一种复合改性沥青混合料配合比的多目标优化方法及系统

1.本发明涉及沥青路面材料设计技术领域，更具体的说是涉及一种复合改性沥青混合料配合比的多目标优化方法及系统。


背景技术：

2.目前，面对现代交通的大流量、重轴载、快车速以及频繁极端气候等现状,单一改性沥青路面材料性能提升有限，已经难以满足交通现状需求，复合改性方式可以同时拥有多种材料的优点，得到性能更高的复合改性沥青混合料。
3.但是，沥青混合料配合比参数与目标性能之间并无明确的数学关系，传统的复合改性沥青混合料配合比基于大样本量的“试错法”确定，不仅步骤多、周期长,需消耗大量资源，且单纯依靠实验的分析方法很难挖掘出配合比参数与性能之间的内在关系。
4.相较于传统复合改性沥青混合料配合比确定方法，机器学习作为人工智能的核心策略，融合人工智能算法和优化算法，具有强大的数据分析能力和预测能力。
5.因此，面对应用场景差异化及性能调控针对性的复杂要求，如何通过少量数据样本驱动，同时对复合改性沥青混合料配合比的多个目标变量进行研究,并给出配合比参数全局最优解，以便于提升沥青路面材料研发效率和工程化应用水平是本领域技术人员亟需解决的问题。


技术实现要素：

6.有鉴于此，本发明提供了一种复合改性沥青混合料配合比的多目标优化方法及系统以解决背景技术中提到的问题。
7.为了实现上述目的，本发明采用如下技术方案：
8.一种复合改性沥青混合料配合比的多目标优化方法，包括以下步骤：
9.s1.根据差异化应用场景下沥青混合料路面材料的目标需求和配合比设计参数技术要求，以复合改性沥青混合料的性能指标为优化目标，配合比设计参数与体积特性指标为约束条件，建立复合改性沥青混合料配合比的多目标优化模型；
10.s2.收集并组建不同配合比设计参数下复合改性沥青混合料的体积指标数据集和性能指标数据集；
11.s3.将体积指标数据集和性能指标数据集按比例随机划分为训练样本集与测试样本集，构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型，通过训练样本集进行高斯过程回归预测模型训练，通过测试样本集检验高斯过程回归预测模型；
12.s4.基于复合改性沥青混合料配合比的多目标优化模型，选择多目标粒子群优化方法在相应的搜索空间进行搜索信息更新，通过群集智能随机搜索迭代找到复合改性沥青混合料配合比的多目标优化最优解。
13.优选的，性能指标包括高温稳定性、低温稳定性、水稳定性和经济性；体积特性指标包括空隙率、稳定度、流值、沥青饱和度和矿料间隙率。
14.优选的，步骤s3中构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型的具体内容为：基于高斯过程回归进行建模，采用平方指数se协方差函数作为核函数，对应于贝叶斯线性回归模型，多元输入变量的se协方差函数为：
[0015][0016]
其中，x代表训练样本集的配合比设计参数输入变量，x
′
代表待预测点的配合比设计参数输入变量，n代表配合比设计参数输入变量的维度，s＝1,2,
…
,n，信号方差和第s个输入变量的特征向量长度ls为两个超参数；
[0017]
对于t维的训练样本集输出变量观测值y的先验分布为：
[0018][0019]
其中，k(x,x)代表以训练样本集配合比设计参数为输入变量的t
×
t阶对称正定的协方差矩阵，i
t
为t维单位矩阵；
[0020]
给定测试样本集的配合比设计参数输入变量x
*
，通过联合后验分布得到预测值f
*
，训练样本集输出变量观测值y和基于测试样本集输入变量的预测值f
*
之间的联合分布为：
[0021][0022]
其中，k(x,x
*
)、k(x
*
,x)和k(x
*
,x
*
)为协方差矩阵，k(x,x
*
)＝k(x
*
,x)
t
。
[0023]
