[发明专利]约束均匀试验方案设计方法、装置、设备及介质

说明书

本发明提供了一种基于多目标演化算法的约束均匀试验设计方法，其特点是将抽象的约束试验设计问题建模为一个约束优化问题，然后同时利用基于演化算法多目标优化方法，同时优化设计方案的约束性和均匀性，实现在约束条件下的均匀试验设计任务，本发明与现有技术相比，解决了传统均匀试验设计方法方案生成不灵活，均匀程度低的问题。

技术领域

本发明属于约束均匀试验设计技术领域，尤其是涉及一种基于多目标演化算法的约束均匀试验设计方法。

背景技术

仿真试验是指在某些软硬件条件下，按照制定好的试验方案多次运行仿真系统，以达到特定的试验目标。但运行仿真系统的代价往往很高昂，因此合理地设计仿真试验方案，在尽可能少的试验次数中设计出合理的多因素实验方案就尤为重要。在试验方案设计科学的情况下，不仅能减少试验次数，缩短试验时间，节约试验成本，得到更好的试验结果。若试验方案设计的不科学，则会增加实验次数，造成人力、物力的浪费，甚至导致试验的失败。

在复杂的工业设计领域，试验变量之间可能存在复杂的相互关系，因此有许多约束条件需要考虑，例如线性约束、非线性约束；等式约束、不等式约束等。目前存在的针对约束试验域的均匀试验设计方法大致包括传统均匀设计方法，基于数论的均匀设计方法和基于启发式搜索的均匀设计方法。其中传统均匀设计方法不适用于可行域比例很小的试验设计问题，基于数论的均匀设计方法解决带有复杂约束的均匀问题时存在不适用的缺陷，而基于启发式搜索的均匀设计方法由于优化过程中开销巨大，因此并不适用于高维度的复杂试验设计问题。

发明内容

有鉴于此，本发明旨在提出一种基于多目标演化算法的约束均匀试验设计方法，以解决基于启发式搜索的均匀设计方法开销大的问题。

为达到上述目的，本发明的技术方案是这样实现的：

本发明核心思想：将抽象的约束试验设计问题建模为一个约束优化问题，同时使用基于聚类的差分演化的新解生成策略和基于分布估计的新解生成策略，提高了多子种群下的搜索效率，同时利用基于演化算法多目标优化方法，同时优化设计方案的约束性和均匀性，实现在约束条件下的均匀试验设计任务。具体是将均匀试验设计问题的求解目标建模为均匀性目标和约束性目标。约束性目标描述了生成的试验方案对于约束条件的违反程度；均匀性目标描述试验方案在解空间内的分布均匀程度。然后利用多目标演化算法同时优化两个目标。利用新解产生算子在解空间内产生一组试验方案，利用两个目标分别去评估实验方案的约束性目标和均匀性目标。可用非支配选择的方法，将目标值优的试验方案选出进入下一轮演化。通过不断迭代，逐步提高一组试验方案在约束条件下的分布均匀性。

第一方面，本发明提供了一种基于多目标演化算法的约束均匀试验方案设计方法，包括如下步骤：

S1，根据输入的试验方案的数量参数，随机生成初始化的实验方案，形成初始种群；

S2，判断是否满足终止条件，如果满足终止条件，则跳转到步骤S7；如果不满足迭代条件，则跳转到步骤S3；

S3，从当前种群中选择出对应适应度最高的S个种群个体作为父代种群，并构建概率模型；

S4，从父代种群中随机选择多个父代个体解，以(1-δ)概率利用差分算子产生子代；以一定概率δ利用分布估计算子产生子代；合并子代；

S5，根据设定的目标函数，对得到的子代种群中每个个体的违反约束的程度进行评估f₁，并根据种群个体间的最小欧几里得距离f₂对其均匀性进行评估，评估整体的约束性和整体的均匀性；

S6，根据整体的约束性评估和均匀性评估，用非支配选择的方法，将目标值优的试验方案作为更新后的种群，跳转到步骤S2；

S7，将最终得到的试验方案输出，进行后序的仿真试验。