基于并行加点kriging模型的拉延筋优化

为提高kriging代理模型预测精度,基于最大期望提高加点准则,提出一种改进的自适应加点准则和一种并行加点策略。基于kriging模型的预测响应和预测方差,并行加点方法在建模过程中利用粒子群算法并行求解多个加点准则获取多个新样本点更新代理模型,极大提高建模效率。将该方法应用到低维和高维经典非线性函数中,并与单点加点结果相比较,结果表明该方法在保证全局精度情况下,加点次数减少50%以上,并且建模所需总样本数更少。最后以NUMISHEET2002标准考题翼子板成形为研究对象,将该方法应用到板料成形上,建立等效拉延筋阻力和减薄率之间的kriging代理模型,利用并行加点策略快速获取了拉延筋阻力的最优解,消除了翼子板成形中的拉裂缺陷,提高了板料的成形质量。研究表明,改进的自适应加点准则以及提出的并行加点策略可以有效地提高kriging模型的建模效率和建模精度。     

基于动态径向基函数代理模型的优化策略

针对飞行器多学科设计优化中传统的静态代理模型方法全局近似精度难以保证与计算效率较低的问题,提出一种基于动态径向基函数代理模型的优化策略.通过Maximin拉丁超方计算试验设计在设计空间中选择初始样本点,构造径向基函数代理模型,并通过全局优化算法对当前代理模型进行优化获得原优化问题的可能最优解,根据已知信息构造重点采样空间,在优化过程中逐步更新重点采样空间并在其内部增加样本点,并更新代理模型以提高代理模型在全局最优解附近的近似精度,直至优化迭代收敛.将本优化策略应用于数学测试算例和NASA减速器优化设计中,优化结果表明,使用本优化策略可以获得分析模型的全局最优解.与直接使用遗传算法相比,计算分析模型的次数减少了95%,相比于传统的静态径向基函数代理模型方法,计算分析模型的次数减少了50%.     

基于双加点动态Kriging模型的提升塔架优化设计

为在满足强度要求的情况下尽量减小提升塔架质量,同时解决传统Kriging模型全局精度和局部精度不易同时保证的问题,提出了一种双加点动态Kriging模型,并利用该模型和人工蜂群算法对提升塔架进行了优化设计。将全局敏感性分析得到的敏感参数作为设计变量,利用拉丁超立方试验设计得到的样本数据建立初始Kriging模型,以最大应力为约束条件,通过人工蜂群算法对提升塔架进行了减重优化。优化过程中, 采用双加点准则不断更新Kriging模型,以提高模型的全局精度和最优解处局部精度,直到获得最优解。研究结果表明：在最大应力不变的条件下,优化后的提升塔架质量减小了39.37%。基于双加点动态Kriging模型的优化设计与仿真模型的优化设计相比,其优化效率大幅度提高。双加点动态Kriging模型相较于静态Kriging模型和基于传统加点准则的动态Kriging模型,具有更高的全局精度、局部精度和最优解处局部精度。     

Kriging代理模型下基于垂距的多点取样算法

代理模型由于可以有效地缩减学科分析时间,被广泛应用于优化领域。而构建高精度代理模型则取决于样本点在设计空间中的分布。为了建立拟合效率高的近似模型,在已有Kriging代理模型基础上,提出一种基于垂距和最大化点均方差取样(Integrated mean square error,IMSE)的多点取样算法,以保证预测精度的同时减少样本数量。该方法将垂距作为判定设计变量取值的标准,进行数据点的初步筛选。选取高斯函数作为设计点之间的相关函数,并且在边缘附近进一步修正。针对实际算例,将该取样算法与多点加点准则比较,结果表明使用的方法在保证全局精度的基础上,采用较少的采样点构建代理模型,具有较高的局部近似精度。     

基于径向基神经网络和ASA-MMFD算法的桥式起重机主梁轻量化设计

为了实现桥式起重机主梁快速轻量化设计,提出了基于径向基神经网络代理模型和ASA-MMFD算法的桥式起重机主梁轻量化设计方法。在最优超拉丁立方试验设计的基础上,利用径向基神经网络代理模型建立桥式起重机截面设计参数和最大应力、最大位移和质量之间的映射关系,引入"全局+局部"的组合策略,通过自适应模拟退火算法对代理模型进行全局寻优,采用修正可行方向法进行局部搜索。利用测试函数和NASA减速器对所提方法进行验证,结果表明:在相同精度范围内,与ASA-MMFD算法相比,所提方法在调用模型次数方面大幅度减少,提高了优化效率。在此基础上,将其运用在桥式起重机主梁轻量化设计中,从而验证所提方法的适用性。     

