基于Kriging模型的子集模拟方法

研究建筑结构失效的准确判断问题.在实际工程,需对每个随机样本点进行结构分析,一旦建筑工程较大,需要采集的随机样本数量较大,需要较大的计算成本,造成计算的耗时,甚至模型不收敛.传统的基于Kriging模型的工程结构失效判断方法,受到模型不稳定的影响,影响建筑失效判断的准确性.为此提出了基于Kriging模型的子集模拟方法,引入学习函数主动寻找并添加训练样本,对每个中间失效域建立对应的Kriging模型,用Kriging模型的预测值代替结构实际功能函数值进行仿真计算.实验仿真表明,改进模型只需要进行少量的结构分析就能得到与子集模拟方法类似的仿真结果,可以和有限元程序对接,能够大幅度降低仿真方法的计算代价.     

利用连续多模态特性探索的自适应Kriging模型构建方法

为了高效率地构建高精度的代理模型,提出一种利用连续多模态特性探索的自适应Kriging模型构建方法.首先在获得一个初始Kriging模型后,利用留一交叉验证策略计算出代理模型的精度;然后利用相对误差准则,从样本库中挑选出误差最大的样本点;再通过泰勒级数展开式快速获得新样本点及其近似响应值;如此不断地更新样本库及Kriging模型,最终使模型精度达到预定要求.对2个数学算例和1个工程实例进行了应用分析,结果表明,该方法能够以较快的速度得到较高精度的Kriging模型.     

面向汽车外形空气动力学优化的代理模型方法

针对代理模型在汽车外形气动优化上的适应性研究较少的现状,运用不同数量样本点构建径向基函数(Radial Basis Function,RBF)模型、多项式模型和Kriging模型等3种常用代理模型.对比发现,在样本点相同的情况下,RBF模型的精度最高,最优解更好.在样本点增加的基础上,多项式和Kriging模型的精度提高,但计算量也大幅增加;多项式最优解更接近RBF模型的最优解,而Kriging模型最优解仍不理想.综合评估可知RBF模型更适用于汽车外气动优化.     

异构集成代理辅助多目标粒子群优化算法

针对代理辅助进化算法在减少昂贵适应度评估时难以通过少量样本点构造高质量代理模型的问题,提出异构集成代理辅助多目标粒子群优化算法。该方法通过使用加权平均法将Kriging模型和径向基函数网络模型组合成高精度的异构集成模型,达到增强算法处理不确定性信息能力的目的。基于集成学习的两种代理模型分别应用于全局搜索和局部搜索,在多目标粒子群优化算法框架基础上,新提出的方法为每个目标函数自适应地构造了异构集成模型,利用其模型的非支配解来指导粒子群的更新,得出目标函数的最优解集。实验结果表明,所提方法提高了代理模型的搜索能力,减少了评估次数,并且随着搜索维度的增加,其计算复杂性也具有更好的可扩展性。     

样本加权的多模型回归

回归分析是一种建立变量之间函数关系的简便方法.原始的回归分析算法并未考虑样本点的权重,即认为每个样本点的重要性都相等.但是,这样的算法在遇到包含野值点的实际问题时经常会失效,因为野值点会对回归模型产生很大的干扰.而对于多模型回归估计,每个样本点隶属于各模型的程度不同.针对多模型回归的这一特点,研究一种自适应的样本加权方法,在每一次计算样本点隶属度时,也对样本点的权重进行逼近,尽可能使野值点的权重减小为0,数值实验表明了该方法的有效性.     

一种基于QoS的自适应失效检测算法

自适应失效检测要求失效检测器能够根据实际应用和网络负载变化动态地改变检测的质量。由于互连网络动态多变,缺乏自适应机制的失效检测器难以满足应用对Qo S的需求。检测速度和精度是自适应失效检测器的关键。对现有自适应失效检测算法进行研究、分析,提出一种基于Qo S的失效检测算法。对历史心跳消息间隔时间采用幂律加权计算其均值,并按照指数分布模型计算下一个消息延迟值,实现一种Qo S-AFD自适应失效检测算法。实验及分析表明该算法具有较高的检测速度和准确性。     

基于万有引力的自适应近邻传播聚类算法

针对近邻传播（AP）聚类算法对参数偏向参数（Preference）敏感、不适用于稀疏数据、聚类结果中会出现错误聚类的样本点的问题,提出基于万有引力的自适应近邻传播聚类（GA-AP）算法。首先,在传统AP算法的基础上采用引力搜索机制对样本进行全局寻优;其次,在全局寻优的基础上利用信息熵和自适应增强（AdaBoost）算法找到每个簇内正确聚类和错误聚类的样本点,并计算出这些样本点的权值,用计算出的权值更新对应的样本点,从而更新相似度、Preference取值、吸引度和隶属度,并进行重新聚类。不断操作以上步骤直到达到最大的迭代次数。通过在9个数据集上的仿真实验得出,相比于基于自适应属性加权的近邻传播聚类（AFW_AP）算法、AP算法、K均值聚类（K-means）算法和模糊C均值（FCM）算法,所提算法的纯度（Purity）、F值（F-measure）和准确率（ACC）的平均值分别最高提升了0.69、71.74%和98.5%。实验结果表明,所提算法降低了对偏向参数的依赖,提高了聚类效果,特别是对于稀疏数据集的聚类结果的准确率。     

