Metamodel-based global optimization using fuzzy clustering for design space reduction

High fidelity analysis are utilized in modern engineering design optimization problems which involve expensive black-box models.For computation-intensive engineering design problems,efficient global optimization methods must be developed to relieve the computational burden.A new metamodel-based global optimization method using fuzzy clustering for design space reduction(MGO-FCR) is presented.The uniformly distributed initial sample points are generated by Latin hypercube design to construct the radial basis function metamodel,whose accuracy is improved with increasing number of sample points gradually.Fuzzy c-mean method and Gath-Geva clustering method are applied to divide the design space into several small interesting cluster spaces for low and high dimensional problems respectively.Modeling efficiency and accuracy are directly related to the design space,so unconcerned spaces are eliminated by the proposed reduction principle and two pseudo reduction algorithms.The reduction principle is developed to determine whether the current design space should be reduced and which space is eliminated.The first pseudo reduction algorithm improves the speed of clustering,while the second pseudo reduction algorithm ensures the design space to be reduced.Through several numerical benchmark functions,comparative studies with adaptive response surface method,approximated unimodal region elimination method and mode-pursuing sampling are carried out.The optimization results reveal that this method captures the real global optimum for all the numerical benchmark functions.And the number of function evaluations show that the efficiency of this method is favorable especially for high dimensional problems.Based on this global design optimization method,a design optimization of a lifting surface in high speed flow is carried out and this method saves about 10 h compared with genetic algorithms.This method possesses favorable performance on efficiency,robustness and capability of global convergence and gives a new optimization strat     

一种基于增量元模型方法的全局优化算法

针对复杂仿真模型的全局优化问题,提出一种基于增量元模型方法的全局优化算法。首先,分析了现有增量拉丁超立方采样方法新增点数量难以控制以及其数值必须为原采样点数量的整数倍的缺陷,在此基础上利用减法规则思想改进了增量拉丁超立方采样;其次,将改进后的增量拉丁超立方采样与径向基函数的增量更新方法相结合,提出了一种全新的高效全局优化算法;最后,将该算法应用于压力容器的优化设计,计算结果证明了该方法的实用性与工程有效性。     

基于自适应模糊聚类的多模型染纱能耗软测量

针对染纱生产的工艺能耗测量问题,提出一种基于自适应模糊聚类的多神经网络的染纱能耗软测量方法.该方法采用自适应模糊C均值聚类算法,基于实时采集的样本数据,将训练集划分成不同聚类中心的子集,并自适应修正.每个子集用径向基函数网络训练得到子模型,然后根据聚类后的隶属度,将各子模型的输出加权求和获得最后结果.通过对染缸能耗软测量建模,并对其进行仿真和典型实例研究,表明该方法具有良好的预测精度和鲁棒性,且与制造执行系统结合具有良好的在线测量能力.     

Sequential RBF Surrogate-based Efficient Optimization Method for Engineering Design Problems with Expensive Black-Box Functions

As a promising technique, surrogate-based design and optimization（SBDO） has been widely used in modern engineering design optimizations. Currently, static surrogate-based optimization methods have been successfully applied to expensive optimization problems. However, due to the low efficiency and poor flexibility, static surrogate-based optimization methods are difficult to efficiently solve practical engineering cases. At the aim of enhancing efficiency, a novel surrogate-based efficient optimization method is developed by using sequential radial basis function（SEO-SRBF）. Moreover, augmented Lagrangian multiplier method is adopted to solve the problems involving expensive constraints. In order to study the performance of SEO-SRBF, several numerical benchmark functions and engineering problems are solved by SEO-SRBF and other well-known surrogate-based optimization methods including EGO, MPS, and IARSM. The optimal solutions, number of function evaluations, and algorithm execution time are recorded for comparison. The comparison results demonstrate that SEO-SRBF shows satisfactory performance in both optimization efficiency and global convergence capability. The CPU time required for running SEO-SRBF is dramatically less than that of other algorithms. In the torque arm optimization case using FEA simulation, SEO-SRBF further reduces 21% of thematerial volume compared with the solution from static-RBF subject to the stress constraint. This study provides the efficient strategy to solve expensive constrained optimization problems.     

基于互信息法和改进模糊聚类的机床热关键点优化研究

基于热误差模型进行机床热误差补偿是保证数控机床加工精度的一种有效方法,温度测点的布置和辨识会直接影响热误差建模的精确性和鲁棒性。本文提出一种互信息和改进模糊聚类法相结合的机床热关键点优化方法。以机床不同位置处的多个测点温度值及工件热变形作为分析数据,通过计算温度变量与热变形之间的平均互信息量,获得其综合关联度矩阵,确定二者之间的相关性后初选温度变量。根据改进模糊聚类法、F统计量和复判定系数对初选的温测点进行聚类,并结合温度变量与热变形之间的综合关联度值提取机床热关键点,从而实现测点优化。将基于该方法所得到的热误差模型与采用变量分组优化法获得的热误差模型进行比较,结果显示采用该方法进行热误差建模,机床X轴和Y轴的热变形预测精度得到显著提高,有利于改善加工精度。     

基于图论模糊聚类的室内自适应RSSI定位算法

针对现有RSSI定位算法无法满足室内环境下对目标的自适应定位,提出一种基于图论模糊聚类的室内自适应RSSI定位算法IAL-GT-FC。算法根据室内环境下各区域RSSI分布的差异性,建立基于图论和模糊聚类的RSSI模糊聚类模型,并基于该模型将定位区域自适应划分成若干环境差异较小的子区域;通过建立参数自适应规则,自适应调整各子区域内的环境参数,使其满足该区域内RSSI测距的需要;结合该区域内的环境参数,通过建立相邻区域间的RSSI补偿机制对未知节点进行RSSI测距补偿;最后采用权重质心法对未知节点进行位置求解。通过实验,证明该算法具有较高的定位精度和较强的自适应能力,能够满足室内环境下对目标的精确定位。     

基于模糊聚类的拆卸成本建模方法研究

为了解决对报废产品的拆卸成本进行评估时难以精确化的问题,提出了一种基于模糊聚类的拆卸成本建模方法。首先通过采集拆卸操作样本的成本指标数值来建立原始资料矩阵,然后采用标定化和规范化运算得到拆卸操作的关联函数——相似矩阵,再通过传递包法计算得到拆卸成本等级隶属度函数,进而运用阈值原理切割推理出最佳分类结果。给出了相对难度系数的概念,并以此为基础构建了对应各类别的三角形隶属度函数。以减速机的拆卸为实例,验证了该方法的可行性。     

基于核模糊相似度度量的谱聚类算法

相似性度量的选择是谱聚类算法良好性能实现的关键。通常采用的谱聚类相似性的度量是基于高斯核函数的相似性度量。然而,谱聚类对这种相似度度量中的尺度参数非常敏感,并且确定一个合适的参数也很困难。另外,基于欧几里得的这种高斯核相似度度量无法有效反映复杂分布数据集的分布特点。针对此问题,通过利用基于核模糊C均值聚类算法得到的划分矩阵中隶属度的分布特点,提出了一个新的核模糊相似度度量,并将基于所提出的新的相似度度量的谱聚类算法(KFSC)应用于图像分割中。所提出的KFSC算法不仅克服了谱聚类对尺度参数敏感,而且解决了尺度参数很难确定的问题,获得更好的聚类效果。3个标准数据集、2个合成纹理图像及2个自然图像上的分割实验表明了所提出算法的有效性和鲁棒性。     

基于响应面法的桥梁主桁架结构优化设计

对复杂结构进行优化设计和可靠性设计时,利用传统的设计方法可能会遇到计算量太大的困难,应用响应面法是有效地解决该问题的途径之一.文中将响应面法和有限元技术相结合,建立了桥梁主桁架的挠度、弯曲应力与结构尺寸的函数表达式,继而对主桁架进行了结构优化设计,最后对优化结果进行了有限元分析和验证.设计计算结果表明,对于桁架结构设计这类问题,响应面优化设计具有很好的应用价值.     

求解黑箱优化问题的动态模式跟踪抽样算法

针对当前复杂工业领域设计过程中存在的计算密集型黑箱优化问题,提出一种改进的动态模式跟踪抽样算法.算法基于线性样条函数进行全局近似,通过随机抽样过程产生逐步逼近全局最优区域的设计点,并利用二次响应面函数进行全局收敛判定.引入动态加速因子来增强算法的全局搜索能力和函数适应性,并采用改进的修正复相关系数进行动态加速因子更新和响应面拟合精度判定.标准测试函数表明,相比于遗传算法和模拟退火等启发式算法,动态模式跟踪抽样算法在减少目标函数评估次数和收敛成功率上均具有较大的优势.     

基于模糊聚类的Kohonen神经网络三角网格曲面重建

针对密集点云的三角网格曲面重建,提出一种用于数据精简和分块的神经网络算法:将模糊聚类方法与Kohonen神经网络算法结合.该算法具有按不同曲率进行曲面点云分块重建的能力,而且提高了自组织神经网络的效率.并应用该算法进行了仿真试验,建立了三角拓扑网格曲面,验证了算法的有效性.     

产品稳健设计响应面模型法的试验设计

试验设计是产品稳健设计中的基础，对稳健设计中常用的响应面模型法的试验设计方法进行了研究。针对响应面法稳健设计中所采用的仿真试验与物理试验误差性质的不同，采取不同的试验设计方法，其中正交试验设计和拉丁方试验设计的应用克服了以往响应面法稳健设计中不能应用仿真试验的缺点。     

基于群策层次分析法和模糊聚类理论的改进质量功能展开研究

针对传统质量屋存在的缺陷,在建立质量功能展开总体递阶层次结构的基础上,建立了一种新的质量功能展开递阶质量屋.以此结构为基础进行了用户需求层次的展开,运用模糊聚类动态分类方法对用户需求进行分类,并对基于群策层次分析法递阶质量屋中的参数进行确定.通过实例验证了本文提出方法的有效性、可行性和可操作性.     

