无解析形式、优化过程无梯度信息可用的特点，这为寻找最优的系统配置参数取值带来极大挑战。常用的无梯度优化方法包括手工参数调节、基于进化计算的启发式寻优搜索方法，利用这些方法，如需得到足够好的参数配置值，需要进行多次的高保真度实验，由于每次实验代价昂贵，实际允许的高保真度实验次数有限，使得这些方法输出的参数配置值远离最优。
发明内容
本发明所要解决的技术问题是克服现有技术的不足，提供一种针对大规模复杂系统的参数配置优化方法及装置，通过采用贝叶斯模型融合机制充分利用低保真度实验数据，以更少的实验代价获得最优系统配置参数值。
本发明提供一种针对大规模复杂系统的参数配置优化方法，包括如下步骤：
步骤S1、根据低保真度实验观测数据训练低保真度高斯过程回归模型；
步骤S2、根据低保真度高斯过程回归模型输出的预测曲线，获取高保真度实验评估点；
步骤S3、根据高保真度实验数据训练高保真度高斯过程回归模型；
步骤S4、融合低保真度高斯过程回归模型的预测输出和高保真度高斯过程回归模型的预测输出，确定下次高保真度实验评估点；
步骤S5、若高保真度实验次数少于预设值，则返回步骤S3进行迭代；反之，则从高保真度实验评估点选出最优点输出。
作为本发明的进一步技术方案，低保真度高斯过程回归模型保存、封装低保真度实验数据信息。
进一步的，步骤S2中，低保真度高斯过程回归模型对任意实验评估点处实验响应进行预测，并根据预测值选择高保真度实验评估点。
更进一步的，高保真度实验评估点的选择采用最优搜索模型，最优搜索模型的目标函数根据低保真度高斯过程回归模型的预测值确定。
进一步的，步骤S4中，通过基于贝叶斯的动态加权机制对低保真度高斯过程回归模型的预测输出和高保真度高斯过程回归模型的预测输出进行加权融合。
更进一步的，融合的加权系数由模型预测值与实际响应值决定。
本发明还提供一种对大规模复杂系统的参数配置优化装置，其特征在于，包括低保真度实验数据存储装置、低保真度高斯过程回归预测装置、高保真度数据采集装置、高保真度高斯过程回归预测装置和预测融合装置和最优决策装置；
低保真度实验数据存储装置，用于存储低保真度实验观测数据的终端设备；
低保真度高斯过程回归预测装置，用于分析处理低保真度实验观测数据、确定低保真度高斯过程回归模型参数值；
高保真度数据采集装置。用于采集、存储高保真度实验评估数据；
高保真度高斯过程回归预测装置，用于分析处理高保真度实验观测数据、确定高保真度高斯过程回归模型参数值；
预测融合装置，用于对低保真度高斯过程回归预测和高保真度高斯过程回归预测进行加权融合，对任意实验评估点给出融合预测响应值。
最优决策装置，用于根据预测融合装置给出的融合预测响应值，选择最优的下次迭代实验评估点。
进一步的，低保真度高斯过程回归预测装置输出最初的高保真度实验评估点。
进一步的，预测融合装置和最优决策装置采用基于贝叶斯的动态加权机制对低保真度高斯过程回归模型的预测输出和高保真度高斯过程回归模型的预测输出进行加权融合。
进一步的，融合的加权系数由模型预测值与实际响应值决定。
本发明的方法采用贝叶斯模型融合机制充分利用低保真度实验数据，以更少的实验代价获得最优系统配置参数值。
附图说明
图1为本发明的方法流程示意图；
图2为本发明的装置结构框图。
具体实施方式
请参阅图1，本实施例提供一种针对大规模复杂系统的参数配置优化方法，包括如下步骤：
步骤S1、根据低保真度实验观测数据训练低保真度高斯过程回归模型；
步骤S2、根据低保真度高斯过程回归模型输出的预测曲线，获取高保真度实验评估点；
步骤S3、根据高保真度实验数据训练高保真度高斯过程回归模型；
步骤S4、融合低保真度高斯过程回归模型的预测输出和高保真度高斯过程回归模型的预测输出，确定下次高保真度实验评估点；
步骤S5、若高保真度实验次数少于预设值，则返回步骤S3进行迭代；反之，则从高保真度实验评估点选出最优点输出。
低保真度高斯过程回归模型保存、封装低保真度实验数据信息。
步骤S2中，低保真度高斯过程回归模型对任意实验评估点处实验响应进行预测，并根据预测值选择高保真度实验评估点。
高保真度实验评估点的选择采用最优搜索模型，最优搜索模型的目标函数根据低保真度高斯过程回归模型的预测值确定。
步骤S4中，通过基于贝叶斯的动态加权机制对低保真度高斯过程回归模型的预测输出和高保真度高斯过程回归模型的预测输出进行加权融合。
融合的加权系数由模型预测值与实际响应值决定。
如图2所示，一种对大规模复杂系统的参数配置优化装置，其特征在于，包括低保真度实验数据存储装置、低保真度高斯过程回归预测装置、高保真度数据采集装置、高保真度高斯过程回归预测装置和预测融合装置和最优决策装置；
低保真度实验数据存储装置，用于存储低保真度实验观测数据的终端设备；
低保真度高斯过程回归预测装置，用于分析处理低保真度实验观测数据、确定低保真度高斯过程回归模型参数值；
高保真度数据采集装置。用于采集、存储高保真度实验评估数据；
高保真度高斯过程回归预测装置，用于分析处理高保真度实验观测数据、确定高保真度高斯过程回归模型参数值；
预测融合装置，用于对低保真度高斯过程回归预测和高保真度高斯过程回归预测进行加权融合，对任意实验评估点给出融合预测响应值。
最优决策装置，用于根据预测融合装置给出的融合预测响应值，选择最优的下次迭代实验评估点。
低保真度高斯过程回归预测装置输出最初的高保真度实验评估点。
预测融合装置和最优决策装置采用基于贝叶斯的动态加权机制对低保真度高斯过程回归模型的预测输出和高保真度高斯过程回归模型的预测输出进行加权融合。
融合的加权系数由模型预测值与实际响应值决定。