基于Kriging代理模型的自适应序贯优化方法

提出了一种基于Kriging代理模型的自适应序贯优化算法。首先分析了代理模型使用不当引发的局部收敛问题,然后采用小生境微种群遗传算法求解EI函数来得到校正点,用以更新Kriging模型。这种选择校正点的方法使得优化过程避免陷入局部极值点。通过对4个典型函数优化实例进行实验,并与其他算法的结果作比较,其结果表明,新算法在解的精度、收敛性和收敛速度上表现出很好的性能,并且对所优化的问题没有特殊的要求,具有很强的工程实用价值。     

基于局部切空间偏离度的自适应邻域选取算法

基于对局部切空间的几何性质的理论研究结果,提出一种基于局部切空间偏离度的自适应邻域选取算法。该算法基于局部切空间的正交投影计算局部中心化样本点与其切空间的夹角,更好地刻画出局部切空间的性质,能够区分不属于该邻域的样本点,同时具有较好的抗噪音能力。该算法是对该领域研究中的局部切空间排列算法的一个有效改进,具有局部高曲率的流形学习功能。实验证实该算法的有效性。     

基于密度和相关分量分析的局部线性嵌入算法

为解决局部线性嵌入算法(LLE)性能受初始邻域值大小和相似性度量选取的制约,提出一种基于密度和相关分量分析(relevant component analysis,RCA)的局部线性嵌入算法(DRLLE).对每一个样本点计算一个密度缩放因子,根据密度缩放因子对样本点的初始邻域值进行自适应调整,计算RCA距离作为LLE算法的相似性度量,得到样本点的近邻集,进行降维处理.将DRLLE和其它LLE改进算法在Swiss roll、Swiss roll hole和ORL数据库上进行对比实验,其结果表明,DRLLE算法具有良好的降维效果和识别性能.     

AK-SYSi: an improved adaptive Kriging model for system reliability analysis with multiple failure modes by a refined U learning function

Due to multiple implicit limit state functions needed to be surrogated, adaptive Kriging model for system reliability analysis with multiple failure modes meets a big challenge in accuracy and efficiency. In order to improve the accuracy of adaptive Kriging meta-model in system reliability analysis, this paper mainly proposes an improved AK-SYS by using a refined U learning function. The improved AK-SYS updates the Kriging meta-model from the most easily identifiable failure mode among the multiple failure modes, and this strategy can avoid identifying the minimum mode or the maximum mode by the initial and the in-process Kriging meta-models and eliminate the corresponding inaccuracy propagating to the final result. By analyzing three case studies, the effectiveness and the accuracy of the proposed refined U learning function are verified.

     

An efficient reliability analysis method combining adaptive Kriging and modified importance sampling for small failure probability

A vital challenge problem of structural reliability analysis is how to estimate the small failure probability with a minimum number of model evaluations. The Adaptive Kriging combined with Importance Sampling method (AK-IS) which is developed from the adaptive Kriging combined with Monte Carlo simulation (AK-MCS) is a viable method to deal with this challenge. The aim of this paper is to reduce the number of model evaluations of the existing AK-IS algorithm. Firstly, we use a contributive weight function to divide the candidate samples of model input variables generated in AK-IS. The candidate samples are used to select the best next sample to update the Kriging model in AK-IS. Secondly, select the best next sample only in the important area obtained according to the contributive weight value to failure probability to update the Kriging model until the stopping condition is satisfied. Thirdly, use the Kriging model constructed in the important area to predict the other area and update the important area by adding the point with the maximum contributive weight value in the area except the important area ceaselessly until the probability of the accurate identification on the limit state function’s signs (positive limit state value or negative limit state value) of all the importance sampling points satisfies a criterion. Finally, the updated Kriging model is used to estimate the failure probability especially for the small failure probability. The proposed method uses a thought from local to global in order to reduce the computational cost of AK-IS and simultaneously guarantees the accuracy of estimation. A non-linear oscillator system, a roof truss structure and a planar ten-bar structure are analyzed by the proposed method. The results demonstrate the efficiency and accuracy of the proposed method in structural reliability analysis especially for small failure probability.     

