[发明专利]一种基于生成对抗网络的优化模型方法及应用

摘要

本发明公布了一种基于生成对抗网络的优化模型方法及应用，称为GAN‑O，包括步骤：将应用(如物流分配优化)表示为函数优化问题；根据函数优化问题的测试函数和测试维度，基于生成对抗网络建立函数优化模型，包括基于生成对抗网络构建生成器和判别器；训练函数优化模型；利用训练好的函数优化模型进行迭代计算，得到最优解；由此实现基于生成对抗网络的优化求解。本发明能够在更短的时间内获得更优的局部最优解，使得深度神经网络的训练稳定，具有更优秀的局部搜索能力。本发明可用于现实中可转化为函数优化问题的很多应用场景的问题比如物流分配问题等，应用领域广阔，能够解决大量的实际问题，极具推广应用价值。

主权项

1.一种基于生成对抗网络的优化模型方法，称为GAN‑O，其特征是，包括如下步骤：A1)将应用表示为函数优化问题；A2)根据函数优化问题的测试函数和测试维度，基于生成对抗网络建立函数优化模型，包括基于生成对抗网络构建生成器G和判别器D；判别器D的输入为两个向量，向量大小与测试维度相同；输出为标量，表示后一个向量是否会优于前一个向量，取值为1或0；生成器的输入为一个向量，向量大小为测试维度加噪声维度；输出为一个表示引导方向的向量，向量大小与测试维度相同；训练函数优化模型，包括训练判别器和训练生成器，得到训练好的函数优化模型；A3)利用训练好的函数优化模型进行迭代计算；A31)开始迭代前，先随机初始化当前解；A32)每一次迭代执行如下操作：A321)首先从生成器采样移动向量并计算生成解，经过适应度值函数评估之后，计算判别器的损失函数，并更新判别器的网络参数；A322)之后固定判别器的网络参数，并将判别器与生成器相连，计算生成器的损失函数，并以此更新生成器的网络参数；A323)接着利用生成器生成新的解，并与当前解合并得到所有候选解；A324)计算所有候选解的适应度值，按照适应度值的大小分配留存概率；A325)根据留存概率从所有候选解中选取与上一代当前解数量相同的解作为下一代的当前解；A326)当迭代达到最大次数时停止迭代，此时保留的解即为最优解；通过上述步骤，针对应用问题实现基于生成对抗网络的优化求解。