大规模复杂系统参数配置优化过程具有待优化参数多、评估实验代价高、优化目标函数无解析形式、优化过程无梯度信息可用的特点，该方法及装置采用贝叶斯模型融合机制充分利用低保真度实验数据，以更少的实验代价获得最优系统配置参数值。
以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。
Claims (10)
1.一种针对大规模复杂系统的参数配置优化方法，其特征在于，包括如下步骤，步骤S1、根据低保真度实验观测数据训练低保真度高斯过程回归模型；
步骤S2、根据低保真度高斯过程回归模型输出的预测曲线，获取高保真度实验评估点；
步骤S3、根据高保真度实验数据训练高保真度高斯过程回归模型；
步骤S4、融合低保真度高斯过程回归模型的预测输出和高保真度高斯过程回归模型的预测输出，确定下次高保真度实验评估点；
步骤S5、若高保真度实验次数少于预设值，则返回步骤S3进行迭代；反之，则从高保真度实验评估点选出最优点输出。
2.根据权利要求1所述的一种针对大规模复杂系统的参数配置优化方法，其特征在于，所述低保真度高斯过程回归模型保存、封装低保真度实验数据信息。
3.根据权利要求1所述的一种针对大规模复杂系统的参数配置优化方法，其特征在于，所述步骤S2中，所述低保真度高斯过程回归模型对任意实验评估点处实验响应进行预测，并根据预测值选择高保真度实验评估点。
4.根据权利要求3所述的一种针对大规模复杂系统的参数配置优化方法，其特征在于，所述高保真度实验评估点的选择采用最优搜索模型，所述最优搜索模型的目标函数根据低保真度高斯过程回归模型的预测值确定。
5.根据权利要求1所述的一种针对大规模复杂系统的参数配置优化方法，其特征在于，所述步骤S4中，通过基于贝叶斯的动态加权机制对低保真度高斯过程回归模型的预测输出和高保真度高斯过程回归模型的预测输出进行加权融合。
6.根据权利要求5所述的一种针对大规模复杂系统的参数配置优化方法，其特征在于，所述融合的加权系数由模型预测值与实际响应值决定。
7.一种针对大规模复杂系统的参数配置优化装置，其特征在于，包括低保真度实验数据存储装置、低保真度高斯过程回归预测装置、高保真度数据采集装置、高保真度高斯过程回归预测装置、预测融合装置和最优决策装置；
所述低保真度实验数据存储装置，用于存储低保真度实验观测数据的终端设备；
所述低保真度高斯过程回归预测装置，用于分析处理低保真度实验观测数据、确定低保真度高斯过程回归模型参数值；
所述高保真度数据采集装置，用于采集、存储高保真度实验评估数据；
所述高保真度高斯过程回归预测装置，用于分析处理高保真度实验观测数据、确定高保真度高斯过程回归模型参数值；
所述预测融合装置，用于对低保真度高斯过程回归预测和高保真度高斯过程回归预测进行加权融合，对任意实验评估点给出融合预测响应值；
所述最优决策装置，用于根据预测融合装置给出的融合预测响应值，选择最优的下次迭代实验评估点。
8.根据权利要求7所述的一种针对大规模复杂系统的参数配置优化装置，其特征在于，所述低保真度高斯过程回归预测装置输出最初的高保真度实验评估点。
9.根据权利要求7所述的一种针对大规模复杂系统的参数配置优化装置，其特征在于，所述预测融合装置和最优决策装置采用基于贝叶斯的动态加权机制对低保真度高斯过程回归模型的预测输出和高保真度高斯过程回归模型的预测输出进行加权融合。
10.根据权利要求7所述的一种针对大规模复杂系统的参数配置优化装置，其特征在于，所述融合的加权系数由模型预测值与实际响应值决定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910610017.1A CN110689160B (zh) | 2019-07-08 | 2019-07-08 | 一种针对大规模复杂系统的参数配置优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910610017.1A CN110689160B (zh) | 2019-07-08 | 2019-07-08 | 一种针对大规模复杂系统的参数配置优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110689160A true CN110689160A (zh) | 2020-01-14 |
| CN110689160B CN110689160B (zh) | 2022-08-23 |
Family
ID=69108166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910610017.1A Active CN110689160B (zh) | 2019-07-08 | 2019-07-08 | 一种针对大规模复杂系统的参数配置优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110689160B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113254472A (zh) * | 2021-06-17 | 2021-08-13 | 浙江大华技术股份有限公司 | 一种参数配置方法、装置、设备及可读存储介质 |