基于0-1规划模型筛选策略的Kriging组合模型及可靠性优化设计

基于代理模型可靠性优化设计高度依赖于代理模型的精确性。在Kriging模型建模过程中,相关函数的选择往往影响Kriging模型精度。针对相关函数选择不确定情形下Kriging组合模型建模精度和稳健性偏低的难题,提出一种0-1规划模型筛选策略的Kriging组合建模方法。首先,依据期望提高自适应加点准则构建不同相关函数的Kriging模型作为候选模型;其次,通过0-1规划模型筛选策略对候选模型进行优化筛选以剔除预测性能不佳的候选模型;最后,加权平均筛选出的Kriging模型获取最佳Kriging组合模型。以复杂精密机械产品为研究载体验证了Kriging组合建模方法的有效性。研究结果表明,Kriging组合建模方法比单个Kriging模型的预测性能更加精确和稳健。     

基于自适应代理模型的翼型气动隐身多目标优化*

针对翼型气动隐身多目标优化设计存在的计算量大与权重难以选取的问题,提出基于自适应径向基函数代理模型与物理规划的高效多目标优化策略(Multi-objective optimization strategy using adaptive radial basis function and physical programming, ARBF-PP)。利用物理规划法通过非线性加权的方式将多目标优化问题转化为直接反映设计偏好的单目标优化问题,然后分别对综合偏好函数和约束条件构造径向基函数代理模型,采用增广Lagrange乘子法处理约束,并用遗传算法(Genetic algorithm, GA)进行求解。优化迭代过程中,在当前可能最优解附近增加样本点,更新代理模型,提高代理模型在最优解附近的近似精度,引导搜索过程快速收敛。使用数值多目标优化算例与翼型气动隐身多目标优化实例验证了本文所提出优化策略的有效性。翼型气动隐身多目标优化结果表明：相比于初始翼型,优化翼型的升阻比提高了34.28%,重点方位角的雷达散射截面(Radar cross section, RCS)均值减小了24.19%。此外,在相同样本规模的情况下,本文方法所得最优翼型的气动隐身性能比静态径向基函数代理模型方法的优化结果分别提高了11%与25.6%;与遗传算法相比,本文方法所需的分析模型调用次数(Number of evaluation function, Nfe)降低了93.5%。     

多项式结构选择技术构建风电滑动轴承润滑特性代理模型

在模拟滑动轴承润滑特性时，现有的CFD仿真方法计算成本高、耗时长，且不适宜于油膜优化设计中的多次迭代调用。提出采用多项式结构选择技术构建风电滑动轴承润滑特性代理模型，该方法通过遗传智能布点技术遗传样本，减少CFD仿真次数；基于误差减小比率筛选对润滑特性影响大的有效项，剔除影响小的无效项，减少多项式项数来提高风电滑动轴承润滑特性多项式代理模型的效率和精度。该模型实现少而精的多项式拟合润滑参数与润滑特性的强非线性映射关系，所需采集的样本数量少于传统的径向基函数代理模型构建方法，且计算误差小于径向基函数代理模型，为复杂非线性建模提供一条新的研究思路和技术途径。     

基于代理优化算法的水下滑翔机外形优化设计

为了解决水下滑翔机复杂外形的优化设计问题,在提高其升阻比的同时提高Kriging代理模型的优化效率,提出一种自适应代理优化算法。该算法分别使用提出的改善并行期望改进准则(Parallel Expectation Improvement, PEI)和改善概率准则两种加点准则进行全局探索;使用最小代理模型预测(Minimizing Surrogate Preduction, MSP)准则进行局部探索。并根据新样本点和已知样本点的关系来实现全局探索和局部探索的切换。通过数学算例将所提算法和最大期望提高(Expected Improvement, EI)准则、多点期望提高准则(Multiple Expectation of Improvement,q-EI)、最大期望概率提高准则进行对比,结果表明,优化算法收敛更快,精度更高。最后,采用该优化算法对水下滑翔机外形进行优化,最大升阻比提升了19.37%。     

