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！

龙图腾网获悉太行国家实验室申请的专利一种材料性能的多目标优化方法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：CN120878001B 。

龙图腾网通过国家知识产权局官网在2026-02-10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：202511376189.9，技术领域涉及：G16C60/00；该发明授权一种材料性能的多目标优化方法是由雷力明;朱思铫;谭远过;邢晨设计研发完成，并于2025-09-25向国家知识产权局提交的专利申请。

本一种材料性能的多目标优化方法在说明书摘要公布了：本申请提供了一种材料性能的多目标优化方法，属于材料科学与人工智能的技术领域，本申请提供的方法流程以小样本学习模型为核心，结合主动学习优化策略，实现了在极端服役环境材料研发中对多目标性能指标的量化优化。该方法充分利用有限的试验数据进行学习，显著减少了物理试验的次数；通过智能优化搜索，提高了寻找满足多目标性能要求的材料设计方案的效率和成功率，对于加速新材料在苛刻环境下的开发具有重要意义。

本发明授权一种材料性能的多目标优化方法在权利要求书中公布了：1.一种材料性能的多目标优化方法，其特征在于，包括： 建立数据集，建立数据集的步骤包括：收集所需优化的材料的参数及性能指标的历史数据，数据内容涵盖了材料的化学成分配比、热处理工艺参数以及相应测得的力学性能、热物理性能和抗腐蚀性能指标； 对数据集进行预处理； 构建小样本学习模型，基于预处理后的数据集训练小样本学习模型用于材料性能预测； 主动学习优化输入参数：设定初始设计参数，将初始设计参数输入训练完成的小样本学习模型，小样本学习模型输出预测性能指标；对预测性能指标与期望性能指标进行对比；如果预测性能指标没有达到期望性能指标，利用主动学习算法分析预测性能指标与期望性能指标的差异对初始设计参数进行优化，得到优化后的设计参数；优化后的设计参数输入训练完成的小样本学习模型，小样本学习模型输出预测性能指标，重复对预测性能指标与期望性能指标进行对比，并利用主动学习算法分析预测性能指标与期望性能指标的差异对设计参数进行优化，直至小样本学习模型输出的预测性能指标符合期望性能指标，得到候选设计参数； 对候选设计参数进行验证和迭代改进，得到最终优化设计参数； 根据当前优化问题所输入设定的设计空间中候选设计参数组合的样本容量大小选择不同的主动学习优化算法策略，当设计空间中候选设计参数组合的样本容量小于阈值时，选择基于超体积期望的EHVI推荐函数的贝叶斯优化策略；当设计空间中候选参数组合的样本容量大于等于阈值时，选择基于深度Q网络算法的强化学习策略，设计空间样本容量阈值为初始训练集样本容量的50倍； 主动学习算法选用基于超体积期望的EHVI推荐函数时，主动学习算法在每次迭代过程中，基于小样本学习模型在设计空间内预测生成的当前优化目标Pareto前沿，通过EHVI推荐函数的超体积期望优化计算推荐出若干候选设计参数组合； 所述EHVI推荐函数的具体计算方法包括： 基于小样本学习模型，计算设计空间中待评估候选点对应多个优化目标性能值的预测均值、预测方差及联合概率分布； 计算待评估候选点加入后，相对于当前Pareto前沿所能带来的期望超体积改进量，期望超体积改进量通过积分计算候选点目标性能值优于当前Pareto前沿的概率及当前Pareto前沿导致的超体积增益获得，期望超体积改进量的具体计算公式如下所示： ； 其中，为设计空间中的候选点； 为目标向量，对应候选点经过目标函数计算得到的输出结果； 表示m维的实数空间； 为当前Pareto前沿； 表示集合的超体积，即目标空间中被支配的区域体积； 为将当前候选点经过目标函数计算得到的目标向量放入当前Pareto前沿后，Pareto前沿的超体积增加量； 为代理模型预测的在点处的概率密度函数； 遍历设计空间或利用优化器搜索，选择使期望超体积改进量最大化的候选点作为推荐点。

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太行国家实验室，其通讯地址为：610213 四川省成都市天府新区东山大道二段607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。