| WO2022009010A1 (en) * | 2020-07-08 | 2022-01-13 | International Business Machines Corporation | Model fidelity monitoring and regeneration for manufacturing process decision support |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
| CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
-
2019
- 2019-07-08 CN CN201910610017.1A patent/CN110689160B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971240A (zh) * | 2017-03-16 | 2017-07-21 | 河海大学 | 一种变量选择与高斯过程回归的短期负荷预测方法 |
| CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022009010A1 (en) * | 2020-07-08 | 2022-01-13 | International Business Machines Corporation | Model fidelity monitoring and regeneration for manufacturing process decision support |
| GB2612502A (en) * | 2020-07-08 | 2023-05-03 | Ibm | Model fidelity monitoring and regeneration for manufacturing process decision support |
| CN113254472A (zh) * | 2021-06-17 | 2021-08-13 | 浙江大华技术股份有限公司 | 一种参数配置方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110689160B (zh) | 2022-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110832509B (zh) | 使用神经网络的黑盒优化 | |
| JP6384065B2 (ja) | 情報処理装置、学習方法、及び、プログラム | |
| JP5005814B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
| JP6620422B2 (ja) | 設定方法、設定プログラム、及び設定装置 | |
| CN109376267B (zh) | 用于生成模型的方法和装置 | |
| CN107765347A (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
| JP7293504B2 (ja) | 強化学習を用いたデータ評価 | |
| EP2733672B1 (en) | Information processing apparatus, control method, program, and recording medium | |
| CN112085161B (zh) | 一种基于随机信息传递的图神经网络方法 | |
| JP2010539473A (ja) | バッテリーの長期特性予測システム及び方法 | |
| CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
| CN114386658B (zh) | 湖库水质监测预警方法、装置、存储介质及电子设备 | |
| CN111210877B (zh) | 一种推断物性参数的方法及装置 | |
| CN110689160B (zh) | 一种针对大规模复杂系统的参数配置优化方法及装置 | |
| WO2016151620A1 (ja) | シミュレートシステム、シミュレート方法およびシミュレート用プログラム | |
| WO2024174767A1 (zh) | 模型构建方法、装置、设备及存储介质 | |
| CN113783715B (zh) | 一种采用因果卷积神经网络的机会网络拓扑预测方法 | |
| CN108961460A (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN113825165A (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
| CN108877224A (zh) | 一种可进行置信区间估计的短时交通流预测方法 | |
| CN113259163B (zh) | 一种基于网络拓扑感知的Web服务质量预测方法及系统 | |
| CN112561569B (zh) | 基于双模型的到店预测方法、系统、电子设备及存储介质 | |
| CN104102705B (zh) | 一种基于大间隔分布学习的数字媒体对象分类方法 | |
| CN107358001A (zh) | 一种基于Kriging模型的约束全局优化方法 | |
| CN109598347B (zh) | 用于确定因果关系的方法、系统和计算机程序产品 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |