本发明涉及电子信息中人工智能通用，更具体地，涉及一种基于禁忌空间划定的机器学习协助的差分进化方法。
背景技术：
1、全回转推进器驱动轴的服役时间问题需通过调用计算耗时的疲劳仿真来获得驱动轴在交变应力作用下的服役时间，针对全回转推进器驱动轴的一次疲劳耗时仿真评估时间在半小时至一小时之间，使得传统针对目标响应获取不耗时且需大量调用目标响应函数的进化方法无法在合理的设计周期内给出满意的驱动轴结构设计参数，无法满足服役时间要求。为此，如何针对全回转推进器驱动轴的服役时间问题设计有效的智能优化方法是目前所面临的关键技术难题之一。
2、近年来，基于机器学习的设计优化方法应运而生，这类方法通过利用机器学习的自主学习能力来近似替代耗时较高的目标仿真，较大程度上减少不必要的耗时仿真的调用次数，从而显著提高方法的优化效率，缩短设计周期。
3、本专利发明人在实现本发明实施例技术方法的过程中，至少发现现有技术中存在如下技术问题：
4、目前，研究人员均只通过实验设计方法来最大化提高全回转推进器驱动轴的服役时间，导致性能较差，并且现有基于机器学习的设计优化技术关注于如何探索优化问题的高潜力搜索方向，而忽视在优化过程中如何避开或利用历史低潜力区域的位置信息，同样导致方法容易陷入历史局部最优，优化效率低下。
5、综上，如何结合全回转推进器驱动轴服役时间仿真模型特性与关键结构参数特点来划定机器学习优化过程中的低潜力区域，避开低潜力关键结构参数的误导，以及如何利用禁忌空间的反向引导信息与高潜力区域的正向引导信息来进行协同进化，从而提高算法针对全回转推进器驱动轴服役时间最大化问题的优化效率。
技术实现思路
1、针对现有技术中基于全回转推进器驱动轴的服役时间最大化问题涉及耗时仿真与现有技术忽视低潜力区域的特点，研究及设计了一种基于禁忌空间划定的机器学习协助的差分进化方法。所述方法对优化过程中的禁忌空间与高潜力空间进行了有效地划定，并基于两者位置信息的差异性设计了协同进化操作来产生高潜力的候选子代个体，从而极大程度上降低机器学习模型的筛选压力，显著提高方法的优化效率。
2、为实现上述目的，本发明实施例提供了一种基于禁忌空间划定的机器学习协助的差分进化方法，所述方法适用于全回转推进器驱动轴的服役时间最大化问题，所述方法包括：
3、步骤一：将全回转推进器驱动轴的服役时间最大化问题转化为服役时间负值最小化问题，基于驱动轴关键结构参数数量及取值范围进行种群与关键迭代参数初始化，根据交变载荷谱与受力分析构造全回转推进器几何模型与疲劳寿命仿真模型并获得初始种群的疲劳仿真响应值，构造机器学习模型并执行机器学习驱动的优化策略确定关键结构参数取值的禁忌空间，给出方法收敛条件；
4、步骤二：设计机器学习驱动的潜力空间确定策略来构造潜力空间，并根据潜力个体更新机器学习模型，以期针对全回转推进器驱动轴服役时间对应的疲劳寿命仿真模型构建精确的机器学习预测模型；
5、步骤三：基于潜力空间贪婪信息与禁忌空间反向位置信息构造可继承贪婪信息并远离反向位置信息的贪婪协同进化操作，为每个潜力个体产生候选变异子代个体池，以期望获得具备优异服役时间性能的关键结构参数向量集合；
6、步骤四：针对每个候选变异子代个体，采用二项交叉策略获得对应的候选子代个体池；
7、步骤五：基于机器学习构建特性推导候选子代个体不确定性评估法，从候选子代个体池中分别筛选高潜力与高不确定性的个体作为真实子代个体；
8、步骤六：评估真实子代个体，更新种群与关键迭代参数信息，基于机器学习驱动的优化重构禁忌空间与潜力空间，判断优化结构是否满足服役时间指标，若满足则输出方法所得最优的关键结构参数向量，否则转至步骤二，直至方法所得优化结构满足服役时间指标。
9、进一步地，所述步骤一中的构造机器学习模型并执行机器学习驱动的优化策略确定关键结构参数取值的禁忌空间，具体包括如下子步骤：
10、以初始种群个体为建模样本输入集，以初始种群个体的目标真实响应值为建模样本输出集，构建径向基函数机器学习模型，具体表达式如下：
11、；
12、上式中，为径向基函数机器学习模型表达式取值，表示第个基函数的权重系数取值，表示建模样本的个数，表示第个建模样本点，表示基函数， x表示需要采用径向基函数进行预测的新样本点；
13、设置粒子群法收敛条件为种群在连续十代均未得到更新，采用经典粒子群优化法搜索由径向基函数机器学习模型构造的优化问题，具体表达式如下：
14、；
15、上式中，与分别表示优化问题设计空间的下界与上界；
16、设置禁忌空间半径为，则可通过粒子群法收敛的最终种群确定多个禁忌空间，若最终种群大小为，则得到个禁忌空间，即最终种群中第个个体对应的禁忌空间为。
17、进一步地，所述步骤二，具体包括如下子步骤：
18、设置差分进化法收敛条件为种群在连续十代均未得到更新，采用经典差分进化法搜索由径向基函数机器学习模型构造的优化问题，具体表达式如下：
19、；
