CN109870903B - 参数优化方法、装置以及非瞬时计算机可读取介质 - Google Patents

参数优化方法、装置以及非瞬时计算机可读取介质 Download PDF

Info

Publication number
CN109870903B
CN109870903B CN201810099350.6A CN201810099350A CN109870903B CN 109870903 B CN109870903 B CN 109870903B CN 201810099350 A CN201810099350 A CN 201810099350A CN 109870903 B CN109870903 B CN 109870903B
Authority
CN
China
Prior art keywords
parameter
value
user
optimization
recommended
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810099350.6A
Other languages
English (en)
Other versions
CN109870903A (zh
Inventor
黄博煜
古宏麒
张森嘉
***
罗佩怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN109870903A publication Critical patent/CN109870903A/zh
Application granted granted Critical
Publication of CN109870903B publication Critical patent/CN109870903B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G06F16/90335—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

一种参数优化的方法，包括：对输入参数、输出反应值以及目标值以多个优化方案作参数搜寻，以自输入参数空间中的数值搜寻范围中搜寻多个候选推荐参数；根据用户历史决策信息，赋予各优化方案一权重值；根据权重值，自候选推荐参数中筛选出至少一推荐参数；提供用户接口，供用户针对推荐参数输入决策指令；根据决策指令，自推荐参数中挑选新输入参数，并将新输入参数输入目标***，以评估目标***响应新输入参数所产生的新输出反应值是否满足规格条件；基于决策指令更新用户历史决策信息，调整优化方案所对应的权重值。

