偏最小二乘Kriging模型辅助的高效全局优化方法

针对昂贵约束优化问题中因超参数过多引发的维数灾难及优化效率不高问题,提出一种新的偏最小二乘Kriging模型辅助的高效全局优化方法。该方法通过偏最小二乘核函数提升Kriging模型建模效率,构建两种偏最小二乘权期望填充准则实现模型的自适应调整及高效全局优化。测试函数及工程实例结果表明,所提方法可有效减少超参数计算量,提升昂贵约束优化问题求解效率。尤其在高维问题中,所提方法在解的收敛速度,稳健性及精度方面均具有优势。

权期望填充准则作用下的Kriging自适应建模及全局优化算法

Kriging代理模型可有效近似包含黑箱约束的工程优化问题,但存在仅依靠原始样本数据建模精度不高,工程优化效率低等问题。针对上述问题,提出了综合Kriging模型、权期望改进准则及进化算法的新有效全局优化算法。该算法的权期望填充准则在期望改进准则启发下,依据距离函数与期望增量的函数关系,构造权函数实现对新填充准则全局及局部探索能力的调整,使其具有依据试验点距离进行自适应调整进而跳出局部最优解实现全局优化的特性。数值算例和工程实例结果表明,在新准则和Kriging模型作用下的全局优化算法能够实现对优化问题的快速求解,精度高且具有较好的稳定性。