(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111553331.4 (22)申请日 2021.12.17 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 胡旺　章语　 (74)专利代理 机构 电子科技大 学专利中心 51203 代理人 周刘英 (51)Int.Cl. G06F 30/27(2020.01) G06F 111/06(2020.01) (54)发明名称 一种基于多目标优化的材料智能优化设计 方法 (57)摘要 本发明公开了一种基于多目标优化的材料 智能优化设计方法， 属于材料设计领域。 本发明 包括： 收集包含材料成分和性能的数据样本； 构 建能映射材料成分到性能的预测模 型， 构建能映 射材料成分和性能分布的评估模 型， 融合预测模 型和评估模 型得到多目标代理模 型； 求解该多目 标代理模型的帕累托阈值前沿； 在帕累托阈值前 沿中根据两级最优决策方案和 需求目标选择兴 趣解集， 再根据实验得到新样本， 若新样本性能 达到需求则停止， 否则基于新样本进行迭代优 化。 本发明通过采用机器学习和多目标进化方法 同步优化多个材料的性能指标， 可以大大减少材 料优化设计过程中的试错 成本， 提高材料优化设 计过程的可靠性和可操作性。 权利要求书2页 说明书5页 附图3页 CN 114239404 A 2022.03.25 CN 114239404 A 1.一种基于多目标优化的材 料智能优化设计方法， 其特 征在于， 包括下列步骤： 步骤1、 收集包 含材料成分和性能的数据样本； 步骤2、 采用机器学习法构建能映射材 料成分到性能的预测模型； 步骤3、 采用机器学习法构建能映射材 料成分和性能分布的分布模型； 步骤4、 将分布模型与预测模型的输出并入至少一个全连接层， 得到多目标代理模型； 步骤5、 求解所述多目标代 理模型的帕累托阈值前沿， 并在帕累托阈值前沿中根据两级 最优决策法选择与目标需求匹配的候选解 集； 步骤6、 在候选解集上通过实验得到新的材料样本， 若所述新的材料样本的指定性能达 到设计的期望目标性能值则停止实验， 否则以新的材料样本作为数据样本并输入匹配的信 息到多目标代理模型， 继续执 行步骤5至6。 2.如权利要求1所述的方法， 其特征在于， 步骤1中， 根据文献资料或历史实验收集包含 材料成分和性能的数据样本 。 3.如权利要求1所述的方法， 其特征在于， 所述多目标代 理模型的输入为材料的多个成 分或工艺 参数， 输出为材 料的多个材 料性能指标。 4.如权利要求3所述的方法， 其特征在于， 所述帕累托阈值前沿是由一组互不占优的材 料性能指标值所组成， 并通过多目标优化方法， 对多目标代理模型进行优化 求解而得到 。 5.如权利要求4所述的方法， 其特征在于， 所述多目标优化方法为数据优化方法或多目 标进化优化方法。 6.如权利要求1所述的方法， 其特 征在于， 所述多目标代理模型的构建包括： 使用全连接网络拟合步骤1采集的数据样本， 并按照指定比例将所述数据样本划分训 练数据和 测试数据； 基于训练数据对多目标代理模型的网络参数进行学习训练时， 采用损失函数和正则化 项作为双目标优化问题中的两个目标； 并采用多目标优化方法获取对应的预测模型训练误差的帕累托阈值前沿， 随后采用两 级最优决策法在预测模型训练误差的阈值前沿 中选出指定数量的候选解集， 并根据候选集 在预测数据上的最终性能来确定预测模型的网络参数； 根据不同的解集对应的多目标代理模型在测试数据 上的性能， 最终选择一组性 能最好 的网络参数， 得到训练好的预测模型； 配置能表征原始数据样本分布的对抗生成网络， 并基于训练数据进行网络参数训练， 当满足预置的训练结束条件时， 将对抗 生产网络中的对抗网络作为分布模型； 再将该分布模型与训练好的预测模型的输出并入至少一个全连接层， 得到多目标代 理 模型。 7.如权利要求1所述的方法， 其特征在于， 步骤1中收集的数据样本与步骤5 中的帕累托 阈值前沿具有相同的物理指标。 8.如权利要求1所述的方法， 其特征在于， 步骤5中， 采用占优判别比较求解所述多目标 代理模型的帕累托阈值前沿。 9.如权利要求1所述的方法， 其特征在于， 步骤6中， 得到新的材料样本的实验方法为正 交实验方法或均匀设计方法。 10.如权利要求1所述的方法， 其特征在于， 步骤1中， 收集的数据样本通过真实实验获权　利　要　求　书 1/2 页 2 CN 114239404 A 2取， 并对收集的数据样本的性能进行 滤波去噪处理。权　利　要　求　书 2/2 页 3 CN 114239404 A 3