Description

参数优化方法、装置以及非瞬时计算机可读取介质
技术领域
本发明是有关于一种可对目标***的参数优化的方法、装置以及非瞬时计算机可读取介质。
背景技术
随着半导体工艺技术不断进步，工艺越先进，研发成本与设备成本就越高。为了让产品配合研发时程及时推出，如何对工艺参数作最佳化成为关键。
般而言，参数优化方法可大致分为两种，一种为数据导向决策(data-drivendecision making)方法，一种为专家导向决策(human expertdecision making)方法。前者需要大量的试验数据让机器作自动化学习，故在只有少数数据(或数据取得成本高)的应用情境中，此方法会得到较差的参数解。后者则多是利用工程师/实施者的经验及知识，并通过尝试错误(trial and error)的方式来寻找最佳的参数，但此方法取决于工程师/实施者的专业经验，且缺乏自动且学习的机制。
因此，如何提升参数优化方法的执行效率，乃业界亟待解决的议题之一。
发明内容
本发明是有关于一种可对目标***的参数优化的方法、装置以及非瞬时计算机可读取介质。根据本发明实施例，在执行以数据导向决策(data-driven decision making)为基础的优化方案过程中，加入用户回馈机制。利用多个不同的优化方案产生多个候选推荐参数，再根据用户的决策指令以及用户历史决策信息自动修正并调整对于候选推荐参数的推荐机制，从而提升参数优化的收敛速度。
根据本发明的一方面，提出一种参数优化的方法。该方法包括：提取输入至目标***的至少一输入参数、该目标***响应该至少一输入参数的至少一输出反应值、以及对应该至少一输出反应值的至少一目标值；对该至少一输入参数、该至少一输出反应值以及该至少一目标值以多个优化方案作参数搜寻，以自一输入参数空间中的一数值搜寻范围中搜寻多个候选推荐参数；根据一用户历史决策信息，赋予各该优化方案一权重值；根据该些优化方案所被赋予的该些权重值，自该些候选推荐参数中筛选出至少一推荐参数；提供一用户接口，供一用户针对该至少一推荐参数输入一决策指令；根据该决策指令，自该至少一推荐参数中挑选至少一新输入参数，并将该至少一新输入参数输入该目标***，并评估该目标***响应该至少一新输入参数所产生的至少一新输出反应值是否满足一规格条件；基于该决策指令更新该用户历史决策信息以调整该些优化方案所对应的该些权重值。
根据本发明的另一方面，提出一种非瞬时计算机可读取储存介质。该非瞬时计算机可渎取储存介质储存至少一可执行指令，该至少一可执行指令在由一电子装置执行时使该电子装置执行如下操作：提取输入至目标***的至少一输入参数、该目标***响应该至少一输入参数的至少一输出反应值、以及对应该至少一输出反应值的至少一目标值；对该至少一输入参数、该至少一输出反应值以及该至少一目标值以多个优化方案作参数搜寻，以自一输入参数空间中的一数值搜寻范围中搜寻多个候选推荐参数；根据一用户历史决策信息，赋予各该优化方案一权重值；根据该些优化方案所被赋予的该些权重值，自该些候选推荐参数中筛选出至少一推荐参数；提供一用户接口，供一用户针对该至少一推荐参数输入一决策指令；根据该决策指令，自该至少一推荐参数中挑选至少一新输入参数，并将该至少一新输入参数输入该目标***，并评估该目标***响应该至少一新输入参数所产生的至少一新输出反应值是否满足一规格条件；基于该决策指令更新该用户历史决策信息以调整该些优化方案所对应的该些权重值。
根据本发明的又一方面，提出一种参数优化装置。该参数优化装置可对一目标***进行参数优化。该参数优化装置包括内存以及处理器。处理器耦接内存，并经配置而用以：提取输入至目标***的至少一输入参数、该目标***响应该至少一输入参数的至少一输出反应值、以及对应该至少一输出反应值的至少一目标值；对该至少一输入参数、该至少一输出反应值以及该至少一目标值以多个优化方案作参数搜寻，以自一输入参数空间中的一数值搜寻范围中搜寻多个候选推荐参数；根据一用户历史决策信息，赋予各该优化方案一权重值；根据该些优化方案所被赋予的该些权重值，自该些候选推荐参数中筛选出至少一推荐参数；提供一用户接口，供一用户针对该至少一推荐参数输入一决策指令；根据该决策指令，自该至少一推荐参数中挑选至少一新输入参数，并将该至少一新输入参数输入该目标***，并评估该目标***响应该至少一新输入参数所产生的至少一新输出反应值是否满足一规格条件；基于该决策指令更新该用户历史决策信息以调整该些优化方案所对应的该些权重值。
附图说明
为了对本发明的上述及其他方面有更佳的了解，下文特举实施例，并配合所附图式详细说明如下：
图1是根据本发明一实施例示意性示出的参数优化装置的例示性方块图。
图2是根据目标***的输入参数与规格性能综合指针所示意性示出的一例***模型曲线图。
图3示意性示出推荐模块基于不同优化方案产生对应候选推荐参数的示意图。
图4是根据本发明一实施例示意性示出的用户接口的示意图。
图5是根据本发明一实施例示意性示出的参数优化方法的流程图。
图6示意性示出比例-积分-微分控制器在不同参数设定下控制气体流量随时间的变化图。
图7A示意性示出以现有数据导向决策方法(贝氏优化算法搭配高斯过程)进行参数优化的收敛过程。
图7B示意性示出以现有专家导向决策方法进行参数优化的收敛过程。
图7C示意性示出根据本发明一实施例的参数优化的收敛过程。
10：目标***
100：参数优化装置
102：提取模块
104：推荐模块
106：用户回馈模块
108：历史决策数据库
110：学习与调整模块
112：用户接口
X、x1～x3：输入参数
Y、y1～y3：输出反应值
T：目标值
E：误差
202：***模型的曲线
302：预测模型的曲线
A1、A2、A3：搜寻策略条件
410A、410B：用户回馈字段
412A、412B：接受选项
414A、414B：拒绝选项
416A、416B：无意见选项
418：手动设定选项
420：建构搜寻范围选项
422：随机取样选项
424：实验设计选项
502、504、506、508、510、512、514、516、518、520、522、524、526：步骤
602、604、606、608：气体流量随时间变化的关系曲线
具体实施方式
图1是根据本发明一实施例示意性示出的参数优化装置100的例示性方块图。参数优化装置100可对目标***10进行参数优化。参数优化装置100包括提取模块102、推荐模块104、用户回馈模块106、历史决策数据库108以及学习与调整模块110。目标***10可以是工艺***、机器设备或其他需通过参数调校以改良***输出反应的软、硬件目标。参数优化装置100可例如以包括内存以及处理器的电子装置来实现。处理器耦接内存。内存可储存程序代码、指令、数据及/或档案，以供处理器执行本发明实施例的参数优化方法。提取模块102、推荐模块104、用户回馈模块106、历史决策数据库108以及学习与调整模块110可例如通过软件组件(如程序代码、指令、数据、档案)、硬件组件(如逻辑电路、集成电路、芯片、电路板)或其结合的形式包含于处理器，并在处理器的控制下进行操作以实现其功能。
提取模块102用以提取输入至目标***10的至少一输入参数、目标***10响应该至少一输入参数的至少一输出反应值、以及对应该至少一输出反应值的至少一目标值。举例来说，提取模块102可利用读文件方式、数据提取卡接口或通过存取数据库***，取得机器设备、工艺或***的输入参数、输出反应值及对应的目标值。
以塑料射出成型(Injection molding process)的工艺参数调控为例，输入参数可以是工艺的参数，例如射出时间、熔融温度、模具温度、关模压力等，而输出反应值则可包括成型质量的指针，例如翘曲值。
目标值可通过期望达到的规格条件或已知的正确解来定义。参数优化的过程通常是指如何通过搜寻出最佳的输入参数解，使目标***10的输出反应值满足规格条件，并以规格性能综合指针来反应输出反应值满足规格条件的程度，例如使输出反应值与期望的目标值的间的误差在一容忍范围内。
推荐模块104用以对输入参数、输出反应值以及目标值以多个优化方案作参数搜寻，以自一输入参数空间中的一数值搜寻范围中搜寻多个候选推荐参数。输入参数空间指的是输入参数的值域。不同的优化方案可以是指不同的优化算法，或是同一优化算法下不同的设定或搜寻策略。所述的优化算法可以是(但不限于)顺序搜索(Sequential search)的优化算法，例如贝氏优化(Bayesian optimization)算法、演化算法(Evolutionaryalgorithm)等。由于不同的优化方案是基于不同的优化算法或搜寻策略进行搜寻，根据不同的优化方案进行参数搜寻可能得到多个不同的输入参数解，也就是多个不同的候选推荐参数。
推荐模块104可根据用户历史决策信息，赋予各个优化方案对应的权重值，并根据该些优化方案所被赋予的权重值，自多个候选推荐参数中筛选出至少一推荐参数。
用户历史决策信息例如是储存在历史决策数据库108当中。历史决策数据库108例如是设置在参数优化装置100当中的一储存器。在其他实施例中，历史决策数据库108可以是不包含于参数优化装置100的一云端储存设备或是外部储存装置。
用户回馈模块106可提供用户接口112供用户操作。用户接口112是一人机接口，可供用户针对各个推荐参数输入决策指令，例如接受、拒绝或无意见。应注意的是，在此所使用的术语“用户”一词例如包括拥有参数优化装置100的人物或实体、操作或利用参数优化装置100的人物或实体、或是以其他方式与参数优化装置100相关联的人物或实体。将意识到，“用户”一词并非意图成为限制性的，且可包括超出所描述的范例的各种实施例。
根据决策指令，用户回馈模块106将自推荐参数中挑选至少一新输入参数，并将该新输入参数输入目标***10，以评估目标***10响应此一新输入参数所产生的新输出反应值是否满足一规格条件。若能满足规格条件，则表示已找到合适/最佳的输入参数解，参数优化完成。另一方面，用户回馈模块106更可将新获取的数据(如输入参数、输出反应值、是否满足规格条件的判断结果等)加入历史决策数据库108，以提供学习与调整模块110学习及调整。
学习与调整模块110可将用户历次输入的决策指令对用户历史决策信息作更新，以动态调整各个优化方案所对应的权重值。举例来说，若用户多次选择拒绝某一优化方案，该等对应拒绝表示的决策指令将记录于历史决策数据库108，并成为用户历史决策信息的一部份，学习与调整模块110将根据该用户历史决策信息弱化该优化方案的权重值，使得根据该优化方案搜寻到的候选推荐参数不会被选作推荐参数供用户作挑选，或是使该优化方案搜寻到的候选推荐参数具有较低的推荐排序。反之，若用户多次选择接受某一优化方案，学习与调整模块110将强化该优化方案的权重值，使其相对的候选推荐参数容易被选作推荐参数供用户作挑选，或是具有较高的推荐排序。
上述各模块之间的协作可递归地执行，直到找出的输入参数解可使目标***的输出反应值符合规格条件，以完成参数优化。
图2是根据目标***10的输入参数(X)与规格性能综合指针所示意性示出的一例***模型曲线图。在图2的范例中，是对目标***10输入三个输入参数x1＝-0.222、x2＝5.030、x3＝9.468。目标***10响应输入参数x1、x2、x3产生相应的输出反应值(Y)，如y1、y2、y3。各个输出反应值y1、y2、y3与目标值T计算后可得到一性能综合指针。在此非限定的范例中，性能综合指针是以误差倒数(1/E)来表示，其中误差(E)例如是指输出反应值(Y)与目标值T之间的差值。若据以定义目标***10的模型，目标***10的***模型可显示如曲线202。
提取模块102可根据输入参数x1、x2、x3、输出反应值y1、y2、y3以及目标值T计算目标***10对不同输入参数x1、x2、x3所对应的输出反应值y1、y2、y3的规格性能综合指针(例如误差倒数)，如下表所示：
表一
输入参数(X) 误差倒数(1/E)
x1＝-0.222 0.981
x2＝5.030 0.948
x3＝9.468 0.311
可理解的是，虽然图2中目标***10对输入参数x1、x2、x3的规格性能综合指针是以误差倒数(1/E)来评估，但本发明并不以此为限。规格性能综合指针可以是任何基于输出反应值以及目标值经一计算公式产生的数值，其数值是用来反应达成规格条件的程度规格性能综合指针，例如误差平方积分(integral squared error，ISE)。
图3示意性示出推荐模块104基于不同优化方案产生对应候选推荐参数的示意图。不同的优化方案可以是指不同的优化算法，或是同一优化算法下不同的设定或搜寻策略。举例来说，推荐模块104可根据输入参数、输出反应值以及目标值建立一预测模型，并在该预测模型下，基于多个搜寻策略条件作参数搜寻，以取得对应的候选推荐参数。
预测模型指的是基于优化算法所建构的统计模型，用以根据已知的输入参数与对应的输出反应值、目标值，预测目标***10的真实***模型(如曲线202)。如图3所示，曲线302表示根据贝氏优化算法，利用已知的输入参数x1、x2、x3所建构的一预测模型。在建构预测模型后，推荐模块104将根据特定的一或多个搜寻策略条件作参数搜寻，以找出可能的最佳输入参数解(候选推荐参数)。
搜寻策略条件例如是指为了求得可能的最佳输入参数解而使用的规格性能综合指针/函数。在一实施例中，搜寻策略条件可通过取得函数(acquisition function)来表示，当中包括以改进为基础的方法(improvement-based approaches)和以不确定性为基础的方法(uncertainty-based approaches)。前者例如包括期望改善(expectedimprovement，EI)取得函数、改善机率(probability of improvement，POI)取得函数等，后者例如包括信赖上界(upper confidence bound，UCB)取得函数。
