欢迎光临欧宝娱乐棋牌

一种数据驱动的材料逆向设计方法及系统与流程

日期:2022-08-11 10:55:30    浏览次数:8     来源:OB欧宝娱乐官方网站入口 作者:欧宝体育app平台   

  本发明涉及新材料设计技术领域,特别涉及一种数据驱动的材料逆向设计方法及系统。

  在材料科学研究中有一类材料逆向设计需求,这一类需求希望通过预期的因变量,如材料性能反推成分或实验条件等自变量,即根据现有的材料实验结果来推荐下一个实验点(下一个实验点为反推得到可能满足期望的因变量的成分或实验条件),然后采用实验的方式验证设计是否正确。具体的,逆向材料设计,就是从材料的性能需求出发,逆向设计出材料该具有的成分、结构以及相应的制备工艺等。逆向设计完成后,通过实验的方式验证设计是否准确。这种做法的好处是,可以缩短材料研发的周期,降低研发的成本。因为传统的材料研发手段是通过“试错法”,不断尝试成分组合、制备工艺组合来研发材料,直到满足材料的性能指标,费时费力。

  以往,下一个实验点要靠专家知识或者采用“试错法”,或者采用“正交设计”等方法生成。在有了机器学习辅助后,也有了一些替代方案,其中较传统的运用机器学习方法的是利用网格搜索方法穷举所有自变量的可能值。

  然而,网格搜索方法最大的缺陷是计算量巨大,需要耗费大量的计算资源和计算时间。同时,某些场合若搜索空间太大,也会出现不可能穷尽所有的可能,这些缺陷使得使用场景受限,无法广泛使用。

  另外,在材料数据机器学习中常见地一类问题是由期望的材料性能反推成分配比,期望的性能可能有多个,且多个性能直接可能存在矛盾,而且材料成分配方中除了主要成分外,通常还存在若干种元素掺杂,每种元素含量不定但总量固定。因此,属于带线性约束的多目标优化问题。对于带线性约束的多目标优化问题,常用的是罚函数方法,该方法在目标函数后添加惩罚项从而将有约束问题转化成无约束问题。但罚函数法有两个缺陷:首先,搜索得到的结果只是近似满足约束,这在某些场景下无法接受。其次,惩罚因子设置难以选取,设置过大会导致无约束优化问题的hessian矩阵病态化,影响无约束优化问题的求解,设置过小又会使约束效果变差。

  如何克服现有的机器学习法中的搜索空间无法穷尽所有的可能和多目标求解过程中惩罚因子的引入造成设计结果不精确的技术缺陷,提高材料反向设计的全面性和精确性成为一个亟待解决的技术问题。

  本发明的目的是提供一种数据驱动的材料逆向设计方法及系统,以克服现有的机器学习法中的搜索空间无法穷尽所有的可能和多目标求解过程中惩罚因子的引入造成设计结果不精确的技术缺陷,提高材料反向设计的全面性和精确性。

  根据所述材料数据,分别选取每种所述性能参数与所述设计参数对应关系的机器学习模型;

  基于所述材料数据采用交叉验证法分别对每个所述机器学习模型的参数进行搜索选择,获得每种所述性能参数与所述设计参数对应关系的修改后的机器学习模型,作为遗传算法的每种性能参数的适应度函数;

  基于每种所述性能参数的适应度函数,采用基于非支配排序和拥挤距离排序的遗传算法确定同时满足多个性能指标的材料的设计参数。

  可选的,所述基于每种所述性能参数的适应度函数,采用基于非支配排序和拥挤距离排序的遗传算法确定同时满足多个性能指标的材料的设计参数,具体包括:

  根据需要确定的材料的设计参数的类型选取编码方式;所述编码方式为组合优化编码方式、实数编码方式或二进制编码方式;

  对子代染色体和父代染色体按照所有性能参数的适应度函数值从优到劣的顺序进行非支配排序;对处于同一非支配等级的染色体,按照拥挤距离从大到小的顺序进行排序,删去拥挤距离最小的染色体,重复执行步骤“对处于同一非支配等级的染色体,按照拥挤距离从大到小的顺序进行排序,删去拥挤距离最小的染色体”,直到保留的染色体个数等于预设比例的染色体数;所述染色体为子代染色体或父代染色体;

