基于Kriging代理模型的序列优化

Kriging代理模型通过对某预测点周围的信息加权的线性组合来预估该点的未知信息,因其加权选择由最小化预估值的误差方差来确定而被视为最优的线性无偏估计。本文研究Kriging代理模型的序列优化,提出了一种新的加点规则—DH最大点插值法,并利用遗传算法的全局搜索能力搜索模型迭代的插值点,进而提高了Kriging模型的建模精度。     

基于阀值逆序算子的优化组合遗传算法

针对遗传算法局部搜索能力差的缺点，模拟生物染色体中基因排列的有序性，对阀值逆序算子进行了研究，它与传统逆序算子相比，能较好地提高群体性能提高，减少了对种群多样性的破坏，改善了遗传算法的局部搜索性能，与具有全局搜索性能好的遗传算子组合，弥补了阀值逆序算子对全局搜索性能的影响，构造了一种基于阀值逆序算子的优化组合遗传算法。从理论上证明了该算法的收敛性，实验结果表明，该优化组合算法具有更好的寻优能力，对应用串型编码的遗传算法解决一般的优化问题时，具有很好的借鉴意义，阀值可根据求解问题特征和局部搜索强度而选定。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能,对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

基于两种新型遗传算子的优化组合遗传算法①

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码对搜索空间描述精细、容易位值计算的特点,从矩阵遗传算子和布尔遗传算子的角度,分别对全局搜索和局部搜索的性能进行改进,并将二者组合应用,构造基于这两种新型遗传算子的优化组合遗传算法,避免了传统遗传算法中杂交率和变异率参数的选取,保证了算法的全局收敛性。实验结果表明,该算法具有更好的整体搜索性能。对应用二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义。     

用于全局优化的混合正交遗传算法

为提高正交遗传算法收敛速度和搜索精度,在正交遗传算法的基础上引入局部搜索策略,提出一种新的聚类局部搜索算子。利用正交算子初始化种群,保证初始群体分布的均匀性和多样性。通过正交算子在全局范围内进行全局搜索,使算法能在全局范围内收敛。采用聚类局部搜索算子对群体进行局部搜索,以增强算法的收敛速度和搜索精度。对7个高维的Benchmark函数进行测试,仿真实验结果表明,与其他算法相比,该算法具有更好的搜索精度、收敛速度和全局寻优的能力。     

遗传算法在NURBS曲线拟合精度的研究应用

为实现非均匀有理B样条(NURBS)曲线形态的精确控制,在权因子对NURBS曲线的拟合精度控制过程中,引入了遗传算法.分别对遗传算法的全局并行搜索方式和曲线拟合精度的控制方法进行了深入研究.通过遗传算法搜索到权因子变化空间中的最优个体组,应用最优权因子使NURBS参数化曲线具有较好的拟合精度,从而达到曲线形状的合理控制.试验数据表明,通过运用遗传算法对NURBS曲线的权因子进行优化,使得曲线的拟合精度有了较大的提高.     

求解动态需求车辆调度问题的自适应量子遗传算法

针对物流配送过程中存在的动态车辆调度问题,即带载车量约束的实时优化车辆路径问题,提出一种自适应量子遗传算法,用于最小化配送成本.根据搜索点目标函数的变化率,提出一种自适应量子旋转门更新方式,并通过子种群适应度值的变化确定量子旋转角的方向和大小,进而引导种群进化方向,提高算法的全局搜索广泛性;设计了一种变异操作,用于保持自适应量子遗传算法的种群多样性,进而提高算法全局搜索的宽泛性;引入基于两元素搜索原则的局部搜索方法来增强算法的局部优化能力.仿真实验和算法比较验证了所提算法的有效性和优越性.     

基于遗传算法和非线性规划求解信息交互的光伏阵列模型鲁棒参数辨识方法

对光伏阵列进行建模不仅可以研究温度、光照等因素对V-I特性曲线的影响,还可以用模型代替实际光伏阵列进行各种光伏实验,降低实验成本,节省实验时间;参数辨识可以使光伏阵列模型的参数值设置更精确,使其与实际值相一致;针对基于非线性规划的光伏阵列模型鲁棒参数辨识方法容易陷入局部搜索的问题,提出了遗传算法与非线性规划求解信息交互的鲁棒参数辨识方法;将遗传算法与非线性规划求解信息交互,既可以进行全局搜索,又可以进行局部搜索,以得到问题的全局最优解;通过仿真测试,使用该方法得到的结果均方误差降低了8倍,均方误差量级达到了1.0E-3,表明了该方法在光伏阵列模型参数辨识方面具有较高的精确度。     

基于TS-GA的LS-SVM参数优选?

将禁忌搜索和遗传算法相结合,提出一种改进的最小二乘支持向量机(LS-SVM)参数优选方法。利用自适应遗传算法进行全局搜 索,使用禁忌搜索进行局部寻优,由此提高求解速度和解的精度。采用某冶炼厂净化工段的现场数据建立模型进行仿真实验,结果表明,该方法能使LS-SVM模型具有较好的泛化能力,模型精度满足工艺要求。     

一种基于矩阵遗传算子的优化组合遗传算法

针对遗传算法中全局搜索与局部搜索之间的矛盾,应用二进制编码具有对搜索空间表示精细、容易位值计算的特点,提出矩阵遗传算子,实现群体性对样本空间探索,从而增强遗传算法的全局搜索性能,与具有良好局部搜索性能的遗传算子组合应用,构造了基于矩阵遗传算子的优化组合遗传算法,保证了算法的全局收敛性.实验结果表明,该算法具有更好的整体寻优能力,对利用基于二进制编码遗传算法求解复杂非线性优化问题具有重要借鉴意义.     