以图3为例，在X＞1.5的数值搜寻范围中，根据不同的搜寻策略条件A1、A2、A3分别从贝氏优化的预测模型得到对应的候选推荐参数，其中搜寻策略条件A1是一UCB取得函数，搜寻策略条件A2是一EI取得函数，搜寻策略条件A3是一POI取得函数。在此例中，不同的搜寻策略条件A1、A2、A3分别代表不同的优化方案。在图3的范例中，数值搜寻范围“X＞1.5”可例如通过以下方式产生：用户回馈模块106在接收用户的决策指令后，用户回馈模块106将响应决策指令产生至少一限制条件，并根据限制条件限缩优化方案执行参数搜寻的数值搜寻范围，例如将初始的数值搜寻范围限缩至X＞1.5，使推荐模块104的后只能自限缩后的数值搜寻范围(X＞1.5)中搜寻候选推荐参数。应注意的是，此处提到的数值搜寻范围“X＞1.5”仅是为了说明本发明其中之一实施例，而非用以限制本发明。有关数值搜寻范围的建构，端视限制条件而定。
不同搜寻策略条件A1、A2、A3(优化方案)与对应取得的候选推荐参数如表二所示：
表二
搜寻策略条件 候选推荐参数
A1(UCB) x4(A1)＝2.27
A2(EI) x4(A2)＝2.39
A3(POI) x4(A3)＝3.34
在产生候选推荐参数后，推荐模块104将根据各个优化方案所被赋予的权重值，进一步自多个候选推荐参数中筛选出欲推荐给用户作选择的推荐参数。
在一实施例中，赋予至各优化方案的权重值可被二元化地设定成第一值(例如1，或是0)或第二值(例如0，或是1)。当一优化方案所被赋予的权重值具有第一值，则推荐模块104会将该优化方案所提供的候选推荐参数选作推荐参数；反之，当该优化方案所被赋予的权重值具有第二值，该优化方案所提供的候选推荐参数将被不会作为推荐参数。
以图3的例子作说明，若优化方案A1、A2、A3分别被赋予权重值1、0、1，则只有优化方案A1及A3所提供的候选推荐参数(x4(A1)＝2.27及x4(A3)＝3.34)会被推荐模块104选作推荐参数。也就是说，推荐参数组中将包括x4(A1)＝2.27以及x4(A3)＝3.34，而不会包括x4(A2)＝2.39。
在一实施例中，推荐模块104会根据各个优化方案所被赋予的权重值的大小，排序对各个推荐参数的推荐程度。举例来说，可规划当一优化方案的权重值越大，则其提供的候选推荐参数将具有较高的推荐程度，例如相较于其他候选推荐参数会被排在较优先/较前的次序供用户选择。在此实施例中，权重值可以是非二元化的实数。
图4是根据本发明一实施例示意性示出的用户接口112的示意图。应注意的是，图4的范例仅是用户接口112的其中一种可能实施态样，其目的仅在于说明，而非用以限制用户接口112的图形、文字或其组合的配置。
在图4的范例中，用户接口112可将推荐参数(如“No.1x＝2.27”、“No.2x＝3.34”)以及各个推荐参数所对应的统计规格性能综合指针(如预测平均“0.72”、“0.74”)呈现给用户参考。
用户回馈模块106可在用户接口112中，针对各个推荐参数x4(A1)＝2.27、x4(A3)＝3.34提供对应的用户回馈字段410A、410B。用户回馈字段410A、410B分别包括可供用户选择的多个参数决策选项。如图4所示，参数决策选项包括接受选项412A、412B以及拒绝选项414A、414B，更可选择性地包括无意见选项416A、416B。
当接受选项被选择，表示用户认为对应于此被选的接受选项的推荐参数可能为最佳的输入参数解。因此，响应于接受选项被选择，被选择的接受选项所对应的推荐参数将被用户回馈模块106选作新输入参数。
举例来说，当接受选项412B被选择，表示在经过用户的专业判断后，对应于所选的接受选项412B的推荐参数x4(A3)＝3.34有可能是(或较接近)真正的最佳输入参数解。此时，被接受的推荐参数x4(A3)＝3.34将被当成是新的输入参数被输入目标***10作参数实验。参数实验所产生的新相关数据(例如对应的新输出反应值)将可用来判断新输入参数x4(A3)＝3.34是否可让目标***10收敛至符合规格条件。若符合，则表示推荐参数x4(A3)＝3.34为合适的输入参数解，参数优化完成。
另一方面，当拒绝选项被选择，表示用户不认为对应于被选的拒绝选项的推荐参数及其邻近的输入参数可能存在最佳输入参数解。因此，被拒绝的推荐参数及其邻近的输入参数将不会被选作为新输入参数进行参数实验。
当无意见选项被选择，表示用户对于推荐参数是否为真正的最佳输入参数解持中性态度。在一实施例中，若每个用户回馈字段410A、410B中皆是无意见选项416A、416B被选择，用户回馈模块106将根据一自动化选择程序自现有的推荐参数中挑选出新输入参数。举例来说，用户回馈模块106可自动选择预测平均值较佳的推荐参数作为新输入参数；或者，用户回馈模块106可通过随机方式挑选新输入参数。
用户接口112更可提供额外选项供用户针对预测模型及/或优化方案进行设定。如图4所示，所述额外选项可包括手动设定选项418、建构搜寻范围选项420、随机取样选项422、以及实验设计(design ofexperiments，DoE)选项424至少其一。手动设定选项418用以供用户手动设定输入参数的值以进行参数实验。建构搜寻范围选项420用以供用户设定优化方案执行参数搜寻的数值搜寻范围。随机取样选项422用以供用户随机挑选新输入参数。实验设计选项424用以供用户输入实验设计参数组。
在一实施例中，用户接口112更可提供其他可供用户判断的信息，像是预测模型对于推荐参数的估计值、估计变异量以及图形化呈现的预测模型。如图4所示，用户接口112更以图形化呈现目标***10的预测模型以及推荐参数的位置。
在接收用户的决策指令后，用户回馈模块106将响应决策指令产生至少一限制条件，并根据限制条件限缩优化方案执行参数搜寻的数值搜寻范围，使推荐模块104之后只能自限缩后的数值搜寻范围搜寻新的候选推荐参数。进一步说，响应拒绝选项被选择，用户回馈模块106将自输入参数空间中定义一数值区间，并将该数值区间排除于优化方案执行参数搜寻的数值搜寻范围，以限缩该数值搜寻范围。所述的数值区间至少包括被选的拒绝选项所对应的推荐参数。
举例来说，若用户通过用户接口112选择接受推荐参数x4(A3)＝3.34并拒绝推荐参数x4(A1)＝2.27，用户回馈模块106将建构限制条件，使得优化方案之后在作参数搜寻时将不会在数值区间[2.27±δ]内搜寻最佳输入参数解。若原数值搜寻范围为C＝{X＞1.5}，则根据限制条件限缩产生的新数值搜寻范围
Figure BDA0001565316440000111
另一方面，被接受的推荐参数x4(A3)＝3.34将作为新输入参数代入目标***10作参数实验，藉以判断目标***10对该新输入参数的输出反应值是否符合规格条件。
用户所输入的决策指令将更新用户历史决策信息。用户历史决策信息例如包括用户通过用户接口112对各个优化方案所作的一或多次决策，例如包括用户对用户回馈字段中的参数决策选项的选择结果(接受、拒绝或无意见)。
学习与调整模块110可利用更新后的用户历史决策信息，重新计算各个优化方案的权重值，并且建构用以限缩优化方案的数值搜寻范围的限制条件。
在一实施例中，学习与调整模块110可根据下式更新各个优化方案的权重值：
Figure BDA0001565316440000121