优选的，步骤s3中通过测试样本集检验高斯过程回归预测模型的具体内容为：结合交叉验证以均方根误差rmse与平方相关系数r2作为高斯过程回归预测模型准确性的评价指标；
[0024]
均方根误差rmse为：
[0025][0026]
平方相关系数r2的为：
[0027][0028]
其中，为基于测试样本集输入变量的预测值，yi为基于训练样本集输出变量观测值，为基于测试样本集输入变量的预测值的平均值，为基于训练样本集输出变量观测值的平均值。
[0029]
优选的，步骤s4的具体内容为：基于粒子群优化算法，随机初始化粒子群，采用适应度函数评估和判断粒子位置，粒子位置代表复合改性沥青混合料配合比设计参数；
[0030]
具体的：粒子种群在n维空间内具有p个粒子，在t次迭代时，第j维内第i个粒子的位置与速度分别表示为与粒子速度代表在搜索空间中的移动方向和距离，对粒子的位置与速度进行更新，得到复合改性沥青混合料配合比
pareto前沿最优解集。
[0031]
优选的，复合改性沥青混合料配合比空间内粒子的位置与速度为：
[0032][0033][0034]
其中，为在t+1次迭代时第i个粒子的位置，为在t+1次迭代时第i个粒子的速度。
[0035]
优选的，步骤s4中选择逼近理想解排序决策分析法，在pareto前沿最优解集中确定多目标综合性能最优的配合比设计方案的具体内容为：
[0036]
将复合改性沥青混合料配合比pareto前沿最优解集进行体积与性能指标的无量纲化与归一化处理，构建标准化决策矩阵y，基于体积与性能指标的熵权权重w，确定配合比pareto前沿最优解集与正、负理想解的欧几里德距离最后计算配合比pareto前沿最优解集对理想解的相对贴近系数ra，选取相对贴近系数最高的配合比设计方案，获得复合改性沥青混合料配合比多目标优化决策。
[0037]
优选的，复合改性沥青混合料配合比多目标优化决策具体为：
[0038][0039][0040][0041][0042]
其中，y
ab
为pareto前沿最优解集中第a个配合比方案下第b个指标的标准化元素，wb为第b个指标熵权，eb为第b个指标信息熵，z
ab
＝wb×yab
为加权决策矩阵元素，分别为正、负理想解。
[0043]
一种复合改性沥青混合料配合比的多目标优化系统，包括数据采集模块、高斯过程回归预测模型、预测模型训练和检验模块、复合改性沥青混合料配合比的多目标优化模型、多目标粒子群优化模块和逼近理想解排序决策模块；
[0044]
数据采集模块，用于收集并组建不同配合比设计参数下复合改性沥青混合料的体积指标数据集和性能指标数据集；
[0045]
预测模型训练和检验模块，用于将体积指标数据集和性能指标数据集按比例随机划分为训练样本集与测试样本集，构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型，通过训练样本集进行高斯过程回归预测模型训练，通过测试样本集检验高斯
过程回归预测模型；
[0046]
高斯过程回归预测模型，用于输入复合改性沥青混合料配合比设计参数，预测复合改性沥青混合料的体积特性与高低温性能；
[0047]
复合改性沥青混合料配合比的多目标优化模型包括复合改性沥青混合料的性能指标的优化目标函数，以及配合比设计参数与体积特性指标约束条件；
[0048]
多目标粒子群优化模块，用于基于复合改性沥青混合料配合比的多目标优化模型，选择多目标粒子群优化方法在相应的搜索空间进行搜索信息更新，通过群集智能随机搜索迭代找到复合改性沥青混合料配合比的pareto前沿最优解集；
[0049]
逼近理想解排序决策模块，用于基于复合改性沥青混合料配合比的多目标优化模型，选择逼近理想解排序决策分析法，在pareto前沿最优解集中确定多目标综合性能最优的配合比设计方案。
