使用代理模型进行优化设计

目录

代理模型介绍

代理模型的常见类型

使用代理模型优化的步骤

1.选择输入输出数据

2.设计代理模型

3.设计优化方法（可跳过）

4.训练代理模型

5.验证模型效果

---

代理模型介绍

        代理模型（Surrogate Model），也称为元模型或响应面模型，是一种在优化和模拟领域中常用的技术。它通过创建一个近似的、计算成本较低的模型来代替一个复杂且计算成本高昂的模型。通俗的讲，即：将原来的白箱模型*替换为黑箱模型*，以节省算力。（需要注意的是，大多数代理模型相较于原机理模型，精度会有下降，所以在使用代理模型前最好进行评估，使用代理模型后要与原模型进行对比。）

        *白箱模型：过程严谨，完全由数学物理公式建立的模型。

        *黑箱模型：过程可解释性差，只知道输入和输出，看不到中间过程，如：神经网络。

代理模型的常见类型

• 多项式模型：如多项式回归，适用于连续变量的建模。
• 径向基函数（RBF）：一种基于距离的函数，可以非常灵活地拟合复杂的数据模式。
• Kriging模型：一种基于统计的插值方法，常用于空间数据的建模。
• 神经网络：可以处理非线性关系，适用于复杂的数据模式。
• 支持向量机（SVM）：一种强大的分类和回归方法，适用于高维数据。

        随着人工智能的快速发展，目前科研中常用的代理模型以神经网络为主，本文也将以神经网络为切入点。

使用代理模型优化的步骤

1.选择输入输出数据

        由于代理模型是黑箱模型的一种，所以第一步需要选择合适的输入输出参数，来进行训练。以风力发电场的建模任务为例：需要对风力发电场进行建模，输入特征为湿度、真实风速、气象风速、风向、温度、气压，输出特征为风力发电场的功率。所以我们需要获取风力发电场的湿度、真实风速、气象风速、风向、温度、气压数据，以及改数据下，风力发电场的输出功率。

        但需要注意的事，获取的输入数据与输出数据的关联性并不是非常强的。比如上述任务中，湿度和发电功率显然没有明显联系，这时候就需要进行特征重要性分析（不同论文中称敏感性分析）。具体方法有：Sobol指数、Monte Carlo模拟、Fourier Amplitude Sensitivity Test (FAST)和SALib等，此处不再赘述。

        下图为使用某方法进行特征重要性分析后的结果：

         特征重要性分析后，即可选取某几个特征而非全部数据进行代理模型构建。对于关联性不强的任务，该步骤十分重要，不仅是为了提取出有效特征，更是为了排除无用特征的干扰！对于关联性不强的任务，该步骤亦可为文章增色。

2.设计代理模型

        从步骤1的结果来看，选择风速、风向、温度和气压四个特征作为输入数据，发电场的发电功率作为输出功率。所以我们需要设计一个有着四个输入，一个输出的神经网络模型。由于本次任务的数据类型为数字型，所需计算量不大，所以选择LSTM作为代理模型的核心部分（同任务类型的可选择BP、GRU、LSTM等）。

        *具体参数设置和代码可私信作者交流

3.设计优化方法（可跳过）

        优化方法可助力发表高水平文章，但不是必须。常用的用优化方法有遗传算法及其变体、粒子群算法、蚁群算法等，此处不再赘述。

        *具体方法和代码和私信作者交流

4.训练代理模型

        代理模型的训练和一般的神经网络训练并无太多不同（如果设计了优化算法，要根据优化算法来具体分析）。按照神经网络的训练方法设定超参数和划分数据集即可。

        *具体方法和代码和私信作者交流

5.验证模型效果

        代理模型训练结束后，需要进行验证。

        具体操作为，从原数据集中提取出一部分或者选择新的数据作为测试集，用自己的代理模型进行测试，观察自身的效果能不能满足要求。

        之后，设计对比实验。常见的对比实验有：

• 与机理模型进行对比。
• 与其他代理模型或神经网络模型进行对比。
• 与优化前的代理模型进行对比（如果设计了优化方法）。