其中i＝1，...，K，K为采用的优化方法总数；Wi表示该K个优化方案中的第i个优化方案的权重值；n为用户针对第i个优化方案作决策的累积次数(包括用户选择“拒绝”、“接受”以及“无意见”的总次数)；γ表示一折扣率；Sit表示针对第i个优化方案的第t次决策的第一型决策代表值，其中用户选择“拒绝”以及“无意见”时，Sit＝0，用户选择“接受”时，Sit＝1；Qit表示针对第i个优化方案的第t次决策的第二型决策代表值，其中用户选择“无意见”时，Qit＝0，用户选择“接受”或“拒绝”时，Qit＝1。
根据式一，若用户接受一优化方案越多次，该优化方案的权重值将越高，使得该优化方案的推荐结果越容易被选作推荐参数供用户选择，或是具有较高的推荐程度。此外，对于权重值的大小而言，用户当前作的决策会较先前作的决策更具影响力。
举例来说，历史决策数据库108例如会维持如表三所描述的对应关系的用户历史决策信息：
表三
Figure BDA0001565316440000122
如表三所示，历史决策数据库108纪录用户在第1、3次决策时选择接受优化方案UCB的推荐结果，并在第2次决策时选择无意见，并在最新的第4次决策时选择拒绝。
根据表三的例子，折扣率γ＝0.9，故学习与调整模块110可配合式一计算各个优化方案的权重值如下：
优化方案UCB的权重值W1：
Figure BDA0001565316440000131
优化方案EI的权重值W2：
Figure BDA0001565316440000132
优化方案POI的权重值W3：
Figure BDA0001565316440000133
在一实施例中，学习与调整模块110可进一步将权重值W1、W2、W3二元化成0或1。举例来说，可分别对权重值W1、W2、W3作四舍五入运算，使优化方案UCB、EI、POI分别具有权重值1、0、1。如此一来，用户在作第5次决策时，将只有优化方案UCB以及POI的推荐结果(候选推荐参数)会被选作推荐参数供用户作决策。
图5是根据本发明一实施例示意性示出的参数优化方法的流程图。在步骤502，提取模块102要求用户提供N个初始的输入参数以进行参数实验。在步骤504，提取模块102判断用户是否提供输入参数。若是，则接续步骤506，推荐模块104将根据K个优化方案执行参数搜寻，以各自提供对应的一或多个候选推荐参数。若否，则接续步骤508，提取模块102以随机方式产生输入参数。参数优化装置100在第1次执行参数优化或经重置，每个优化方案会分别被赋予初始的权重值W0＝{W1，W2，...，WK}。举例来说，W1、W2、...、WK皆初始地被设定为1。
在步骤510，推荐模块104根据各个优化方案的权重值排序候选推荐参数，以呈现具有不同推荐程度的推荐参数，如步骤5121～512K所不。
在步骤514，用户回馈模块106判断用户的针对各推荐参数的决策指令对应接受选项还是拒绝选项。被用户接受的推荐参数将作为新输入参数而被提供至目标***10进行真实参数实验，以取得对应的输出反应值，如步骤516所示。
若用户拒绝了所有的推荐参数，则在步骤518，参数优化装置100将要求用户提供新输入参数以进行真实参数实验。若用户仍未输入新输入参数，则在步骤520，参数优化装置100将根据一自动化程序决定新输入参数，例如随机挑选一或多个推荐参数作为新输入参数，或是选择模型预测具有较佳规格性能综合指针的推荐参数作为新输入参数。
在步骤522，提取模块102判断根据新输入参数进行参数实验后，目标***10的输出反应值是否达到规格条件。若是，则完成参数优化。若否，则返回步骤506，根据K个优化方案执行参数搜寻，此时对目标***10的输入参数除了包括在步骤502/508产生的初始输入参数，还包括在步骤514选出的新输入参数。
另一方面，在步骤524，用户每次的决策(接受、拒绝或无意见)皆会记录在历史决策数据库108，以形成用户历史决策信息。学习与调整模块110将根据最新的用户历史决策信息更新各个优化方案的权重值，如步骤526所示。
步骤506～526的流程可递归地执行，直到找出能使目标***10的输出反应值符合规格条件的新输入参数为止。
以下将配合图6及第7A～7C图，说明本发明提出的参数优化方法可大幅加快参数优化的收敛速度。
图6示意性示出比例-积分-微分(PID)控制器在不同参数设定下控制气体流量随时间的变化图。用户可通过设定PID控制器的比例参数KP、积分参数KI以及微分参数KD来调节气体流量随时间的变化。如图6所示，曲线602表示理想的气体流量变化，曲线604表示PID控制器在比例参数KP＝1、积分参数Ki＝1、微分参数KD＝0.5时的气体流量变化，曲线606表示PID控制器在比例参数KP＝1、积分参数KI＝1、微分参数KD＝1时的气体流量变化，曲线608表示PID控制器在比例参数KP＝1、积分参数KI＝1、微分参数KD＝2时的气体流量变化。
为了让PID控制器(目标***)提供符合规格条件的气体流量变化，使气体流量随时间的变化趋近曲线602，可通过本发明实施例提供的参数优化方法快速找出适当的比例参数KP、积分参数KI以及微分参数KD(输入参数)来设定PID控制器。
在此范例实验中，目标值T(t)＝1，其中t＝0，...，50。针对不同的输入参数(KP、KI以及KD)，其各自的输入参数空间分别为：KP∈[0，2]；KI∈[0，2]；KD∈[0，0.001]。参数优化欲达成的规格条件为ISE＜1.015。
为比较不同参数优化方法对于此范例实验的性能，请参考图7A～图7C。图7A示意性示出以现有数据导向决策方法(贝氏优化算法搭配高斯过程(Gaussian process))进行参数优化的收敛过程。图7B示意性示出以现有专家导向决策方法进行参数优化的收敛过程。图7C示意性示出根据本发明一实施例的参数优化的收敛过程。
关于图7A范例的实验参数设定，核函数中的超参数(matern kernel)为2.5，取得函数为EI。
关于图7B范例的专家导向决策方法，操作者为对PID控制***有20年经验的工程师。
关于图7C范例的实验参数设定，核心参数为2.5，优化方案为基于贝氏优化算法的三种取得函数EI、POI以及UCB，推荐参数被拒绝后将使该推荐参数±δ的一数值区间排除于原数值搜寻范围，其中δ为整体参数搜寻范围的1％，折扣率γ＝0.9。
图7A、图7B、图7C的参数优化方法的性能比较如下表：
表四
Figure BDA0001565316440000151
从表四可看出，本案提出的参数优化方法的收敛速度明显较现有方法快，只需7次实验即可满足规格条件(ISE＜1.015)，而其他如图7A或图7B的现有方式，达规格条件所需的次数皆多于7次。
本发明更提出一种非瞬时计算机可读取储存介质。非瞬时计算机可读取储存介质可包括以下至少其一：具有一或多条导线的电连接、便携计算机软盘、硬盘、随机存取内存(RAM)、只读存储器(ROM)、可抹除可程序设计只读存储器(EPROM或闪存)、光纤、可携式压缩光盘只读存储器(CD-ROM)、光存储设备、磁存储设备，或者前述的任何适当组合。非瞬时计算机可读取储存介质储存至少一可执行指令，可执行指令在由电子装置执行时使该电子装置执行本发明实施例的参数优化方法。
虽然本发明已以实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视后附的申请专利范围所界定者为准。