[0050]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种复合改性沥青混合料配合比的多目标优化方法及系统，根据差异化应用场景下复合改性沥青混合料的目标需求，揭示了复合改性沥青混合料体积与性能指标和配合比之间的内在隐式关系，构建了复合改性沥青混合料体积与性能指标的高斯过程回归预测模型，基于多目标粒子群优化算法求解复合改性沥青混合料配合比多目标优化问题，实现了复合改性沥青混合料配合比按需设计的目的，本发明不仅兼顾多目标需求，而且提高了配合比设计与材料研发效率，为实现沥青路面材料智能化设计提供了技术支撑，具有良好的应用前景。
附图说明
[0051]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0052]
图1附图为本发明提供的一种复合改性沥青混合料配合比的多目标优化方法示意图；
[0053]
图2附图为本发明提供的数据集获取示意图；
[0054]
图3附图为本发明提供的高斯过程回归预测模型建立示意图；
[0055]
图4附图为本发明提供的多目标粒子群优化方法示意图；
[0056]
图5附图为本发明实施例提供的高斯过程回归预测模型输出的空隙率预测结果示意图；
[0057]
图6附图为本发明实施例提供的高斯过程回归预测模型输出的沥青饱和度预测结果示意图；
[0058]
图7附图为本发明实施例提供的高斯过程回归预测模型输出的矿料间隙率预测结果示意图；
[0059]
图8附图为本发明实施例提供的高斯过程回归预测模型输出的高温性能预测结果示意图；
[0060]
图9附图为本发明实施例提供的高斯过程回归预测模型输出的低温性能预测结果示意图；
[0061]
图10附图为本发明实施例提供的多目标粒子群优化pareto前沿最优解集与逼近理想解排序决策最优配合比设计方案结果示意图；
[0062]
图11附图为本发明实施例提供的迭代过程中复合改性沥青混合料高低温性能优化目标函数的变化曲线示意图。
具体实施方式
[0063]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0064]
本发明实施例公开了一种复合改性沥青混合料配合比的多目标优化方法，如图1，包括以下步骤：
[0065]
s1.根据差异化应用场景下沥青混合料路面材料的目标需求和配合比设计参数技术要求，以复合改性沥青混合料的性能指标为优化目标，配合比设计参数与体积特性指标为约束条件，建立复合改性沥青混合料配合比的多目标优化模型；
[0066]
s2.基于实验与调研，收集并组建不同配合比设计参数下复合改性沥青混合料的体积指标数据集和性能指标数据集，如图2；
[0067]
s3.将体积指标数据集和性能指标数据集按比例随机划分为训练样本集与测试样本集，构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型，通过训练样本集进行高斯过程回归预测模型训练，通过测试样本集检验高斯过程回归预测模型；
[0068]
s4.基于复合改性沥青混合料配合比的多目标优化模型，选择多目标粒子群优化方法在相应的搜索空间进行搜索信息更新，通过群集智能随机搜索迭代找到复合改性沥青混合料配合比的多目标优化最优解。
[0069]
为了进一步实施上述技术方案，性能指标包括高温稳定性、低温稳定性、水稳定性和经济性；体积特性指标包括空隙率、稳定度、流值、沥青饱和度和矿料间隙率。
[0070]
为了进一步实施上述技术方案，如图3，步骤s3中构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型的具体内容为：基于高斯过程回归进行建模，采用平方指数se协方差函数作为核函数，对应于贝叶斯线性回归模型，多元输入变量的se协方差函数为：
[0071][0072]
其中，x代表训练样本集的配合比设计参数输入变量，x
′
代表待预测点的配合比设计参数输入变量，n代表配合比设计参数输入变量的维度，s＝1,2,