  将保留的预设比例的染色体作为父代染色体,返回步骤“采用交叉算法和变异算法生成子代染色体”进行下一次迭代,直到迭代次数达到迭代次数阈值;

  采用所述编码方式对应的解码方式对保留的染色体中排序最靠前的染色体进行解码,获得材料的设计参数;所述解码方式为组合优化解码方式、实数解码方式或二进制解码方式。

  当所述设计参数为不带线性约束的设计参数时,选取实数编码方式或二进制编码方式。

  可选的,当所述编码方式为组合优化编码方式时,所述采用编码方式对遗传算法的染色体进行编码,得到初始的父代染色体,具体包括:

  确定染色体的长度为材料的成分的精度的倒数;所述染色体的长度为染色体包含的元素的个数;

  在[1,m]区间内随机生成染色体的每个元素的编码值;其中,m表示材料的成分的种类数,当染色体的元素的编码值为i时,表示所述元素对应第i种成分。

  可选的,当所述解码方式为组合优化解码方式时,所述采用解码方式对适应度函数值最优的染色体进行解码,获得材料的设计参数,具体包括:

  根据适应度函数值最优的染色体中每个元素的编码值,利用公式计算每种成分对应的适应度函数值最优的染色体中的元素的个数;其中,ni表示第i种成分对应的适应度函数值最优的染色体中的元素的个数,l表示染色体的长度,signi(j)表示第i种成分的符号函数,vj表示染色体中的第j个元素的编码值;

  根据每种成分对应的适应度函数值最优的染色体中的元素的个数,利用公式计算每个成分的含量;其中,xi表示第i种成分的含量,constant表示线性约束值,即:∑xi=constanct。

  可选的,所述对处于同一非支配等级的染色体,按照拥挤距离从大到小的顺序进行排序,具体包括:

  其中,crwding(xj)表示第j个非支配等级的染色体xj的拥挤距离,k表示染色体xj需要满足的性能参数的数量,fi(xj)表示染色体xj的第i个性能参数的适应度函数值,fi±(xj)为第j个非支配等级和优于第j个非支配等级的所有的非支配等级的所有染色体中第i个性能参数的适应度函数值优于且最接近染色体xj的第i个性能参数的适应度函数值的染色体的第i个性能参数的适应度函数值,fi(max)和fi(min)分别表示第j个非支配等级和优于第j个非支配等级的所有的非支配等级的所有染色体的第i个性能参数的适应度函数值的最大值和最小值;αi表示第i个性能参数的权重;

  根据计算处于同一非支配等级的每个染色体的拥挤距离,对处于同一非支配等级的染色体,按照拥挤距离从大到小的顺序进行排序。

  材料数据获取模块,用于获取已成型材料样本的材料数据;所述材料数据包括性能参数和设计参数;

  机器学习模型选取模块,用于分别选取每种所述性能参数与所述设计参数对应关系的机器学习模型;

  机器学习模型训练模块,用于基于所述材料数据采用交叉验证法分别对每个所述机器学习模型的参数进行搜索选择,获得每种所述性能参数与所述设计参数对应关系的修改后的机器学习模型,作为遗传算法的每种性能参数的适应度函数;

  多目标优化求解模块,用于基于每种所述性能参数的适应度函数,采用基于非支配排序和拥挤距离排序的遗传算法确定同时满足多个性能指标的材料的设计参数。

  数据变换子模块,用于对清理后的材料数据进行数据变换,得到变换后的材料数据。

  编码方式选取子模块,用于根据需要确定的材料的设计参数的类型选取编码方式;所述编码方式为组合优化编码方式、实数编码方式或二进制编码方式;

  编码子模块,用于采用所述编码方式对遗传算法的染色体进行编码,得到初始的父代染色体;

  交叉变异运算子模块,用于对所述父代染色体进行交叉和变异运算生成子代染色体;

  排序子模块,对子代染色体和父代染色体按照所有性能参数的适应度函数值从优到劣的顺序进行非支配排序;对处于同一非支配等级的染色体,按照拥挤距离从大到小的顺序进行排序,删去拥挤距离最小的染色体,重复执行步骤“对处于同一非支配等级的染色体,按照拥挤距离从大到小的顺序进行排序,删去拥挤距离最小的染色体”,直到保留的染色体个数等于预设比例的染色体数;所述染色体为子代染色体或父代染色体;