Claims (20)

1.一种参数优化的方法，包括：
提取输入至一目标***的至少一输入参数、该目标***响应该至少一输入参数的至少一输出反应值、以及对应该至少一输出反应值的至少一目标值；
对该至少一输入参数、该至少一输出反应值以及该至少一目标值以多个优化方案作参数搜寻，以自一输入参数空间中的一数值搜寻范围中搜寻多个候选推荐参数；
根据一用户历史决策信息，赋予各该优化方案一权重值；
根据该些优化方案所被赋予的该些权重值，自该些候选推荐参数中筛选出至少一推荐参数；
提供一用户接口，供一用户针对该至少一推荐参数输入一决策指令；
根据该决策指令，自该至少一推荐参数中挑选至少一新输入参数，并将该至少一新输入参数输入该目标***，并评估该目标***响应该至少一新输入参数所产生的至少一新输出反应值是否满足一规格条件；以及
基于该决策指令更新该用户历史决策信息以调整该些优化方案所对应的该些权重值。
2.如权利要求1所述的方法，还包括：
根据该至少一输入参数、该至少一输出反应值以及该至少一目标值建立一预测模型；以及
在该预测模型下，基于多个搜寻策略条件搜寻对应的至少一候选推荐参数，以产生该候选推荐参数组。
3.如权利要求1所述的方法，还包括：
响应该决策指令，产生至少一限制条件；以及
根据该至少一限制条件，限缩该数值搜寻范围，以自该限缩后的数值搜寻范围搜寻多个新的候选推荐参数。
4.如权利要求3所述的方法，还包括：
在该用户接口中，针对各该推荐参数提供一用户回馈字段，各该用户回馈字段包括可供该用户选择的多个参数决策选项，该些参数决策选项包括一接受选项以及一拒绝选项；
响应该拒绝选项被选择，自该输入参数空间中定义一数值区间，并将该数值区间排除于该数值搜寻范围，以限缩该数值搜寻范围，其中该数值区间至少包括该拒绝选项所对应的该推荐参数；以及
响应于该接受选项被选择，将该接受选项所对应的推荐参数选作该至少一新输入参数。
5.如权利要求4所述的方法，其中该些参数决策选项还包括一无意见选项，该方法还包括：
响应于各该用户回馈字段中仅有该无意见选项被选择，根据一自动化选择程序自该至少一推荐参数中挑选该至少一新输入参数。
6.如权利要求5所述的方法，还包括：
递归地执行如权利要求1所述的方法，直到该规格条件被满足；
其中该用户历史决策信息包括该用户通过该用户接口对各该优化方案所作的一或多次决策，该一或多次决策包括该用户对各该用户回馈字段中的该些参数决策选项的选择结果。
7.如权利要求1所述的方法，其中该用户接口包括一手动设定选项、一建构搜寻范围选项、一随机取样选项以及一实验设计选项至少其中之一，该手动设定选项用以供该用户设定该至少一输入参数，该建构搜寻范围选项用以供该用户设定该数值搜寻范围，该随机取样选项用以供该用户随机选出该至少一输入参数，该实验设计选项用以供该用户输入一实验设计参数组。
8.如权利要求1所述的方法，还包括：
在该用户接口中显示该至少一推荐参数以及各该推荐参数对应的统计规格性能综合指针。
9.如权利要求1所述的方法，还包括：根据该些优化方案所被赋予的该些权重值的大小，排序对该至少一推荐参数的一推荐程度。
10.如权利要求1所述的方法，其中该些优化方案中的一第一优化方案提供该些候选推荐参数中的至少一第一候选推荐参数，该些优化方案中的一第二优化方案提供该些候选推荐参数中的至少一第二候选推荐参数，各该权重值被二元化地设定成一第一值或一第二值，该方法还包括：
令该第一优化方案所被赋予的该权重值具有该第一值，使该至少一第一候选推荐参数被选作该至少一推荐参数；以及
令该第二优化方案所被赋予的该权重值具有该第二值，使该至少一第二候选推荐参数被排除于作为该至少一推荐参数。
11.一种非瞬时计算机可读取储存介质，该非瞬时计算机可读取储存介质储存至少一可执行指令，该至少一可执行指令在由一电子装置执行时使该电子装置执行如权利要求1至10任一项所述的方法。
12.一种参数优化装置，包括：
一内存；以及
一处理器，耦接该内存，该处理器经配置而用以：
提取输入至一目标***的至少一输入参数、该目标***响应该至少一输入参数的至少一输出反应值、以及对应该至少一输出反应值的至少一目标值；
对该至少一输入参数、该至少一输出反应值以及该至少一目标值以多个优化方案作参数搜寻，以自一输入参数空间中的一数值搜寻范围中搜寻多个候选推荐参数；
根据一用户历史决策信息，赋予各该优化方案一权重值；
根据该些优化方案所被赋予的该些权重值，自该些候选推荐参数中筛选出至少一推荐参数；
提供一用户接口，供一用户针对该至少一推荐参数输入一决策指令；
根据该决策指令，自该至少一推荐参数中挑选至少一新输入参数，并将该至少一新输入参数输入该目标***，并评估该目标***响应该至少一新输入参数所产生的至少一新输出反应值是否满足一规格条件；以及
基于该决策指令更新该用户历史决策信息以调整该些优化方案所对应的该些权重值。
13.如权利要求12所述的参数优化装置，其中该处理器更用以：
根据该至少一输入参数、该至少一输出反应值以及该至少一目标值建立一预测模型；以及
在该预测模型下，基于多个搜寻策略条件搜寻对应的至少一候选推荐参数，以产生该候选推荐参数组。
14.如权利要求12所述的参数优化装置，其中该处理器更用以：
响应该决策指令，产生至少一限制条件；以及
根据该至少一限制条件，限缩该数值搜寻范围，以自该限缩后的数值搜寻范围搜寻多个新的候选推荐参数。
15.如权利要求14所述的参数优化装置，其中该处理器更用以：
在该用户接口中，针对各该推荐参数提供一用户回馈字段，各该用户回馈字段包括可供该用户选择的多个参数决策选项，该些参数决策选项包括一接受选项以及一拒绝选项；
响应该拒绝选项被选择，自该输入参数空间中定义一数值区间，并将该数值区间排除于该数值搜寻范围，以限缩该数值搜寻范围，其中该数值区间至少包括该拒绝选项所对应的该推荐参数；以及
响应于该接受选项被选择，将该接受选项所对应的推荐参数选作该至少一新输入参数。
16.如权利要求15所述的参数优化装置，其中该些参数决策选项还包括一无意见选项，该处理器更用以：
响应于各该用户回馈字段中仅有该无意见选项被选择，根据一自动化选择程序自该至少一推荐参数中挑选该至少一新输入参数。
17.如权利要求12所述的参数优化装置，其中该用户接口包括一手动设定选项、一建构搜寻范围选项、一随机取样选项以及一实验设计选项至少其中之一，该手动设定选项用以供该用户设定该至少一输入参数，该建构搜寻范围选项用以供该用户设定该数值搜寻范围，该随机取样选项用以供该用户随机选出该至少一输入参数，该实验设计选项用以供该用户输入一实验设计参数组。
18.如权利要求12所述的参数优化装置，其中该处理器更用以：
在该用户接口中显示该至少一推荐参数以及各该推荐参数对应的统计规格性能综合指针。
19.如权利要求12所述的参数优化装置，其中该处理器更用以：
根据该些优化方案所被赋予的该些权重值的大小，排序对该至少一推荐参数的一推荐程度。
20.如权利要求12所述的参数优化装置，其中该些优化方案中的一第一优化方案提供该些候选推荐参数中的至少一第一候选推荐参数，该些优化方案中的一第二优化方案提供该些候选推荐参数中的至少一第二候选推荐参数，各该权重值被二元化地设定成一第一值或一第二值，该处理器更用以：
令该第一优化方案所被赋予的该权重值具有该第一值，使该至少一第一候选推荐参数被选作该至少一推荐参数；以及
令该第二优化方案所被赋予的该权重值具有该第二值，使该至少一第二候选推荐参数被排除于作为该至少一推荐参数。
CN201810099350.6A 2017-12-01 2018-01-31 参数优化方法、装置以及非瞬时计算机可读取介质 Active CN109870903B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW106142286 2017-12-01
TW106142286A TWI625682B (zh) 2017-12-01 2017-12-01 參數最佳化方法、裝置以及非暫態電腦可讀取媒體

