面向质量设计的Kriging组合建模技术

Kriging代理模型广泛用于替代计算昂贵的工程仿真模型.而现有单个核函数Kriging建模技术的预测性能依赖于具体问题,往往在不同情况下表现差异较大,缺乏普适性和稳健性.针对该问题,研究了具有多个核函数的Kriging组合建模,提出同时考虑核函数选择和多组权重因子.首先基于随机搜索变量选择法选择显著核函数组合,其次借助K均值聚类法获得多组权重因子,最后结合选择的显著核函数和多组权重因子构建Kriging组合模型.仿真算例和工业实例的比较结果表明,所提方法不仅产生更为精确和稳健的预测,而且能为质量设计提供可靠的优化参数组合.     

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.     

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...     

基于广义改进分解策略的多目标代理优化方法

为解决多目标代理优化方法中代理模型选择单一问题,提出基于广义改进函数分解策略的多目标代理优化方法.该方法充分利用模型预测信息构建广义改进多目标分解准则和广义改进R2指标准则,有效拓展多目标代理优化中代理模型的选择空间.所提两种准则通过随机均匀权重实现全局探索和局部搜索能力的自适应平衡.研究结果表明,所提方法在有限仿真条件下拥有良好的寻优性能,获得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.相比同类方法,该方法具有优势:1)不需要模型预测不确定性信息,适用于基于不同种类代理模型的代理优化方法; 2)实现简单且计算复杂度低,能够有效提升昂贵黑箱问题优化效率.