…
,n，信号方差和第s个输入变量的特征向量长度ls为两个超参数；
[0073]
对于t维的训练样本集输出变量观测值y的先验分布为：
[0074][0075]
其中，k(x,x)代表以训练样本集配合比设计参数为输入变量的t
×
t阶对称正定的协方差矩阵，i
t
为t维单位矩阵；
[0076]
给定测试样本集的配合比设计参数输入变量x
*
，通过联合后验分布得到预测值f
*
，训练样本集输出变量观测值y和基于测试样本集输入变量的预测值f
*
之间的联合分布为：
[0077][0078]
其中，k(x,x
*
)、k(x
*
,x)和k(x
*
,x
*
)为协方差矩阵，k(x,x
*
)＝k(x
*
,x)
t
。
[0079]
为了进一步实施上述技术方案，步骤s3中通过测试样本集检验高斯过程回归预测模型的具体内容为：结合交叉验证以均方根误差rmse与平方相关系数r2作为高斯过程回归预测模型准确性的评价指标；
[0080]
均方根误差rmse为：
[0081][0082]
平方相关系数r2的为：
[0083][0084]
其中，为基于测试样本集输入变量的预测值，yi为基于训练样本集输出变量观测值，为基于测试样本集输入变量的预测值的平均值，为基于训练样本集输出变量观测值的平均值。
[0085]
为了进一步实施上述技术方案，如图4，步骤s4的具体内容为：基于粒子群优化算法，随机初始化粒子群，采用适应度函数评估和判断粒子位置，粒子位置代表复合改性沥青混合料配合比设计参数；
[0086]
具体的：粒子种群在n维空间内具有p个粒子，在t次迭代时，第j维内第i个粒子的位置与速度分别表示为与粒子速度代表在搜索空间中的移动方向和距离，对粒子的位置与速度进行更新，得到复合改性沥青混合料配合比pareto前沿最优解集。
[0087]
为了进一步实施上述技术方案，复合改性沥青混合料配合比空间内粒子的位置与速度为：
[0088][0089][0090]
其中，为在t+1次迭代时第i个粒子的位置，为在t+1次迭代时第i个粒子的速度。
[0091]
为了进一步实施上述技术方案，步骤s4中选择逼近理想解排序决策分析法，在pareto前沿最优解集中确定多目标综合性能最优的配合比设计方案的具体内容为：
[0092]
将复合改性沥青混合料配合比pareto前沿最优解集进行体积与性能指标的无量纲化与归一化处理，构建标准化决策矩阵y，基于体积与性能指标的熵权权重w，确定配合比
pareto前沿最优解集与正、负理想解的欧几里德距离最后计算配合比pareto前沿最优解集对理想解的相对贴近系数ra，选取相对贴近系数最高的配合比设计方案，获得复合改性沥青混合料配合比多目标优化决策。
[0093]
为了进一步实施上述技术方案，复合改性沥青混合料配合比多目标优化决策具体为：
[0094][0095][0096][0097][0098]
其中，y
ab
为pareto前沿最优解集中第a个配合比方案下第b个指标的标准化元素，wb为第b个指标熵权，eb为第b个指标信息熵，z
ab
＝wb×yab
为加权决策矩阵元素，分别为正、负理想解。
[0099]
一种复合改性沥青混合料配合比的多目标优化系统，包括数据采集模块、高斯过程回归预测模型、预测模型训练和检验模块、复合改性沥青混合料配合比的多目标优化模型、多目标粒子群优化模块和逼近理想解排序决策模块；
[0100]
数据采集模块，用于收集并组建不同配合比设计参数下复合改性沥青混合料的体积指标数据集和性能指标数据集；
[0101]
预测模型训练和检验模块，用于将体积指标数据集和性能指标数据集按比例随机划分为训练样本集与测试样本集，构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型，通过训练样本集进行高斯过程回归预测模型训练，通过测试样本集检验高斯过程回归预测模型；