Publications (2)

Publication Number Publication Date
CN109870903A CN109870903A (zh) 2019-06-11
CN109870903B true CN109870903B (zh) 2022-03-25

Family

ID=63255932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810099350.6A Active CN109870903B (zh) 2017-12-01 2018-01-31 参数优化方法、装置以及非瞬时计算机可读取介质

Country Status (3)

Country Link
US (1) US10929472B2 (zh)
CN (1) CN109870903B (zh)
TW (1) TWI625682B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11526811B1 (en) * 2018-07-12 2022-12-13 Intuit, Inc. Method for predicting trip purposes using unsupervised machine learning techniques
TW202022633A (zh) * 2018-12-10 2020-06-16 財團法人資訊工業策進會 基於特徵擷取與機器學習的優化方法及其模組
TWI753329B (zh) 2019-12-06 2022-01-21 財團法人工業技術研究院 具風險評估之最佳取樣參數搜尋系統、方法與圖案化使用者介面
CN111210064A (zh) * 2019-12-31 2020-05-29 新奥数能科技有限公司 一种能源***优化方法、装置、智能终端及存储介质
CN113077299A (zh) * 2020-01-03 2021-07-06 北京三快在线科技有限公司 订单处理方法、装置、设备及存储介质
CN113469352A (zh) * 2020-03-31 2021-10-01 上海商汤智能科技有限公司 神经网络模型的优化方法、数据处理方法及装置
CN113777965B (zh) * 2020-05-21 2023-07-18 广东博智林机器人有限公司 喷涂质量控制方法、装置、计算机设备及存储介质
TWI758979B (zh) 2020-11-30 2022-03-21 財團法人工業技術研究院 適應性搜尋空間調整的參數最佳化系統與方法及應用其之使用者介面
CN112433135B (zh) * 2020-12-09 2021-11-30 四川大学 一种基于马顿核的整体最小二乘的局部放电信号定位方法
JP7455769B2 (ja) * 2021-02-02 2024-03-26 株式会社東芝 情報処理装置、情報処理方法、プログラム、および情報処理システム
CN112906896A (zh) * 2021-02-19 2021-06-04 阿里巴巴集团控股有限公司 信息处理方法及装置、计算设备
JPWO2022210425A1 (zh) * 2021-03-31 2022-10-06
CN113112145A (zh) * 2021-04-08 2021-07-13 清华大学 一种数据处理方法、装置、电子设备及存储介质
KR20230031553A (ko) * 2021-08-27 2023-03-07 삼성전자주식회사 데이터 탐색 방법 및 장치
CN113779330B (zh) * 2021-09-13 2024-01-26 河海大学常州校区 一种基于相似性度量的超声检测工艺参数智能计算***
DE102021212730A1 (de) * 2021-11-11 2023-05-11 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben einer Spritzgussmaschine mittels maschinellen Lernens
CN114168216B (zh) * 2021-11-24 2024-04-26 阿里巴巴（中国）有限公司 一种参数调优方法、设备及存储介质
JPWO2023145549A1 (zh) * 2022-01-25 2023-08-03
CN114971599B (zh) * 2022-08-02 2022-10-25 杭州安脉盛智能技术有限公司 食品制造加工工艺参数设置方法、装置、设备及介质
CN116225311B (zh) * 2022-12-12 2023-11-21 荣耀终端有限公司 终端设备存储***参数的配置方法、装置和服务器
CN117473910A (zh) * 2023-11-28 2024-01-30 南方电网调峰调频发电有限公司检修试验分公司 低压电器元器件选型方法、装置、计算机设备和存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010080146A2 (en) * 2009-01-07 2010-07-15 Cfi Group Usa, L.L.C. Statistical impact analysis machine
CN102156706A (zh) * 2011-01-28 2011-08-17 清华大学 一种指导者推荐***及方法
CN102183890A (zh) * 2011-03-16 2011-09-14 东南大学 协调控制***调节器参数优化整定方法
TW201135498A (en) * 2010-04-13 2011-10-16 Ind Tech Res Inst Apparatus and method for tuning control parameter
WO2012083973A1 (en) * 2010-12-20 2012-06-28 Telecom Italia S.P.A. Method for coordinated transmission in a plurality of cells of a wireless communication system
CN102540879A (zh) * 2011-12-28 2012-07-04 北京工业大学 基于群决策检索策略的多目标评价优化方法
CN103218459A (zh) * 2013-05-13 2013-07-24 无锡职业技术学院 基于邻域信息优化算法的混沌***参数估计方法
CN103327330A (zh) * 2013-06-14 2013-09-25 中国计量学院 基于系列算法参数取值选择的视频编码算法优化方法
CN103645636A (zh) * 2013-11-25 2014-03-19 南京航空航天大学 一种pid控制器参数优化方法
CN104268142A (zh) * 2014-08-05 2015-01-07 河海大学 基于可拒绝策略的元搜索结果排序算法
EP2887728A1 (en) * 2013-12-19 2015-06-24 Telefonaktiebolaget L M Ericsson (publ) Technique for performance management in a mobile communications network
CN105223812A (zh) * 2015-09-17 2016-01-06 浙江大学 一种稀丙酮精馏工业动态优化控制层输出约束的设计方法
CN106933204A (zh) * 2015-10-09 2017-07-07 费希尔-罗斯蒙特***公司 分布式工业性能监控和分析