膜系优化设计中的逃逸函数法

在膜系优化设计中引入可以摆脱局部极值 ,实现全局优化的逃逸函数 ( escapefunction)法。介绍了逃逸函数法的基本原理及算法设计 ,并举例说明它在膜系优化设计中与 needle法 ,传统优化方法结合使用可以进行全局搜索 ,从而实现从单层膜开始设计任意光学性能的多层膜     

基于中心点精确响应面法的板壳结构优化

对响应面方法中两个最为关键的概念——近似函数及试验设计做了简单描述,选择线性函数作为约束条件的近似函数形式,并对位移和应力约束作不同处理,位移约束不合常数项,而应力约束含常数项。提出了一种适合建立一阶形式响应面并使结构分析次数最少的试验设计方法——中心扩展法。求解响应面时在最小二乘法的基础之上作了改进,提出中心点精确响应面法,使拟合的响应面中心点处的响应值精确等于有限元分析值。最后通过数值算例说明改进后的响应面法对于板壳结构优化的可行性和优越性。     

基于自适应密度聚类的多准则主动学习方法

主动学习能够以更少的标注成本训练出更好的机器学习模型。 现有的 RD 算法与 QBC 算法的结合有效地解决了只考 虑单一标准的问题。 然而,RD 所基于的 K-means 聚类会将离群点也包括在内进而造成模型性能降低,而 QBC 则需要维护于多 个模型而间接返回样本的信息性. 针对上述问题,本文提出了一种基于自适应密度聚类的高斯过程回归(ADC-GPR)算法,通过 先聚类后直接利用不确定性进而高效选择样本。 该算法中的 ADC 聚类不仅对离群点鲁棒,还能根据数据集分布特性自适应聚 类,并为后续的 AL 提供了代表性样本点和其对应的簇,该方法在无监督选择时保证了代表性和多样性,在有监督选择时考虑 了信息性、代表性和多样性。 实验结果表明,在相同的抽样次数下将 ADC-GPR 算法与 RS、KS 以及 RD-GPR 算法相比,其平均 性能分别提升了 37. 3% 、8% 和 2. 8% ,ADC-GPR 算法的选择效率更高。     

基于模糊评判与优化的微型扑翼飞行器扑动机构综合设计方法

针对微型扑翼飞行器曲柄摇臂扑动机构,提出了影响扑动机构综合性能档方法对多种曲柄摇臂扑动机构方案进行优选,并对获选方案进行优化设计,在此基础上形成了微型扑翼飞行器扑动机构综合设计方法.样机研制和外场试飞证明了文中方法对提高扑动机构综合性能是有效的.     

基于模糊聚类和模糊识别的循环水泄漏检测与定位研究

提出了一种基于模糊聚类和模糊识别的循环水泄漏检测与定位方法,该方法通过气相色谱仪对循环水进行分析,运用模糊聚类方法建立循环水泄漏点标准谱图库,采用模糊识别确定待分析样本与标准谱图库中样本的关联程度,以此报告待分析样本的泄漏点位置。实例分析表明,使用该方法能够准确地对炼油厂循环水泄漏点进行检测与定位。     

权重系数自适应光流法运动目标检测

为了实现Horn-Schunck光流法权重系数的自适应设定与更新,研究了权重系数对Horn-Schunck光流法的影响规律,提出一种融合模糊C均值(FCM)聚类的权重系数自适应Horn-Schunck光流法。首先,统计不同权重系数下运动目标检测的光流总值变化曲线。然后,以光流总值的最优化为依据,结合两层模糊C均值(FCM)聚类寻找最优权重和基于固定迭代次数Horn-Schunck光流法的收敛点,从而自适应地获取最优权重系数,并将收敛阈值的人工设定转化为光流值的自动寻优。最后,通过标准视频序列进行测试以验证算法的有效性。实验结果表明:相比于其他权重系数值,最优权重估计的光流图像不但运动目标明显而且噪声较少。对运动目标检测的运行时间为0.106 0s,有用比为0.596 9,幅度误差为0.801 1,满足光流法运动目标检测的最优或次优性能。     

多学科优化在后背门改进设计中的应用

在某SUV车型的背门模态分析中,背门1阶固有频率与发动机及路面的激振频率过于接近,这种情况会导致在日常行驶工况中车门产生共振,影响车门的NVH性能。本文中以对车门质量及1阶固有频率的灵敏度较高的几个构件的材料厚度为设计变量,采用最优拉丁方试验设计方法获得样本数据,并用响应面法构建了背门质量及1阶固有频率的近似模型,利用序列二次规划法对该两个近似模型进行多学科并行优化,在保证背门质量不增加的情况下,显著提高了背门的1阶固有频率。