基于组合优化的Kriging参数估计算法

在使用常微分方程组描述的数学模型进行参数估计时,本文使用Kriging代理模型完成优化过程。该代理模型通过少量数据点的训练即可部分替代计算费时的原始目标函数优化过程,因此可以节省大量的计算时间。在Kriging代理模型精化过程中,查找新增点的优化算法对参数估计的结果有重要影响。本文针对非线性且具有sloppiness属性的常微分方程组形式的参数估计问题,组合具有二阶动量特征的Adam算法及一阶动量梯度下降算法的各自优势用于搜索模型精化时所需添加的新样例点,从而提高收敛速度及查找质量。通过与其他优化算法相比对,验证了该组合算法的实际有效性。     

普通Kriging方法建立宏观地层的验证与评价

空间插值方法对空间变异性和空间相关性的反映程度及其准确性与精度直接影响到三维地质模型的真实性。普通Kriging方法应用于数字地层中,其变异函数模型和参数选择对结果影响很大,利用最值、方差、相关系数、平均误差以及误差分布统计为主要比较指标,采用交叉验证方法结合误差分析,对球状模型、指数模型、线性模型进行比较研究,初步得出线性有块金模型优于其他变异函数模型的结论,对数字地层的工程应用及其真实性评价有一定指导意义。     

Kriging代理模型在对地观测卫星系统优化中的应用

结构优化是对地观测卫星系统(Earth observation satellite system,EOSS)性能提高的关键,但其覆盖性能难以解析计算.为实现EOSS优化,提出了仿真优化的求解思路:构建Kriging代理模型对仿真数据进行拟合,采用代理模型最优和最大化期望提高相结合的机制选择更新点,并定义单位距离的函数改进对更新点进行过滤;提出了改进广义模式搜索算法求解代理模型,搜索步采用遗传算法和序列二次规划算法实现,筛选步采用不完全动态筛选.最后,通过仿真实例和对比实验验证了本文方法的有效性.     

Effects of the correlation model,the trend model,and the number of training points on the accuracy of Kriging metamodels

This paper explores the effects of the correlation model, the trend model, and the number of training points on the accuracy of Kriging metamodels. Gaussian correlation models are found to be superior to exponential and linear correlation models. No particular trend model is found to be better than the other models. The number of training points used in constructing the Kriging metamodels is observed to change the relative performances of the trend and the correlation functions. The leave‐one‐out cross‐validation error is found to become a better surrogate for the actual error, as the number of training points is increased. Finally, the use of an ensemble of metamodels is discussed and it is found that using an ensemble may improve the accuracy.     

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.     

嵌入式大气数据系统Kriging算法模型

基于Kriging算法提出了一种嵌入式大气数据系统的计算模型.该模型以测压点压强为输入,攻角、偏航角和Ma等大气参数为输出.采用Kriging插值方法,建立了输入与输出间的映射关系,从而避免了迭代类方法反复迭代的过程,实现了高实时性.分别比较了取三、四和五个测压点时,以及取不同位置处测压点时,计算大气数据的精度.通过与神经网络模型比较,Kriging模型的精度明显优于神经网络模型.     

机翼柱面梳状接头设计和参数优化

为解决工程实际中常规机翼梳状接头应力严重、结构偏重的问题,设计一种用于机翼结构对接的柱面梳状接头,并借助试验设计和Kriging代理模型技术提出其细节参数优化方法,应用试验设计法选取样本点,通过非线性有限元接触分析得到该样本点的响应,以此建立Kriging代理模型,并采用更新技术提高Kriging代理模型的精度;应用多岛遗传算法优化该代理模型并获得最优解.算例表明:采用该方法,机翼减重效果明显,优化效率提高.     

A study into the potential of GPUs for the efficient construction and evaluation of Kriging models

The surrogate modelling technique known as Kriging, and its various derivatives, requires an optimization process to effectively determine the model’s defining parameters. This optimization typically involves the maximisation of a likelihood function which requires the construction and inversion of a correlation matrix dependent on the selected modelling parameters. The construction of such models in high dimensions and with a large numbers of sample points can, therefore, be considerably expensive. Similarly, once such a model has been constructed the evaluation of the predictor, error and other related design and model improvement criteria can also be costly. The following paper investigates the potential for graphical processing units to be used to accelerate the evaluation of the Kriging likelihood, predictor and error functions. Five different Kriging formulations are considered including, ordinary, universal, non-stationary, gradient-enhanced and multi-fidelity Kriging. Other key contributions include the derivation of the adjoint of the likelihood function for a fully and partially gradient-enhanced Kriging model as well as the presentation of novel schemes to accelerate the likelihood optimization via a mixture of single and double precision calculations and by automatically selecting the best hardware to perform the evaluations on.     

结合多信号模型与遗传算法的板级电路测点选取方法

针对传统的电路板测点选取方法需要的输入信息多、工作繁琐、效率低及难以得到全局最优解等问题,提出了一种基于多信号模型与遗传算法相结合的优化方法。首先,通过建立板级电路的多信号流系统模型,获取测点与对应板级电路组成单元的相关性矩阵,并对其进行进一步分析,得出测点组合的测试能力参数。在测点选取数量不大于给定值的情况下,选取测试能力参数作为遗传算法的适应度函数并进行优化搜索,以确定测点的优化选取方案。结合Multisim仿真软件进行低通有源滤波电路系统的故障模拟实验,仿真结果表明,基于多信号模型与遗传算法选取的板级电路测点组合对低通有源滤波电路中的绝大部分故障都有良好的检测和隔离能力,取得了良好的效果,同时该方法也适用于多种其他电路。     

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。