  返回迭代子模块,用于将保留的预设比例的染色体作为父代染色体,返回步骤“采用交叉算法和变异算法生成子代染色体”进行下一次迭代,直到迭代次数达到迭代次数阈值;

  解码子模块,用于采用所述编码方式对应的解码方式对保留的染色体中排序最靠前的染色体进行解码,获得材料的设计参数;所述解码方式为组合优化解码方式、实数解码方式或二进制解码方式。

  本发明公开了一种数据驱动的材料逆向设计方法及系统,一种数据驱动的材料逆向设计方法,所述方法包括如下步骤:首先,获取已成型材料样本的材料数据;根据所述材料数据,使用多个常用的机器学习模型,通过对比试验,分别选取每种所述性能参数与所述设计参数拟合效果最好的机器学习模型;基于所述材料数据采用交叉验证法分别对每个所述机器学习模型的参数进行搜索选择,使得调整过参数的机器学习模型对于每种所述性能参数与所述设计参数有更好的拟合效果,将调参后的机器学习模型作为遗传算法的每种性能参数的适应度函数;基于每种所述性能参数的适应度函数,采用基于非支配排序和拥挤距离排序的遗传算法确定同时满足多个性能指标的材料的设计参数。本发明采用遗传算法进行优化求解,本发明通过使用遗传算法中的非支配排序和拥挤距离排序的方式,实现多目标的优化求解,无需引入惩罚因子,克服传统网格搜索中搜索空间无法穷尽所有的可能和惩罚因子引入过程造成设计结果不精确的技术缺陷,提高材料反向设计的全面性和精确性。

  同时对于带线性约束的多目标优化问题,在遗传算法中基于采用组合优化编码和解码的方式,在遗传算法的交叉和变异操作中,避免出现不满足线性约束的染色体。

  为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。

  本发明的目的是提供一种数据驱动的材料逆向设计方法及系统,以克服机器学习法中的搜索空间无法穷尽所有的可能和有约束问题转化过程造成设计结果不精确的技术缺陷,提高材料反向设计的全面性和精确性。

  为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对发明作进一步详细的说明。

  本发明为了解决材料设计中出现的带线性约束的问题,以及更高效快速地为材料设计推荐下一个实验点,提供了一种面向自适应材料设计的带线性约束多目标优化方法的数据驱动的材料逆向设计方法及系统。本发明的多目标优化是指有大于等于2个方面的材料性能要求,需要同时达到最优,然而某些时候不同材料性能之间是相互制约的,需要平衡各个性能指标,直到满足对各个性能的要求,本发明的方法是一种基于遗传算法的带线性约束的多目标优化方法,它可以精确满足线性等式约束,还可以动态调整搜索精度,即染色体越长,则每一个自变量的变化步长越短,求出的结果也就越精确。并且,由于遗传算法具有天然并行性,可以通过一次运行,得到多个候选解集,便于材料学家根据领域知识更好地从推荐的下一步实验点中优选。

  具体的,如图1所示,本发明一种数据驱动的材料逆向设计方法,所述方法包括如下步骤:

  步骤101,获取已成型材料样本的材料数据;所述材料数据包括性能参数和设计参数,所述设计参数包括但不限于材料成分,所述材料性能参数包括但不局限于材料屈服强度、材料弹性模量、材料泊松比、材料密度、材料膨胀系数等。

  数据获取:本发明的已成型材料样本的材料数据,为从众多可能的数据源收集到的已成型材料样本的材料数据,本发明的材料数据可以为但不限于:材料实验、材料计算、材料批量工业生产和公开发表的文献等收集到的材料成分数据、制备工艺数据、材料微观结构数据、材料性能数据等等。

  数据清理:清除疑似错误异常的数据样本,清除偏离样本整体分布的离群样本;对数据进行相关分析(如卡方检验、相关系数计算、协方差分析等),删除冗余或相关性低的无用特征。

  数据变换:根据后续建模需要,对数据进行平滑、规范化、标准化、离散化等变换。

  步骤102,根据所述材料数据,分别选取每种所述性能参数与所述设计参数对应关系的机器学习模型。即,根据材料数据,通过使用几种常用的机器学习模型,经过对比实验选出每种性能参数与设计参数对应关系拟合效果最好的模型。

  具体的,用多个机器学习模型如随机森林、支持向量回归等,对材料数据进行拟合建模,用r方值、均方误差、分类准确率等指标选择表现最好的机器学习模型作为基础模型。

  步骤103,基于所述材料数据采用交叉验证法分别对每个所述机器学习模型的参数进行搜索选择,获得每种所述性能参数与所述设计参数对应关系的修改后的机器学习模型,作为遗传算法的每种性能参数的适应度函数。即,基于所述材料数据采用交叉验证法分别对每个所述机器学习模型的参数进行搜索选择,使得调参后的机器学习模型在r方值、均方误差、分类准确率等指标上表现的更好,将调参后的模型作为遗传算法的每种性能参数的适应度函数。具体的,在对每个机器学习模型中的参数进行搜索选择的过程中可以采用粒子群算法,也可以采用组合优化算法,下面对组合优化算法进行距离说明:例如将整个搜索区间0-100划分为0-10,10-20等,首先进行大区间的检索,然后将最优的大区间划分为小区间,依次类推,直到找到最优解。

  对机器学习模型进行交叉验证,对模型中的超参数进行调参,选出相对满意的超参数。具体的,建立的模型可以根据研究的需要分为多种。例如:若要研究材料成分、制备工艺、材料围观结构与材料性能的关系,此时的模型就是成分、工艺、结构与性能的拟合函数。若只想研究成分、制备工艺与微观结构的关系,此时的模型就是成分、工艺与微观结构的拟合函数。一般来说是需要研究材料最终的性能,所以模型是“成分、工艺、结构与性能”的拟合函数更具有一般性。

  步骤104,基于每种所述性能参数的适应度函数,采用基于非支配排序和拥挤距离排序的遗传算法确定同时满足多个性能指标的材料的设计参数。

  步骤1041,种群以及个体的初始化:设置多目标遗传算法的种群大小n、迭代次数、适应度函数,以及编码方式,并随机生成个体的染色体。

  其中,适应度函数选择:将步骤103所建立的机器学习模型作为适应度函数;机器学习模型的输出是研究的目标,一般是材料的性能指标。例如研究目标是关心材料的某个力学性能,那模型的输出就是某个特定的力学性能,例如屈服强度。模型输入一般为材料的成分、制备工艺、微观结构等信息。

  其中,对于由期望的材料性能反推材料成分配方这类要求每种元素含量不定但总量固定的具有明显线性约束特点的多目标优化问题,可使用如下的组合优化编码方式,编码方式:编码向量v的每个元素取值范围为[1,m],m为材料成分的种类数,v的长度根据元素百分含量精度确定,且精度和长度互为倒数关系,如含量精度为0.001级别,则对应染色体长度为1000。该编码方式称为组合优化编码。

  而对于其他类型的材料逆向设计需求的设计任务,如制备工艺、结构与性能之间的设计需求,若没有明显的线性约束关系,则可以通过常规的编码方式,如二进制编码,实数编码等。二进制编码是让编码向量v中的每一个值都是一个二进制的数,每一个值就代表一个工艺参数的具体值,其取值范围是该工艺参数所能取的最小值和最大值之间,二进制编码常用于取值为整数的场景。实数编码则是让编码向量v中的每一个值都是一个实数,其余部分则和二进制编码相同。实数编码常用于取值为实数范围内的场景。下面以具有线性约束的设计参数(成分)为例进行说明。

  交叉算子:在一定的概率下,进行交叉操作。选择两条父代染色体,随机生成一段区间[p,q],使得p≥0、q≤v,其中,v是步骤1中的编码向量,v表示编码向量v的长度,p、q分别表示第一随机数和第二随机数,其值在0到v中任取,表示编码向量v中从第p个到第q个的编码执行交叉算子,同时pq,子代染色体在[0,p)以及(q,v]区间的基因来自一条染色体,而[p,q]区间基因来自另外一条父代染色体;

  变异算子:在一定的概率下,进行变异操作。在一条父代的染色体中随机选择一个基因,变换为另一基因,即随机选择编码向量v中的一个元素,将其变成[1,m]内的任意整数值;