基于非线性主成分分析的自适应变步长盲源分离算法

算法的迭代步长对于算法的收敛性能有着重要影响。针对固定步长的非线性主成分分析(NPCA)算法不能兼顾收敛速度和估计精度的情形,提出基于梯度的自适应变步长NPCA算法和最优变步长NPCA算法两种自适应变步长算法来改善其收敛性能。特别地,最优变步长NPCA算法通过对代价函数进行一阶线性近似表示,从而计算出当前的最优迭代步长。该算法的迭代步长随估计误差的变化而变化,估计误差大,迭代步长相应大,反之亦然;且不需要人工设置任何参数。仿真结果表明,当算法的估计精度相同时,与固定步长NPCA算法相比,两种自适应变步长NPCA算法相对固定步长NPCA算法都具有更好的收敛速度或跟踪性能,且最优变步长NPCA算法的性能优于基于梯度的自适应变步长NPCA算法。     

一种改进的协同优化算法及其应用

针对协同优化方法收敛困难、优化效率低的问题,提出了一种改进的协同优化算法—ICO算法。通过引入自适应松弛因子将一致性等式约束转化为不等式约束,同时建立混合惩罚函数,将系统级约束优化问题转化为无约束优化问题,ICO算法较好地克服了传统协同优化算法难于收敛的缺点。标准算例实验结果表明,ICO算法能够有效提高优化的稳定性、可靠性和计算效率。优化结果显示了协同优化算法解决海洋供应船的设计优化问题的有效性,为解决更为复杂工程系统的设计优化问题奠定了基础。     

基于均值改进控制策略的昂贵约束并行代理优化算法

针对具有黑箱特性的昂贵约束优化问题及工程中计算资源利用率不高问题,提出了新的基于均值改进控制策略的并行代理优化算法.该算法为了减少仿真建模计算负担,选取Kriging近似模型对目标函数和约束函数进行近似估计.在Kriging模型基础上,利用均值改进与新增试验样本间的不等关系构建具有距离特性的控制函数.算法的均值改进控制策略通过控制函数调整最大改进值,实现样本设计空间的多点填充.算法适用范围:1)计算成本主要来自于仿真估计而非优化;2)复杂的工程或商业软件内部无法修改的昂贵仿真问题.数值算例和仿真案例表明:该算法可有效获取近似最优解,减少仿真试验次数的同时弱化均值改进准则的贪婪特性.相比于其他多点填充策略,均值改进控制策略可有效提升算法计算效率.此外,算法获取优化问题近似最优解的稳定性和精度均具有一定优势.     

产品设计规划问题建模及遗传算法求解

针对目前产品设计过程规划研究中存在的不足,在充分考虑实际设计过程中存在的各种不确定因素的基础上,以产品开发过程中的全体任务为规划对象,以设计迭代时间和成本为目标,将设计过程规划问题描述为基于仿真的随机优化问题进行处理。提出一种模型求解的混合遗传算法,该算法引入最优计算量分配技术进行样本分配,极大地提高了算法的搜索效率,有效地改善了遗传算法搜索的可靠性。以汽轮机轴承转子系统的设计为例,对提出的方法的有效性进行了验证,仿真结果表明,该建模方法有效且算法求解效率高。该方法可推广应用于各种产品设计过程的规划,具有普遍意义。     

基于自适应机制的多宇宙并行量子衍生进化算法

进化参量的选取对量子衍生进化算法(QEA)的优化性能有极大的影响,传统QEA在选择进化参量时并未考虑种群中个体间的差异,种群中所有个体采用相同的进化参量完成更新,导致算法在解决组合优化问题中存在收敛速度慢、容易陷入局部最优解等问题。针对这一问题,采用自适应机制调整QEA的旋转角步长和量子变异概率,算法中任意一代的任一个体的进化参量均由该个体自身适应度确定,从而保证尽可能多的进化个体能够朝着最优解方向不断靠近。此外,由于自适应量子进化算法需要评估个体的适应度,导致运算时间较长,针对这一问题则采用多宇宙机制将算法分布于多个宇宙中并行实现,从而提高算法的执行效率。通过搜索多峰函数最优解和求解背包问题测试算法性能,结果表明,与传统QEA相比,所提出算法在收敛速度、搜索全局最优解及执行速度方面具有较好的表现。     

基于复杂模拟的战斗机系统失效敏感性分析

战斗机的系统试验往往成本较高，随着战斗机系统的日益复杂化，基于计算机模拟的表征系统失效信息的功能响应量计算也越来越耗时费力。针对此类基于复杂计算机模拟的敏感性分析问题，提出了一种结合Sobol方法和基于主动学习的Kriging模型的敏感性分析方法，称之为AK-S（Adaptive-Kriging-based Sobol）方法，AK-S方法通过Kriging预测来代替真实响应值计算，因而可以更加高效地计算各输入变量的敏感性指标并得到重要度排序。通过与直接蒙特卡洛法（直接法，MC）和传统Sobol法对数值算例的处理结果进行对比，AK-S方法的计算效率和精度得到了证明。最后，AK-S方法被应用于基于复杂模拟的实际工程案例的失效敏感性分析，并获得了敏感性指标。AK-S算法被证明在同等计算精度的条件下，其效率大大高于MC和传统Sobol法，能很好地解决工程中基于复杂计算机模拟下的失效敏感性分析问题。     

基于改进的遗传算法在函数优化中的应用

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点,提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度,并且非线性地自适应调节遗传算法的交叉概率与变异概率;为了加快寻优效率,在选择算子方面将引进的选择算子与最优保存策略相结合;为了使遗传操作过程中种群数量恒定,又提出了保留亲本的策略。通过仿真实验发现,与经典遗传算法GA和IAGA相比,改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。