[0102]
高斯过程回归预测模型，用于输入复合改性沥青混合料配合比设计参数，预测复合改性沥青混合料的体积特性与高低温性能；
[0103]
复合改性沥青混合料配合比的多目标优化模型包括复合改性沥青混合料的性能指标的优化目标函数，以及配合比设计参数与体积特性指标约束条件；
[0104]
多目标粒子群优化模块，用于基于复合改性沥青混合料配合比的多目标优化模型，选择多目标粒子群优化方法在相应的搜索空间进行搜索信息更新，通过群集智能随机搜索迭代找到复合改性沥青混合料配合比的pareto前沿最优解集；
[0105]
逼近理想解排序决策模块，用于基于复合改性沥青混合料配合比的多目标优化模型，选择逼近理想解排序决策分析法，在pareto前沿最优解集中确定多目标综合性能最优
的配合比设计方案。
[0106]
实施例二
[0107]
s1.以硅藻土与玄武岩纤维复合改性沥青混合料为例，面向中国东北夏炎冬寒气候的季节冰冻区这一应用场景的目标需求，结合中国规范jtgf40-2004，确定复合改性沥青混合料的高低温路用性能为优化目标、配合比设计参数与体积特性为约束条件，采用多项式方程建立复合改性沥青混合料配合比多目标优化数学模型，多目标函数与约束条件分别为：
[0108]
maxf(x)＝max(y4+y5)
[0109][0110]
式中，f1为高温性能目标函数，f2为低温性能目标函数，f3为经济性目标函数，x1为硅藻土掺量，x2为玄武岩纤维掺量，x3为油石比，y1为空隙率，y2为沥青饱和度，y3为矿料间隙率，y4为高温性能ms，y5为低温性能sb。
[0111]
s2.基于三因素四水平的正交试验l
16
(43)，配合比设计参数x1、x2和x3作为输入变量，沥青混合料体积特性与高低温性能y1、y2、y3、y4和y5为输出变量，收集硅藻土与玄武岩纤维复合改性沥青混合料的空隙率、沥青饱和度、矿料间隙率以及高温性能与低温性能测试结果，体积与性能指标数据集如下表：
[0112][0113]
s3.将s2中正交试验设计得到的体积与性能指标数据集，按照3:1的比例随机划分为训练样本集与测试样本集；构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型，通过训练样本集进行高斯过程回归预测模型训练；
[0114]
通过s3中划分的测试样本集检验s3中构建并训练好的复合改性沥青混合料体积与性能指标的高斯过程回归预测模型，结合交叉验证以均方根误差rmse与平方相关系数r2作为高斯过程回归预测模型准确性的评价指标，结果如下表：
[0115][0116]
分析可知，构建的高斯过程回归预测模型能够较好地学习复合改性沥青混合料配合比设计输入与输出变量之间的关系，可以准确地预测硅藻土与玄武岩纤维复合改性沥青混合料的体积特性与高低温性能，输出高斯过程回归预测模型的预测结果，如图5-9。
[0117]
s4.基于s1建立的复合改性沥青混合料配合比多目标优化数学模型，选择多目标粒子群优化方法在相应的搜索空间进行搜索信息更新，通过群集智能随机搜索迭代找到复合改性沥青混合料配合比pareto前沿最优解集，选择逼近理想解排序决策分析法，在pareto前沿最优解集中确定多目标综合性能最优的配合比设计方案；
[0118]
绘制基于多目标粒子群优化方法的复合改性沥青混合料配合比pareto前沿最优解集与基于逼近理想解排序决策分析法的最优配合比设计方案，如图10，pareto前沿最优解集均分布在合理范围之内，最优配合比设计方案具有最高的相对贴近系数，均衡考虑高温性能、低温性能与经济性；绘制迭代过程中复合改性沥青混合料高低温性能优化目标函数的变化曲线，如图11，优化目标函数在第7次迭代时达到局部最优值，表明构建的基于机器学习模型的复合改性沥青混合料配合比多目标优化方法迭代收敛速度快，能够取得较为有效的优化效果。