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8311673B2 (en) * 1996-05-06 2012-11-13 Rockwell Automation Technologies, Inc. Method and apparatus for minimizing error in dynamic and steady-state processes for prediction, control, and optimization
US6826549B1 (en) 1999-11-04 2004-11-30 Mitsubishi Electric Research Laboratories, Inc. Interactive heuristic search and visualization for solving combinatorial optimization problems
WO2002003152A2 (en) * 2000-06-29 2002-01-10 Aspen Technology, Inc. Computer method and apparatus for constraining a non-linear approximator of an empirical process
US6564116B2 (en) 2001-04-06 2003-05-13 Gou-Jen Wang Method for determining efficiently parameters in chemical-mechanical polishing (CMP)
US7401066B2 (en) 2002-03-21 2008-07-15 Applied Materials, Inc. Correlation of end-of-line data mining with process tool data mining
US7356518B2 (en) 2003-08-27 2008-04-08 Icosystem Corporation Methods and systems for multi-participant interactive evolutionary computing
US7272584B2 (en) 2004-03-04 2007-09-18 International Business Machines Corporation Use of dominance to improve performance or increase search space in genetic algorithms
TWI267012B (en) 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
WO2006014454A1 (en) 2004-07-06 2006-02-09 Icosystem Corporation Methods and apparatus for query refinement using genetic algorithms
US7536364B2 (en) * 2005-04-28 2009-05-19 General Electric Company Method and system for performing model-based multi-objective asset optimization and decision-making
US20090076988A1 (en) 2007-02-14 2009-03-19 Stanelle Evan J Method and system for optimal choice
US9202243B2 (en) * 2007-08-23 2015-12-01 Dside Technologies, Llc System, method, and computer program product for comparing decision options
US20100049561A1 (en) * 2008-08-22 2010-02-25 Alstom Technology Ltd. Fluidized bed combustion optimization tool and method thereof
US8745036B2 (en) * 2009-07-07 2014-06-03 Teradata Us, Inc. System, method, and computer-readable medium for enhancing query execution by an optimizer in a database system
CN101908055B (zh) * 2010-03-05 2013-02-13 黑龙江工程学院 一种信息过滤***
US8532796B2 (en) * 2011-03-31 2013-09-10 Tokyo Electron Limited Contact processing using multi-input/multi-output (MIMO) models
CN102769551B (zh) * 2012-07-02 2016-08-10 深信服网络科技（深圳）有限公司 网络质量评测与网络优化的方法及***
US9179418B2 (en) * 2013-01-31 2015-11-03 Qualcomm Incorporated Apparatus and method of improving the overall decision quality of the F-DPCH channel
TWI549007B (zh) 2013-02-07 2016-09-11 先知科技股份有限公司 製程參數的搜尋與分析方法及其電腦程式產品
CN103324978B (zh) * 2013-07-03 2015-12-09 哈尔滨工程大学 基于多目标量子蚁群算法的多目标决策引擎参数优化方法
US20160372000A1 (en) * 2014-03-19 2016-12-22 Nec Solution Innovators, Ltd. Scheme recommendation device, scheme recommendation method, and scheme recommendation program
CN104036138A (zh) * 2014-06-12 2014-09-10 杭州电子科技大学 一种基于群体合作决策机制的数值优化方法
US10546248B2 (en) * 2014-12-31 2020-01-28 Supported Intelligence, LLC System and method for defining and calibrating a sequential decision problem using historical data
US10061501B2 (en) * 2015-10-07 2018-08-28 The Florida International University Board Of Trustees User interface for co-optimizing weight factors
US10935962B2 (en) 2015-11-30 2021-03-02 National Cheng Kung University System and method for identifying root causes of yield loss
CN106022256B (zh) * 2016-05-18 2019-03-05 大连理工大学 一种脑机接口***决策模型的参数优化方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010080146A2 (en) * 2009-01-07 2010-07-15 Cfi Group Usa, L.L.C. Statistical impact analysis machine
TW201135498A (en) * 2010-04-13 2011-10-16 Ind Tech Res Inst Apparatus and method for tuning control parameter
WO2012083973A1 (en) * 2010-12-20 2012-06-28 Telecom Italia S.P.A. Method for coordinated transmission in a plurality of cells of a wireless communication system
CN102156706A (zh) * 2011-01-28 2011-08-17 清华大学 一种指导者推荐***及方法
CN102183890A (zh) * 2011-03-16 2011-09-14 东南大学 协调控制***调节器参数优化整定方法
CN102540879A (zh) * 2011-12-28 2012-07-04 北京工业大学 基于群决策检索策略的多目标评价优化方法
CN103218459A (zh) * 2013-05-13 2013-07-24 无锡职业技术学院 基于邻域信息优化算法的混沌***参数估计方法
CN103327330A (zh) * 2013-06-14 2013-09-25 中国计量学院 基于系列算法参数取值选择的视频编码算法优化方法
CN103645636A (zh) * 2013-11-25 2014-03-19 南京航空航天大学 一种pid控制器参数优化方法
EP2887728A1 (en) * 2013-12-19 2015-06-24 Telefonaktiebolaget L M Ericsson (publ) Technique for performance management in a mobile communications network
CN104268142A (zh) * 2014-08-05 2015-01-07 河海大学 基于可拒绝策略的元搜索结果排序算法
CN105223812A (zh) * 2015-09-17 2016-01-06 浙江大学 一种稀丙酮精馏工业动态优化控制层输出约束的设计方法
CN106933204A (zh) * 2015-10-09 2017-07-07 费希尔-罗斯蒙特***公司 分布式工业性能监控和分析

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Handover in LTE networks with proactive multiple preparation approach and adaptive parameters using fuzzy logic control;Hussein, YS等;《KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS》;20151231;第9卷(第7期);2389-2413 *
基于改进遗传算法的切削参数优化;黄豪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20120215;I140-129 *
多重赋权模糊综合评价在采场结构参数优化中的应用;彭超等;《金属矿山》;20141231;22-27 *

Also Published As

Publication number Publication date
US20190171776A1 (en) 2019-06-06
TW201926158A (zh) 2019-07-01
US10929472B2 (en) 2021-02-23
CN109870903A (zh) 2019-06-11
TWI625682B (zh) 2018-06-01

Similar Documents

Publication Publication Date Title
CN109870903B (zh) 参数优化方法、装置以及非瞬时计算机可读取介质
JP6764025B2 (ja) 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム
US10121107B2 (en) Machine learning device and method for optimizing frequency of tool compensation of machine tool, and machine tool having the machine learning device
JP5068637B2 (ja) 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体
KR102229859B1 (ko) 기계 학습 및 전이 학습을 이용한 공정 관리 방법, 장치 및 시스템
US20190303196A1 (en) Method and apparatus for automatically scheduling jobs in computer numerical control machines using machine learning approaches
US20190265679A1 (en) Work Improvement Support Device and Work Improvement Support Method
KR102662329B1 (ko) 자동학습 기반 시계열 데이터 예측 및 제어 방법 및 장치
JPWO2016151620A1 (ja) シミュレートシステム、シミュレート方法およびシミュレート用プログラム
JP2019219981A (ja) 施策探索装置、方法、およびプログラム
CN109993205A (zh) 时间序列预测方法、装置、可读存储介质及电子设备
CN106682773B (zh) 一种基于模拟退火算法的人机焊接工时预测方法
CN112654943A (zh) 制造***设计辅助装置
US20190205804A1 (en) Information processing device, information processing method and computer readable medium
CN111382925A (zh) 生产实绩数据分析装置
WO2019167656A1 (ja) 予測システム、予測方法、およびプログラム
TW202046213A (zh) 計劃制定系統及其方法
CN116414094A (zh) 一种焊接装配智能调度方法及***
JP6613937B2 (ja) 品質予測装置、品質予測方法、プログラム及びコンピュータ読み取り可能な記録媒体
JP7489275B2 (ja) 情報処理装置、情報処理システムおよび情報処理方法
JP4230890B2 (ja) モデル同定装置，モデル同定プログラム及びモデル同定装置の動作方法
JP6925179B2 (ja) 解探索処理装置
He et al. A new reward function for Bayesian feasibility determination
JP2000237937A (ja) 生産システムの設計支援方法
JP2019184575A (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant