为了解决复杂工程优化问题计算量大的问题,提出了基于Kriging代理模型的改进EGO(Efficient Global Optimization)算法.采用小生境微种群遗传算法求解Kriging模型的相关向量,避免了模式搜索算法求解相关向量时对初始值的敏感性问题.采用...为了解决复杂工程优化问题计算量大的问题,提出了基于Kriging代理模型的改进EGO(Efficient Global Optimization)算法.采用小生境微种群遗传算法求解Kriging模型的相关向量,避免了模式搜索算法求解相关向量时对初始值的敏感性问题.采用小生境微种群遗传算法,结合无惩罚因子的惩罚函数法对EI(Expected Improvement)函数寻优,解决了惩罚因子难以选择的问题,增强了算法的鲁棒性.采用2个数值算例和1个工程算例对算法进行测试的结果表明,改进后的EGO算法收敛精度更高,比较适合在工程中应用.展开更多
文摘为了解决复杂工程优化问题计算量大的问题,提出了基于Kriging代理模型的改进EGO(Efficient Global Optimization)算法.采用小生境微种群遗传算法求解Kriging模型的相关向量,避免了模式搜索算法求解相关向量时对初始值的敏感性问题.采用小生境微种群遗传算法,结合无惩罚因子的惩罚函数法对EI(Expected Improvement)函数寻优,解决了惩罚因子难以选择的问题,增强了算法的鲁棒性.采用2个数值算例和1个工程算例对算法进行测试的结果表明,改进后的EGO算法收敛精度更高,比较适合在工程中应用.