[0119]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0120]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种复合改性沥青混合料配合比的多目标优化方法，其特征在于，包括以下步骤：s1.根据差异化应用场景下沥青混合料路面材料的目标需求和配合比设计参数技术要求，以复合改性沥青混合料的性能指标为优化目标，配合比设计参数与体积特性指标为约束条件，建立复合改性沥青混合料配合比的多目标优化模型；s2.收集并组建不同配合比设计参数下复合改性沥青混合料的体积指标数据集和性能指标数据集；s3.将体积指标数据集和性能指标数据集按比例随机划分为训练样本集与测试样本集，构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型，通过训练样本集进行高斯过程回归预测模型训练，通过测试样本集检验高斯过程回归预测模型；s4.根据高斯过程回归预测模型对复合改性沥青混合料体积与性能进行预测，基于复合改性沥青混合料配合比的多目标优化模型，选择多目标粒子群优化方法在相应的搜索空间进行搜索信息更新，通过群集智能随机搜索迭代找到复合改性沥青混合料配合比的pareto前沿最优解集；选择逼近理想解排序决策分析法，在pareto前沿最优解集中确定多目标综合性能最优的配合比设计方案。2.根据权利要求1所述的一种复合改性沥青混合料配合比的多目标优化方法，性能指标包括高温稳定性、低温稳定性、水稳定性和经济性；体积特性指标包括空隙率、稳定度、流值、沥青饱和度和矿料间隙率。3.根据权利要求1所述的一种复合改性沥青混合料配合比的多目标优化方法，其特征在于，步骤s3中构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型的具体内容为：基于高斯过程回归进行建模，采用平方指数se协方差函数作为核函数，对应于贝叶斯线性回归模型，多元输入变量的se协方差函数为：其中，x代表训练样本集的配合比设计参数输入变量，x
′
代表待预测点的配合比设计参数输入变量，n代表配合比设计参数输入变量的维度，s＝1,2,
…
,n，信号方差和第s个输入变量的特征向量长度l
s
为两个超参数；对于t维的训练样本集输出变量观测值y的先验分布为：其中，k(x,x)代表以训练样本集配合比设计参数为输入变量的t
×
t阶对称正定的协方差矩阵，i
t
为t维单位矩阵；给定测试样本集的配合比设计参数输入变量x
*
，通过联合后验分布得到预测值f
*
，训练样本集输出变量观测值y和基于测试样本集输入变量的预测值f
*
之间的联合分布为：其中，k(x,x
*
)、k(x
*
,x)和k(x
*
,x
*
)为协方差矩阵，k(x,x
*
)＝k(x
*
,x)
t
。4.根据权利要求1所述的一种复合改性沥青混合料配合比的多目标优化方法，其特征在于，步骤s3中通过测试样本集检验高斯过程回归预测模型的具体内容为：结合交叉验证
以均方根误差rmse与平方相关系数r2作为高斯过程回归预测模型准确性的评价指标；均方根误差rmse为：平方相关系数r2的为：其中，为基于测试样本集输入变量的预测值，y
i
为基于训练样本集输出变量观测值，为基于测试样本集输入变量的预测值的平均值，为基于训练样本集输出变量观测值的平均值。5.根据权利要求1所述的一种复合改性沥青混合料配合比的多目标优化方法，其特征在于，步骤s4的具体内容为：基于粒子群优化算法，随机初始化粒子群，采用适应度函数评估和判断粒子位置，粒子位置代表复合改性沥青混合料配合比设计参数；具体的：粒子种群在n维空间内具有p个粒子，在t次迭代时，第j维内第i个粒子的位置与速度分别表示为与粒子速度代表在搜索空间中的移动方向和距离，对粒子的位置与速度进行更新，得到复合改性沥青混合料配合比pareto前沿最优解集。