  步骤1043,选择算子和精英策略:选择算子和精英策略示意图如图6所示,评估子代和父代染色体的适应度函数值,对染色体按照适应度函数值进行非支配排序,通过非支配排序对产生的解集按照解之间的支配和非支配关系,会对每一个子代和父代染色体确定一个非支配等级值rank(rank值从0到y,y的大小根据每次产生的解的情况确定,rank值越小,解的质量越高),根据rank值从小到大,依次选择n个解,这里n为初始化种群大小,但是总会遇到而的情况,(其中ranki表示rank值为i的染色体的个数)为了确定同一rank层中解的好坏,对处于同一非支配等级的染色体,再进行拥挤距离排序。其中,拥挤距离计算公式为:

  其中,xj表示对rank=j的一个解,即第j个非支配等级的染色体xj,fi±(xj)为第j个非支配等级和优于第j个非支配等级的所有的非支配等级的所有染色体中第i个性能参数的适应度函数值优于且最接近染色体xj的第i个性能参数的适应度函数值的染色体的第i个性能参数的适应度函数值,fi±(xj)根据实际问题不同,所表示的含义不同。例如:当要求fi(xj)上的性能越小越好时,fi(xj)为rank值为j和rank值小于j中的所有解在目标函数fi上的取值中小于fi(xj)的最大值;相应的,当要求fi(xj)上的性能越大越好时,fi±(xj)为rank值为j和rank值小于j中的所有解在目标函数fi上的取值中大于fi(xj)的最小值,fi(max)和fi(min)表示rank值为j和rank值小于j中的所有解在目标函数fi上的取值的最大值和最小值。该拥挤距离表示一个解在每个目标函数方向上与比它更好的解的归一化距离,同时,由于使用的fi±(xj),fi(max)和fi(min)是在rank值为j和rank值优于j中的所有解中选择,而不仅仅在rank值为j下选择,会使得最后的解集更专注于全局上解的分散性和非支配性,可使得解集分散性更为突出。在计算拥挤距离后,采用循环删除的策略,拥挤距离越小代表它和比它更好的解在这一性能上的表现越相似,解的分散性就越差,就优先将这个解删除。在将拥挤距离最小的解删除之后,重新计算该非支配等级中各个解之间的拥挤距离,重复迭代上述过程,直到满足rank值为j和rank值小于j的解的个数达到初始化时设定的种群大小n。

  另外,拥挤距离公式加上了一个权值αi,用来调节对材料某方面性能的偏重,使得通过拥挤距离能够对材料的某方面材料性能有更大的搜索范围,使得解集在该材料性能上更为分散,通过这种加权的方式,使得同一非支配级上进入下一层的解在指定的材料性能上更为分散。具体设置时,若权值αi越小,则解在该方面性能上会更分散,解集的搜索范围更大。若对多个目标性能没有偏向,则权值设为1即可),保留排序后前50%的个体进入下一轮循环。从步骤二开始重复循环,直到算法达到最大迭代次数;

  步骤1044、得出最优解集,根据材料设计需求决定,如果希望该性能的值越大越好,就选适应度函数大的,如优化的目标是希望该性能的值越小越好,就选适应度函数小的;每次迭代都保留前百分之50;遗传算法会将染色体信息传给子代,并将两个父代染色体信息在一定几率上交叉搭配:此时达到最大迭代次数的多个染色体即代表着推荐的下一步实验点。染色体指的是具体的编码序列,即编码向量v,向量中的几个值组合可以代表材料设计中的某一个成分或制备工艺参数。下面以具有线性约束的设计参数(成分)为例进行说明。

  步骤一、根据材料成分含量精度确定染色体(编码)长度l,精度和长度互为倒数关系,如含量精度为0.001级别,则对应染色体长度为1000。

  步骤二、生成长度为l的染色体(编码),编码中的每一个元素都随机生成,元素取值范围在[1,m]之间,m为材料成分的种类数,每一个元素值都代表着一种元素。

  定义符号函数:i代表第i种成分,j用以计数编码向量v的第j个,vj表示编码向量v中的第j个元素的编码值;

  本发明还对步骤104得到的实验点进行材料实验,并对实验结果进行评估,若实验结果满足实际要求则结束,否则将新产生的实验数据加入到原始材料数据中,重新迭代。

  根据需要确定的材料的设计参数的类型选取编码方式,具体包括:当所述设计参数为带线性约束的设计参数时,选取组合优化编码方式;当所述设计参数为不带线性约束的设计参数时,选取实数编码方式或二进制编码方式。本发明以带线性约束的设计参数-成分为例进行说明,此时,所述编码方式为组合优化编码方式,所述编码方式对应的解码方式为组合优化解码方式,具体如下:

  采用组合优化编码方式对遗传算法的染色体进行编码,初始化遗传算法的染色体,得到初始的父代染色体;例如,设置多目标遗传算法的种群大小为50,迭代次数为500,适应度函数选择建模过程中的模型和超参数,进行设计的材料有三种元素成分。

  参照图4,进行交叉操作,交叉区间为[2,4],交叉产生的个体染色体在[0,2)以及(2,4]区间的基因来自一条父代的染色体,而[2,4]区间基因来自另外一条父代染色体。

  参照图5,进行变异操作,随机产生的变异位置为2,将第二个位置的基因b随机变成除b以外的a,c两种元素的任意一种,这里随机变成了元素c。

  对子代染色体和父代染色体按照所有性能参数的适应度函数值从优到劣的顺序进行非支配排序;对处于同一非支配等级的染色体,按照拥挤距离从大到小的顺序进行排序,删去拥挤距离最小的染色体,重复执行步骤“对处于同一非支配等级的染色体,按照拥挤距离从大到小的顺序进行排序,删去拥挤距离最小的染色体”,直到保留的染色体个数等于预设比例的染色体数;所述染色体为子代染色体或父代染色体;将保留的预设比例的染色体作为父代染色体,返回步骤“采用交叉算法和变异算法生成子代染色体”进行下一次迭代,直到迭代次数达到迭代次数阈值;参照图6,进行选择算子和精英策略,父代和交叉变异的个体共同进行选择,先对要选择的所有个体进行非支配排序,选择排序最前的。假设在非支配等级rank值为1时候,出现rank值为1的个体和rank值为0的个体总数大于种群大小50,则对于处在rank值为1的个体,再进行拥挤距离排序(这里在性能方面希望第一个性能有更大的搜索范围,所以将第一个性能权值α1设置成0.5,其余设置成1,用公式计算拥挤距离这里希望所有的性能都是越小越好,因此取当前非支配等级和小于当前非支配等级中,所有解在目标函数fi上的取值中小于fi(x1)的最大值,计算出解的拥挤距离后,删除其中最小的解,然后重新计算拥挤距离,持续迭代,直到进入下一代的解的个数等于步骤一设置的种群大小50),拥挤距离大的进入下一代,通过非支配排序和拥挤距离排序,选出进入下一代的个体。

  采用组合优化解码的方式对保留的染色体中排序最靠前的染色体进行解码,获得材料的成分的含量。

  确定染色体的长度为材料的成分的精度的倒数;所述染色体的长度为染色体包含的元素的个数;例如,根据材料成分含量精度确定染色体(编码)长度l,这里含量精度为0.2,故对应的染色体的长度l=1/0.2=5。

  在[1,m]区间内随机生成染色体的每个元素的编码值;其中,m表示材料的成分的种类数,当染色体的元素的编码值为i时,表示所述元素对应第i种成分。例如,生成长度为5的染色体编码,此时有a,b,c三种元素,假设其对应的成分含量百分比分别为0.4,0.4,0.2,则可生成一种染色体编码[1,1,2,2,3],其中1,2,3分别代表元素a,b,c。

  所述采用组合优化解码的方式对适应度函数值最优的染色体进行解码,获得材料的成分的含量,具体包括:

  根据适应度函数值最优的染色体中每个元素的编码值,利用公式计算每种成分对应的适应度函数值最优的染色体中的元素的个数;其中,ni表示第i种成分对应的适应度函数值最优的染色体中的元素的个数,l表示染色体的长度,signi(j)表示第i种成分的符号函数,vj表示染色体中的第j个元素的编码值;根据每种成分对应的适应度函数值最优的染色体中的元素的个数,利用公式计算每个成分的含量;其中,xi表示第i种成分的含量,constant表示线性约束值,即:∑xi=constanct。

  例如假设约束条件为x1+x2+x3=3,3为总含量。对[1,1,2,2,3]进行组合优化解码的过程为:

  计算出要解码的染色体中各种元素取值的个数n1=2,n2=2,n3=1。计算出给染色体编码所表示的每个成分配比xi,得出x1=2/5*3=1.2,x2=2/5*3=1.2,x3=1/5*3=0.6,即三种成分含量分别为1.2个单位,1.2个单位,0.6个单位。

