动态Kriging优化算法求解昂贵约束优化问题

针对昂贵单目标约束优化中真实模型计算费时且现有算法收敛速度慢的问题,提出了动态Krging优化算法以提高计算效率.该算法首先将所有约束条件转换为一个约束函数,然后采用拉丁超立方体采样(LHS)法进行采样,分别建立真实模型目标函数和约束函数的Kriging代理模型,同时结合真实模型对代理模型估计进行误差矫正,采用非支配个体选择、保留和替换机制不断更新样本库和Kriging代理模型.最后将进化最优种群代入真实模型计算其最优值.通过13个标准函数测试表明该算法具有较高的精确度和稳健性,明显减少了真实模型的评价次数.     

基于改进EGO算法的黑箱函数全局最优化

基于Kriging模型的EGO算法是一种适用于黑箱函数求极值的全局最优化算法,但该算法忽略了对Kriging模型精度的控制.针对该算法的不足之处,提出了兼顾Kriging模型精度与模型寻优的迭代函数,并将改进后的EGO算法应用于五个检验函数及一个存货模型,从Kriging模型精度及优化结果两方面对改进前后的算法进行比较.结果表明,改进后的EGO算法提高了最终Kriging模型的精度,并在对目标函数进行少量估值的情况下获得了更为全局化的最优解.     

基于拉普拉斯方法的大规模高斯过程分类算法

基于KL散度的大规模变分高斯过程分类算法(KLSP)需要同时对诱导变量的均值向量和协方差矩阵进行优化,这会给模型求解带来一定的挑战.基于拉普拉斯方法建立一种改进算法:首先为诱导变量的后验分布构造一个易于计算的下界;然后利用拉普拉斯方法计算该下界的一个高斯逼近作为诱导变量的后验分布函数的近似表达式,将问题转换为一个只与均值向量有关的凸优化问题,从而降低了模型的求解难度.仿真实验结果表明,所提出的改进算法在速度和精度上都较原始算法有了明显提高.     

联合紧支径向基函数和微分进化算法的电磁优化方法

针对工程电磁装置的优化设计问题,提出一种基于紧支径向基函数的近似模型和改进微分进化算法的组合优化方法。利用基于紧支径向基函数的近似模型得到多维设计空间中构造复杂目标函数和约束函数的显式函数关系。结合改进的微分进化算法获得精确度较高的全局最优解。实例分析和比较表明新方法的收敛速度和优化效率相对于其他的随机类优化算法和模型有明显的优势。     

工业过程稳态优化控制新方法——修正目标函数法

本文对带有输出关联不等式约束的工业过程提出了一种确定稳态优化控制的新算法-- 修正目标函数法.该算法具有全局单调收敛性,事先不需要建立近似稳态模型.仿真结果显 示了该算法的有效性及优越性.     

近似动态规划在双容水箱预测控制中的应用

在双容水箱液位优化控制的研究中,由于双容水箱液位控制系统是一个典型的具有大滞后、非线性特征的难控系统,造成系统液位控制不稳定.为解决上述问题,提出一种近似动态规划的预测控制算法,建立反映系统预测时域内参考轨迹与预测输出偏差的性能指标函数J.将函数J的优化问题看作动态规划问题,为了避免“维数灾”,采用近似动态规划求解J的近似值,获得最(次)优控制策略.算法包括评价网络、模型网络和执行网络三部分.评价网络近似性能指标函数,模型网络近似系统输入输出关系,执行网络给出相应控制策略.通过不断在线调整各网络参数,使系统输出逼近参考液位.仿真结果表明,与经典PID算法相比,改进算法表现出更好的控制效果.     

Kriging模型的增量构造及其在全局优化中的应用

为了解决高效全局优化算法(EGO)中迭代次数增多时构建Kriging模型速度过慢,以及对于某些响应值变化范围较大的目标函数出现过早收敛的问题,提出了增量Kriging方法和基于此方法的改进EGO算法.增量方法利用已经得到的关联矩阵的逆矩阵和新增的数据点忽略关联系数优化的过程,直接进行一系列矩阵运算,得到新关联矩阵的逆矩阵,进而得到更新后的预测模型.改进的EGO算法使用上述的增量方法和更加严谨的停止规则,包括改善期望、自变量和响应值的停止准则.最后使用标准函数分别对增量方法和EGO算法进行测试,结果表明,增量方法可在损失少量精度的情况下大大缩短模型更新的时间,改进的EGO算法具有更高的效率和稳定性.     

基于遗传算法的Kriging模型构造与优化

相关模型参数的确定是Kriging模型构造的关键,讨论了利用传统数值优化方法,如模式搜索方法,确定相关参数存在依赖搜索起始点等缺点;利用遗传算法获得满足目标函数全局最小情况下的相关模型参数,解决了模型的构造对起始点依赖的问题;将遗传算法与改进后的Kriging模型结合,基于近似模型对系统进行全局最优化.     

一种改进的基于概率约束DMC控制算法

动态矩阵控制（DMC）是模型预测控制（model predictive control）的一种典型算法，通过模型预测、在线滚动优化和反馈校正来对被控系统实施优化控制，能有效处理系统输入输出约束和抑制随机干扰。为了使具有概率约束的被控对象具有更好的动态响应速度和鲁棒性，在优化性能指标函数中引入跟踪误差的微分项，再通过高斯近似把概率约束指标转换为确定约束，建立有约束DMC预测控制算法。理论分析和计算机仿真结果表明了该算法使系统具有更好的控制品质。     

蒸馏与换热协同的约束多目标在线操作优化方法

针对蒸馏装置与换热网络间缺乏协同优化导致的分馏精度差和能耗高的问题,提出了一种基于代理模型的约束多目标在线协同操作优化方法.为了解决蒸馏装置与换热网络操作参数协同优化时存在的计算耗时和约束的问题,构建Kriging代理模型来近似目标函数和约束条件,提出了基于随机欠采样和Adaboost的分类代理模型（RUSBoost）来解决类别不平衡的收敛判定预测问题.提出了基于多阶段自适应约束处理的代理模型的模型管理方法,该方法采用基于参考向量激活状态的最大化改善期望准则和可行概率准则更新机制来平衡优化初始阶段种群的多样性和可行性,采用支配参考点的置信下限准则更新机制加快收敛速度.通过不断与机理模型交互来在线更新代理模型,实现在线操作优化.通过测试函数和仿真实例验证了本文方法的有效性.     

Multi-surrogate-based global optimization using a score-based infill criterion

This paper presents a new global optimization algorithm named MGOSIC to solve unconstrained expensive black-box optimization problems. In MGOSIC, three surrogate models Kriging, Radial Basis Function (RBF), and Quadratic Response Surfaces (QRS) are dynamically constructed, respectively. Additionally, a multi-point infill criterion is proposed to obtain new points in each cycle, where a score-based strategy is presented to mark cheap points generated by Latin hypercube sampling. According to their predictive values from the three surrogate models, the promising cheap points are assigned with different scores. In order to obtain the samples with diversity, a Max-Min approach is proposed to select promising sample points from the cheap point sets with higher scores. Simultaneously, the best solutions predicted by Kriging, RBF, and QRS are also recorded as supplementary samples, respectively. Once MGOSIC gets stuck in a local valley, the estimated mean square error of Kriging will be maximized to explore the sparsely sampled regions. Moreover, the whole optimization algorithm is carried out alternately in the global space and a reduced space. In summary, MGOSIC not only brings a new idea for multi-point sampling, but also builds a reasonable balance between exploitation and exploration. Finally, 19 mathematical benchmark cases and an engineering application of hydrofoil optimization are used to test MGOSIC. Furthermore, seven existing global optimization algorithms are also tested as contrast. The final results show that MGOSIC has high efficiency, strong stability, and better multi-point sampling capability in dealing with expensive black-box optimization problems.

     

数据驱动的贝叶斯SVR自适应建模及昂贵约束多目标代理优化

实际工程中的多目标优化问题往往具有黑箱特性且需要耗时的功能性评估,采用传统的进化优化方法求解,存在计算成本高昂且难以实现的问题.考虑代理优化方法在处理需要功能性评估工程设计问题中的高效性,提出一种小样本数据驱动下的贝叶斯SVR自适应建模及昂贵约束多目标代理优化方法.该方法在实现过程中选取贝叶斯SVR模型以减少功能性评估过程的昂贵仿真成本,利用最大化约束期望改进矩阵聚合策略进行新设计方案选取,并通过小样本信息的不断更新实现数据驱动下的贝叶斯SVR模型自适应更新和逐步优化.贝叶斯SVR模型具有强的边界刻画能力及预测不确定性度量功能,可为新样本挑选提供预测精度保障及潜在的改进方向.所提出的切比雪夫距离和曼哈顿距离聚合策略从样本填充的改进范围考虑,使其具有较强的改进边界探索能力,在多变量优化问题中具有计算复杂度低、适用性强的特点.测试函数及工程实例结果表明:1)所提出的方法可在小样本条件下有效减少昂贵仿真成本,提升昂贵约束多目标问题的优化效率;2)获取昂贵约束多目标问题的Pareto前沿在收敛性、多样性及空间分布性方面均具有一定优势.     

基于双重权约束期望改进策略的多目标并行代理优化方法

针对多目标仿真优化的高昂成本及黑箱函数难以获取问题,提出基于双重权约束期望改进策略的多目标并行代理优化方法.首先,建立Kriging模型获取未试验点的预测不确定性;其次,构建双重权约束期望改进策略,并利用填充策略矩阵及距离聚合方法实现新改进策略的聚合;然后,最大化聚合双重权约束期望改进策略实现多目标并行优化;最后,达到终止条件,获得Pareto最优解集.选取测试函数及铰接夹芯梁设计案例进行优化验证.验证对比结果表明:所提方法可有效提升多目标问题优化效率,减少昂贵仿真成本;与同类方法相比,低维问题中获取Pareto最优解集的收敛性、多样性及分布性更优.     

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.     

Estimation of the Pareto front in stochastic simulation through stochastic Kriging

Multi-objective optimization of simulated stochastic systems aims at estimating a representative set of Pareto optimal solutions and a common approach is to rely on metamodels to alleviate computational costs of the optimization process. In this article, both the objective and constraint functions are assumed to be smooth, highly non-linear and computationally expensive and are emulated by stochastic Kriging models. Then a novel global optimization algorithm, combing the expected hypervolume improvement of approximated Pareto front and the probability of feasibility of new points, is proposed to identify the Pareto front (set) with a minimal number of expensive simulations. The algorithm is suitable for the situations of having disconnected feasible regions and of having no feasible solution in initial design. Then, we also quantify the variability of estimated Pareto front caused by the intrinsic uncertainty of stochastic simulation using nonparametric bootstrapping method to better support decision making. One test function and an (s, S) inventory system experiment illustrate the potential and efficiency of the proposed sequential optimization algorithm for constrained multi-objective optimization problems in stochastic simulation, which is especially useful in Operations Research and Management Science.     

序的分类预测在进化算法中的应用

昂贵优化问题的求解往往伴随着计算成本灾难,为了减少目标函数的真实评估次数,将序预测方法用于进化算法中候选解的选取.通过分类预测直接得到候选解的相对优劣关系,避免了对目标函数建立精确代理模型的需求,并且设计了序样本集约简方法,以降低序样本集的冗余性,提高序预测模型的训练效率.接下来,将序预测与遗传算法相结合.序预测辅助遗传算法在昂贵优化测试函数上的仿真实验表明,序预测方法可有效降低求解昂贵优化问题时的计算成本.     

A Kriging-based algorithm to optimize production systems approximated by analytical models

Production system optimization still remains a difficult problem even if fast analytical methods are used to estimate their mean performance measures. This paper addresses optimization problems in which the system performance measures are obtained from analytical methods implemented in computer codes that are usually time expensive. A global search algorithm is proposed to solve the addressed optimization problem. A Kriging metamodel is built to approximate the system performance function on the basis of the deterministic output values provided by the analytical model. Then a standard optimization method is applied on the explicit metamodel expression. The main advantages of the proposed method are its generality and ease of use. Indeed, the algorithm can be applied to optimize any production system assessable by an analytical method. Also, the Kriging technique allows contemporarily building the approximation of the unknown function and assessing its quality. Numerical results are satisfactory and prove the applicability of the method to real problems.     

结合Kriging和物理规划的多目标代理优化算法

遗传算法处理高耗时且具有黑箱性的工程优化问题效率不足。为了提高工程优化效率，结合Kriging代理优化和物理规划，提出了基于Kriging和物理规划的多目标代理优化算法。在处理多目标问题时，使用物理规划将多目标问题转换成单目标问题，再使用Kriging代理优化对单目标问题进行求解。通过两个多目标数值算例和一个工程实例对提出的算法进行验证。结果表明，提出的算法能够求出符合偏好设置的Pareto最优解，且算法的效率更高。     

基于改进秃鹰搜索算法的同步优化特征选择

针对传统支持向量机在封装式特征选择中分类效果差、子集选取冗余、计算性能易受核函数参数影响的不足,利用元启发式优化算法对其进行同步优化.首先利用莱维飞行策略和模拟退火机制对秃鹰搜索算法的局部搜索能力与勘探利用解空间能力进行改进,通过标准函数的测试结果验证其改进的有效性;其次将支持向量机核函数参数作为待优化目标,利用改进后...     

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。