摘要

本发明公开了一种基于数据关系学习和预测的代理模型设计方法,用于提高多目标演化算法的求解效率。其特点是将演化算法中的个体构造为关系对,并利用集成分类学习的方法学习关系数据特征,然后指导演化算法的搜索过程。本发明可以利用已有数据构造高保真的代理模型,并对未知数据提供高鲁棒性的预测结果。在极端有限的计算量下,本发明可以辅助演化算法对问题进行求解。与现有方法相比,本发明首次将数据关系用于代理模型构造,同时表现出更高的建模准确性和预测鲁棒性。在工业优化优化领域,该方法可以用百秒量级的建模与预测成本替代高代价的真实模型评估。将优化成本降低为原优化过程的十分之一内,将优化效率提高10倍以上。