  材料数据获取模块,用于获取已成型材料样本的材料数据;所述材料数据包括性能参数和设计参数;所述材料数据获取模块,具体包括:材料数据获取子模块,用于从数据源收集已成型材料样本的材料数据;数据清理子模块,用于对所述材料数据进行数据清理,得到清理后的材料数据;数据变换子模块,用于对清理后的材料数据进行数据变换,得到变换后的材料数据。

  机器学习模型选取模块,用于分别选取每种所述性能参数与所述设计参数对应关系的机器学习模型,即,根据所述材料数据,通过使用几种常用的机器学习模型,经过对比实验选出每种性能参数与设计参数对应关系拟合效果最好的模型;

  机器学习模型训练模块,用于基于所述材料数据采用交叉验证法分别对每个所述机器学习模型的参数进行搜索选择,获得每种所述性能参数与所述设计参数对应关系的修改后的机器学习模型,作为遗传算法的每种性能参数的适应度函数,即,基于所述材料数据采用交叉验证法分别对每个所述机器学习模型的参数进行搜索选择,使得调整过参数的机器学习模型对于每种所述性能参数与所述设计参数有更好的拟合效果,将调参后的模型作为遗传算法的每种性能参数的适应度函数;

  多目标优化求解模块,用于基于每种所述性能参数的适应度函数,采用基于非支配排序和拥挤距离排序的遗传算法确定同时满足多个性能指标的材料的设计参数。所述多目标优化求解模块,具体包括:所述多目标优化求解模块,具体包括:

  编码方式选取子模块,用于根据需要确定的材料的设计参数的类型选取编码方式;所述编码方式为组合优化编码方式、实数编码方式或二进制编码方式;编码子模块,用于采用所述编码方式对遗传算法的染色体进行编码,得到初始的父代染色体;交叉变异运算子模块,用于对所述父代染色体进行交叉和变异运算生成子代染色体;排序子模块,用于对子代染色体和父代染色体按照所有性能参数的适应度函数值从优到劣的顺序进行非支配排序;对处于同一非支配等级的染色体,按照拥挤距离从大到小的顺序进行排序,删去拥挤距离最小的染色体,重复执行步骤“对处于同一非支配等级的染色体,按照拥挤距离从大到小的顺序进行排序,删去拥挤距离最小的染色体”,直到保留的染色体个数等于预设比例的染色体数;所述染色体为子代染色体或父代染色体;返回迭代子模块,用于将保留的预设比例的染色体作为父代染色体,返回步骤“采用交叉算法和变异算法生成子代染色体”进行下一次迭代,直到迭代次数达到迭代次数阈值;解码子模块,用于采用所述编码方式对应的解码方式对保留的染色体中排序最靠前的染色体进行解码,获得材料的设计参数;所述解码方式为组合优化解码方式、实数解码方式或二进制解码方式。

  本发明的有益之处在于:本发明的基础模型可以选择一个常规的机器学习模型,用来预测材料性能、结构,并将其作为遗传算法的适应度函数,指导算法进行多目标寻优。其次,在寻优过程中为了解决线性约束问题,通过在种群初始化中用组合优化的方式对染色体进行编码,使得在之后遗传算法的交叉和变异操作中避免出现不满足线性约束的解,大大提高了解的实用性。同时,由于该方法是一种启发式的寻优方法,使得搜索的时间性能也会有很大的提高。

  本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。

  本文中应用了具体个例对发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。

上一篇:武汉13岁男孩因为基因缺陷只长出14颗牙齿(图) 下一篇:牙齿矫正建议要多少岁以后?
最新新闻
最新产品

欧宝娱乐棋牌是常州大型品牌连锁口腔机构,追求品质服务,采用"品质服务,广化门诊您的私人牙医"的模式,现在全国各中心城市(上海、南京、苏州、杭州)开设了多家机构。常州口腔老专家,口腔医院老牙医入驻以后,常州种植牙哪家好,将给常州市民带来了全新的齿科诊疗体验,为市民提供安全、科学和有效的齿科诊疗服务,成为市民信赖的口腔机构。

CopyRight   © 2019    All Right Reserved     欧宝娱乐棋牌所有权  |  苏ICP备02696441号-1    |   技术支持:欧宝体育app平台  |    |  常州口腔老专家  |   网站地图 XML地图