买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京理工大学;北京理工大学长三角研究院(嘉兴)申请的专利融合强化学习和CMA-ES的设计变量优化方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118965980B 。

龙图腾网通过国家知识产权局官网在2025-11-21发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411016799.3，技术领域涉及：G06F30/27；该发明授权融合强化学习和CMA-ES的设计变量优化方法及系统是由郝佳;刘炳毅;贾良跃;李作轩;孙治斌;邓若凡;牛红伟设计研发完成，并于2024-07-29向国家知识产权局提交的专利申请。

本融合强化学习和CMA-ES的设计变量优化方法及系统在说明书摘要公布了：本申请公开一种融合强化学习和CMA‑ES的设计变量优化方法及系统，涉及工程优化设计领域，方法包括：确定桁架车身设计变量；构建高斯过程代理模型、策略网络和评价网络；采用CMA‑ES算法对种群及状态信息进行迭代更新，直至达到设定迭代次数后，输出本次优化轨迹下的状态信息序列；基于本次优化轨迹下的状态信息序列、状态价值函数以及即时奖励，采用强化学习训练策略网络和评价网络；判断本次优化轨迹是否达到设定优化轨迹训练次数；若是，则基于强化学习训练好的策略网络，采用CMA‑ES算法对种群及状态信息进行迭代更新，直至达到设定迭代次数后产生最优种群。本申请提高了桁架车身设计变量的优化效率。

本发明授权融合强化学习和CMA-ES的设计变量优化方法及系统在权利要求书中公布了：1.一种融合强化学习和CMA-ES的设计变量优化方法，其特征在于，所述融合强化学习和CMA-ES的设计变量优化方法包括： 确定桁架车身设计变量，并将所述桁架车身设计变量的一组参数作为一个个体，将所述桁架车身优化变量的多组参数的集合作为一个种群；所述桁架车身设计变量至少包括：横纵筋梁的边长、厚度和材料； 构建高斯过程代理模型、策略网络和评价网络；所述高斯过程代理模型用于根据每个个体确定对应的桁架车身质量；所述策略网络用于根据每个种群的状态信息生成对应的演化路径变化量；所述状态信息包括：种群均值、种群标准差以及种群协方差矩阵的特征值； 采用CMA-ES算法对种群及状态信息进行迭代更新，直至达到设定迭代次数后，输出本次优化轨迹下的状态信息序列；所述CMA-ES算法中的演化路径更新公式添加了所述策略网络；所述CMA-ES算法中的种群精英个体的确定过程应用了所述高斯过程代理模型；所述状态信息序列包括不同迭代次数下的状态信息； 将本次优化轨迹下的状态信息序列输入所述评价网络，得到本次优化轨迹下的状态价值函数； 基于本次优化轨迹下的状态信息序列、状态价值函数以及即时奖励，采用强化学习训练所述策略网络和所述评价网络； 判断本次优化轨迹是否达到设定优化轨迹训练次数；若是，则得到强化学习训练好的策略网络；若否，则返回步骤“采用CMA-ES优化算法对种群及状态信息进行迭代更新，直至达到最大迭代次数后，输出本次优化轨迹下的状态信息序列”； 基于强化学习训练好的策略网络，采用CMA-ES算法对种群及状态信息进行迭代更新，直至达到设定迭代次数后产生最优种群；所述最优种群中包含多个最优个体；所述最优个体表征所述桁架车身设计变量的一组最优参数； 其中，采用CMA-ES算法对种群及状态信息进行迭代更新，具体包括： 对种群信息进行初始化；所述种群信息至少包括：种群规模、变量边界和初始种群协方差矩阵； 对种群协方差矩阵进行特征分解，得到特征值和特征向量； 基于所述特征值、所述特征向量和标准正态分布，结合种群均值和种群标准差得到种群个体分布； 在所述种群中个体分布中进行随机采样，得到当代种群； 基于所述高斯过程代理模型，评估当代种群中各个个体对应的桁架车身质量，并从当代种群中选出前λ个个体作为种群精英个体；λ为大于0的整数； 基于当代的种群精英个体、演化路径、状态信息以及更新公式，计算下一代的种群协方差矩阵、种群均值、种群标准差和演化路径；所述更新公式至少包括演化路径更新公式； 基于下一代的种群协方差矩阵、种群均值、种群标准差和演化路径，返回并重新执行步骤“对种群协方差矩阵进行特征分解，得到特征值和特征向量”。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京理工大学;北京理工大学长三角研究院(嘉兴)，其通讯地址为：100081 北京市海淀区中关村南大街5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。