6.根据权利要求5所述的一种复合改性沥青混合料配合比的多目标优化方法，其特征在于，复合改性沥青混合料配合比空间内粒子的位置与速度：在于，复合改性沥青混合料配合比空间内粒子的位置与速度：其中，为在t+1次迭代时第i个粒子的位置，为在t+1次迭代时第i个粒子的速度。7.根据权利要求1所述的一种复合改性沥青混合料配合比的多目标优化方法，其特征在于，步骤s4中选择逼近理想解排序决策分析法，在pareto前沿最优解集中确定多目标综合性能最优的配合比设计方案的具体内容为：将复合改性沥青混合料配合比pareto前沿最优解集进行体积与性能指标的无量纲化与归一化处理，构建标准化决策矩阵y，基于体积与性能指标的熵权权重w，确定配合比pareto前沿最优解集与正、负理想解的欧几里德距离最后计算配合比pareto前沿最优解集对理想解的相对贴近系数r
a
，选取相对贴近系数最高的配合比设计方案，获得复合改性沥青混合料配合比多目标优化决策。8.根据权利要求7所述的一种复合改性沥青混合料配合比的多目标优化方法，其特征在于，复合改性沥青混合料配合比多目标优化决策具体为：
其中，y
ab
为pareto前沿最优解集中第a个配合比方案下第b个指标的标准化元素，w
b
为第b个指标熵权，e
b
为第b个指标信息熵，z
ab
＝w
b
×
y
ab
为加权决策矩阵元素，分别为正、负理想解。9.一种复合改性沥青混合料配合比的多目标优化系统，其特征在于，基于权利要求1-8任一项所述的一种复合改性沥青混合料配合比的多目标优化方法，包括数据采集模块、高斯过程回归预测模型、预测模型训练和检验模块、复合改性沥青混合料配合比的多目标优化模型、多目标粒子群优化模块和逼近理想解排序决策模块；数据采集模块，用于收集并组建不同配合比设计参数下复合改性沥青混合料的体积指标数据集和性能指标数据集；预测模型训练和检验模块，用于将体积指标数据集和性能指标数据集按比例随机划分为训练样本集与测试样本集，构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型，通过训练样本集进行高斯过程回归预测模型训练，通过测试样本集检验高斯过程回归预测模型；高斯过程回归预测模型，用于输入复合改性沥青混合料配合比设计参数，预测复合改性沥青混合料的体积特性与高低温性能；复合改性沥青混合料配合比的多目标优化模型包括复合改性沥青混合料的性能指标的优化目标函数，以及配合比设计参数与体积特性指标约束条件；多目标粒子群优化模块，用于基于复合改性沥青混合料配合比的多目标优化模型，选择多目标粒子群优化方法在相应的搜索空间进行搜索信息更新，通过群集智能随机搜索迭代找到复合改性沥青混合料配合比的pareto前沿最优解集；逼近理想解排序决策模块，用于基于复合改性沥青混合料配合比的多目标优化模型，选择逼近理想解排序决策分析法，在pareto前沿最优解集中确定多目标综合性能最优的配合比设计方案。

技术总结
本发明公开了一种复合改性沥青混合料配合比的多目标优化方法，包括S1.确定差异化应用场景下复合改性沥青混合料的优化目标函数与约束条件，建立多目标优化模型；S2.收集并组建不同配合比设计参数下体积指标和性能指标数据集；S3.划分训练样本集与测试样本集，构建复合改性沥青混合料体积与性能指标的高斯过程回归预测模型并进行训练和检验；S4.基于多目标优化模型，选择多目标粒子群优化方法求解复合改性沥青混合料配合比的多目标优化最优解；该系统包括数据采集模块、高斯过程回归预测模型、预测模型训练和检验模块、复合改性沥青混合料配合比的多目标优化模型和多目标粒子群优化模块；利于快速确定复合改性沥青混合料配合比优化方案，提升研发效率。提升研发效率。提升研发效率。


技术研发人员：王文盛 杨连升 谭国金 吴斐
受保护的技术使用者：吉林大学
技术研发日：2023.06.25
技术公布日：2023/9/22