集成最小化置信下限和信赖域的动态代理模型优化策略

代理模型广泛应用于工程优化领域中。提出一种集成最小化置信下限和信赖域的动态Kriging代理模型优化策略,以提高全局收敛性和优化效率。在该优化策略中,利用Maximin拉丁超立方体试验设计方法选取初始样本点建立Kriging代理模型,令置信下限公式中的平衡常数等于已有样本点间的最小距离,并采用遗传算法对置信下限公式进行优化。根据已知信息更新信赖域,在新的信赖域内选取样本点更新代理模型,直至收敛。将该策略应用于数学测试算例和工字梁设计优化实例中,试验对比结果表明该优化策略不仅可以获得最优解,而且能够显著地提高优化效率。     

基于改进局部线性判别分析的化工系统状态监测方法

针对化工系统监测数据呈现出的强非线性、数据高维等特点,将标注样本的局部线性分析与训练样本的全局分析相结合,提出一种改进的局部线性判别分析方法。利用训练样本标签信息,以异类样本点间的最小欧式距离重新定义异类样本之间的边界,构建了新的局部类间离散度矩阵;引入全局离散度矩阵强化训练样本全局分析,克服了只计算局部离散度矩阵的缺点。在田纳西—伊斯曼过程数据和某企业压缩机组监测数据上进行了仿真实验,结果表明所提方法与局部线性判别分析等若干种非线性分析方法相比,具有更好的非线性处理能力,可以获得更高的异常状态识别准确率。     

基于PSO-RBF代理模型的板料成形本构参数反求优化研究

为了准确获取材料在复杂应力应变状态下的板料成形本构参数,提高板料成形有限元数值模拟的精度,提出了基于改进径向基函数代理模型的板料成形参数反求优化方法。将径向修正系数引入径向基函数（RBF）核函数中,利用粒子群算法（PSO）对径向修正系数进行优化,提高模型的预测精度。将PSO-RBF模型应用到一个非线性测试函数中,结果表明,PSO-RBF模型比RBF模型的预测精度提高很多;同时将PSO-RBF模型应用到板料成形本构参数反求中,代替有限元模型进行正问题计算,可节省计算成本和提高效率。结果表明,基于PSO-RBF模型反求优化得到的材料参数,能够更加准确地反映材料的流动趋势以及应变分布。     

汽油多参数拉曼光谱分析仪中的稳健支持向量机方法

由于拉曼光谱可以反映汽油各有机物基团丰富的信息,拉曼光谱更加适合于汽油质量指标的快速分析,并可同时测定多种参数.为避免少量异常训练样本对校正模型的影响,本文采用了一种迭代的稳健支持向量机算法.该方法首先求取训练样本的回归残差,然后利用残差的正态分布置信区间来鉴别异常样本并选取正常样本,最后用选出的正常样本作为训练样本并建立最小二乘支持向量机模型,对测试样本进行预测.将本文的算法应用于汽油多参数拉曼光谱快速分析仪中,结果证明:该方法具有很好的稳健性,同时具有很好的预测精度.     

基于组合优化策略的动车组悬挂参数优化设计

为快速获得改善车辆横向平稳性的最优悬挂参数,提出基于自适应模拟退火算法和非线性序列二次规划算法的组合优化策略对动车组悬挂参数进行优化设计。建立动车组动力学模型,利用最优拉丁超立方抽样方法选取对横向平稳性影响较大的悬挂参数作为设计变量;以横向平稳性为目标函数构建Kriging代理模型,并利用可决系数检验代理模型精度;采用自适应模拟退火算法对代理模型进行全局范围内初步寻优,在初步最优解的基础上采用非线性序列二次规划算法进行局部空间精确求解。研究结果表明,基于Kriging代理模型和组合优化策略的优化效率明显提高,车辆横向平稳性得到显著改善,并且优化前后运行稳定性均满足要求。     

基于时空局部学习的集成自适应软测量方法

集成软测量方法已被广泛应用于流程工业关键质量参数实时估计。但是,常规集成建模方法在基模型构建过程中往往局限于挖掘样本之间的空间关系,忽略了样本间的时序关系,从而导致过程局部状态挖掘不充分、基模型间多样性不足等问题。其次,传统软测量方法由于缺乏自适应机制而无法有效处理过程时变特征,从而导致模型性能发生退化。为此,提出一种基于时空局部学习(STLL)的集成自适应软测量方法。该方法首先通过移动窗口、即时学习技术分别挖掘样本间的时序关系和空间关系,并采用统计假设检验实现冗余状态剔除,进而构建多样性的时空局部高斯混合回归(GMR)模型。然后,基于在线选择性集成策略实现局部预测结果的自适应融合。此外,引入双重自适应机制以缓解模型性能退化问题。实验结果显示,相较于非自适应全局GMR模型、时间局部学习集成GMR模型、空间局部学习集成GMR模型,所提方法在金霉素发酵过程中的预测精度分别提升了70.3%,14.9%,27.8%;在脱丁烷塔过程中,分别提升了31.9%,21.2%,19.3%。     