20、若差分进化法所得最终种群为，则潜力空间由最终种群所围成的超矩形区域构成，即；其中， xxx1表示差分进化所得种群的第1个个体， xxxnde表示差分进化所得种群的第nde个个体，nde表示差分进化所得种群的个体数目。
21、进一步地，所述步骤三，具体包括如下子步骤：
22、针对潜力空间中每个个体，构造贪婪协同进化操作来产生1000个候选变异子代个体，从而形成候选变异子代个体池，其中，贪婪协同进化操作的表达式如下：
23、；
24、上式中，表示第个候选变异子代个体，表示潜力空间中每个个体，表示随机从潜力空间中选择的个体，其中，为 xxxr1对应的索引，表示随机从禁忌空间中选择的个体，其中，为 xxr2对应的索引，表示0至1之间的随机数。
25、进一步地，所述步骤四中的交叉公式如下：
26、；
27、上式中，表示第个候选子代个体，表示交叉概率，表示随机索引，表示执行二项交叉的当前维度索引。
28、进一步地，所述步骤五中不确定性评估法的不确定性评估函数公式如下：
29、；
30、上式中，表示针对第个候选子代个体的不确定性信息值，表示靠近的100个已评估真实个体中的第个个体，表示径向基函数机器学习模型针对的预测值， y(tti )表示对应的真实目标函数值。
31、进一步地，所述步骤五中的从候选子代个体池中分别筛选高潜力与高不确定性的个体作为真实子代个体，具体包括如下子步骤：
32、从候选子代个体池中选择具有最小的径向基函数机器学习模型预测值的个体作为高潜力子代个体；
33、从候选子代个体池中选择具有最大的不确定信息值的个体作为高不确定性个体。
34、进一步地，所述步骤六，具体步骤如下：
35、采用疲劳寿命仿真模型评估针对潜力空间中每个个体对应的高潜力与高不确定性个体的真实目标值；
36、根据真实目标值大小，找到潜力空间中每个个体与其对应的高潜力、高不确定性个体中的具有最小真实目标值的最优个体；
37、将潜力空间中所有个体对应的最优个体合并，形成更新后的种群；
38、针对当前种群，分别采用基于机器学习驱动的优化策略重构禁忌空间与潜力空间；
39、更新其他关键迭代信息，为下一代做好准备。
40、第二方面，本发明实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述实施例中一种基于禁忌空间划定的机器学习协助的差分进化方法的步骤。
41、第三方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述实施例中一种基于禁忌空间划定的机器学习协助的差分进化方法的步骤。
42、总结而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的一种基于禁忌空间划定的机器学习协助的差分进化方法主要具有以下有益效果：
43、1. 通过粒子群法确定由低潜力关键结构参数取值所对应的禁忌空间，采用机器学习模型对疲劳寿命仿真模型进行准确预测，有效地利用了粒子群法的全局探索能力与机器学习模型的精确预测能力，为主循环中迭代优化的进行提供了准确可靠的低潜力禁忌空间。
44、2. 采用差分进化法确定由机器学习模型映射的潜力空间，为持续迭代提供了稳定的正向引导，同时，继承了历史迭代过程中所有可能出现的高潜力子代个体信息，充分地运用搜索过程中所有可用的有效引导。
45、3. 设计了潜力空间正向引导与禁忌空间反向推动的协同进化操作，显著提高了候选子代个体的潜力，显著地降低了后续机器学习模型的筛选压力。
46、4. 在迭代过程中，同时考虑高潜力个体与高不确定性个体来驱动优化，目的在于随着优化迭代的进行持续提升机器学习模型的预测精度，显著地提高了机器学习模型的正向引导作用。
47、5. 本发明针对涉及耗时仿真的全回转推进器驱动轴的服役时间最大化问题进行求解，提高了优化解的精度，可广泛用于涉及昂贵仿真的类似结构优化问题的设计优化，有利于推广应用。
1.一种基于禁忌空间划定的机器学习协助的差分进化方法，其特征在于，所述方法适用于全回转推进器驱动轴的服役时间最大化问题，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述步骤一中的构造机器学习模型并执行机器学习驱动的优化策略确定关键结构参数取值的禁忌空间，具体包括如下子步骤：
3.如权利要求1所述的方法，其特征在于，所述步骤二，具体包括如下子步骤：
4.如权利要求1所述的方法，其特征在于，所述步骤三，具体包括如下子步骤：
5.如权利要求1所述的方法，其特征在于，所述步骤四中的交叉公式如下：
6.如权利要求1所述的方法，其特征在于，所述步骤五中不确定性评估法的不确定性评估函数公式如下：
7.如权利要求1所述的方法，其特征在于，所述步骤五中的从候选子代个体池中分别筛选高潜力与高不确定性的个体作为真实子代个体，具体包括如下子步骤：
8.如权利要求1所述的方法，其特征在于，所述步骤六，具体步骤如下：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8中任一项所述的方法的步骤。