支持向量机分类与回归联合建模方法及其在拉曼光谱分析中的应用

多元校正分析模型的精度不仅依赖于模型的结构和参数,还很大程度上取决于训练样本的分布。实际过程中,训练样本通常呈现不均匀分布,导致基于全体样本的回归模型预测性能不理想。本文针对该问题提出了支持向量机分类与回归联合建模方法:首先使用最小二乘支持向量机(LS-SVM)分类器构建分类决策树,然后对每一类样本分别建立最小二乘支持向量机回归模型;对未知样本进行定量分析时,首先经过分类决策树分类,再根据分类信息选择相应的回归模型进行计算。针对汽油辛烷值拉曼光谱分析问题,基于全体样本建模的LS-SVM回归模型的标准预测误差为0.54,而采用本文方法所得的模型预测误差为0.22,大幅度地提高了分析精度。     

Kriging和距离因子辅助的全局优化方法

基于Kriging元模型的优化方法通常存在优化效率较低、收敛速度较慢、昂贵估值次数较多且难以有效平衡Kriging模型的局部与全局搜索行为等弊端。为此,提出一种序列Kriging和距离因子辅助的全局优化方法。其实现过程主要包含两个阶段:一是利用Kriging模型近似复杂昂贵的黑箱函数;二是利用Kriging模型与距离因子的乘积构造加点采样法则,并通过免于求导的DIRECT算法优化该法则,以获取新的昂贵估值点。六个数值函数测试和一个摆线泵仿真实例验证所提出方法的有效性。     

盾构推进液压系统参数优化

以盾构推进液压系统为研究对象,运用CFD数值模拟方法以及代理模型技术,研究液压管道和阀体的结构对推进液压系统调速所引起的系统压力扰动的影响.以压力扰动幅值为优化目标,利用正交实验设计方法筛选主要影响参数作为设计变量.运用最优拉丁超立方法构建采样空间,选用支持向量回归(SVR),径向基函数(RBF),响应面(PRS),克里金(Kriging)4种方法构建代理模型,以多重确定系数(R2)为评价标准,选取样本点进行交叉验证,结果表明克里金模型的精度最高.应用克里金代理模型,采用模拟退火算法(ASA)求解模型全局最优解,研究结果表明基于代理模型优化后的压力扰动幅值明显降低,为盾构推进液压系统的设计提供了有效的参考.     

基于LMD样本熵和RBF网络的结构损伤识别研究

基于局部均值分解的自适应时频分析特性和样本熵的非线性量化能力,结合径向基(RBF)函数神经网络,提出一种基于LMD样本熵和径向基函数神经网络的结构损伤识别方法。首先,应用局部均值分解方法将结构振动原始信号自适应分解为若干乘积函数分量(PF分量);然后提取前3个PF分量的样本熵,实现对PF分量的特征量化;最后将分量的样本熵作为损伤特征向量,利用径向基神经网络对高速列车比例车体下底板进行识别。实验结果证明,采用该方法识别结构损伤时,结构损伤位置和损伤程度的识别精度分别为96.97%和96.25%,证明了此方法在结构损伤诊断方面的有效性和准确性。     

基于OSF和RSM的轻轨独立轮轴桥优化设计

基于目前机械结构优化设计未充分考虑结构动态特性对综合性能的影响以及工程优化设计效率低下的问题,提出了响应面模型仿真实验方法。通过结合最优空间填充设计和Kriging插值思想构建机械结构优化设计初始代理模型,并利用试验设计方法、误差较大区域加密优化、近似最优解局部加密处理以及内外层更新迭代思想,建立了在局部区域和全局空间内都具有较高近似精度的Kriging模型。在此基础上,基于筛选优化算法和多目标遗传算法得到目标函数的Pareto最优解。最后用轻轨用轴桥结构优化设计实例验证了该方法的有效性。