带隐藏约束昂贵黑箱问题的自适应代理优化方法

针对带隐藏约束的昂贵黑箱全局优化问题,提出采用自适应转换搜索策略的代理优化方法。在转换搜索子步中采用与已估值点个数相关的标准差在当前最优点附近通过随机扰动生成候选点,以更好地平衡局部搜索和全局搜索。为更好地近似真实黑箱目标函数,采用了自适应组合目标代理模型。在50个测试问题上进行了数值实验,计算结果说明了所提算法的有效性。

基于RBF代理优化的固体火箭发动机喷管型面设计

针对固定扩张比与扩张段长度的二维轴对称固体火箭发动机喷管进行扩张段型面优化,优化目标为喷管推力最大化,优化参数为贝塞尔曲线控制点的径向位置,优化方法采用径向基函数(Radial Basis Function, RBF)代理优化算法。采用纯气相与两相流两种模型分别进行优化设计,纯气相的结果表明,对于10个控制点表达的贝塞尔曲线,优化后的推力提高了1.64%。以此优化型面为初始型面,增加控制点个数至16个,二次优化后的推力又提高了0.095%。增大优化参数范围,同时引入判断拐点的约束,对于10个控制点表达的贝塞尔曲线进行单轮优化,结果同上述经过两轮优化之后的结果相近,优化后的喷管推力提高了1.78%,说明算法具有较强的稳定性。通过对不同控制参数个数的贝塞尔曲线优化过程的对比,给出了合理选择控制点个数的方法与建议。两相流的优化结果表明,由于颗粒的滞后影响造成了两相流损失,两相流喷管的推力小于纯气相喷管,但两相流喷管优化后的推力较优化前初始型面的推力提高了1.87%,略高于纯气相喷管。RBF代理优化算法适用于由任意数量控制点组成的贝塞尔曲线表达的喷管扩张段型面优化,并有较高的效率与较强的稳定性。

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%。

基于Kriging模型和两目标约束应对策略的代理优化算法

为了解决包含黑箱约束的复杂工程系统的优化设计问题,提出一种基于Kriging模型和两目标约束应对策略的代理优化算法。该算法将改进目标函数的期望改进准则和刻画可行域边界的可行性概率准则同时作为优化目标,再从得到的Pareto集中选取新试验点,不仅提高了新试验点选取的目的性也使新试验点兼具探索最优解和开发可行域边界的能力。最后,通过两个数学算例和一个工程算例将所提算法与已有算法进行比较,计算结果表明基于两目标约束应对策略的代理优化算法具有更高的优化精度、效率和稳健性。

基于遗传算子采样的自适应代理优化算法

提出一种应用于黑盒问题(black-box problem)的优化算法,称为遗传算子采样(genetic operator sampling,GOS)自适应代理优化算法。通过对当前样本进行两两交叉,对当前最优样本进行高斯变异2种算子获得候选样本集。对候选样本进行适应性评估,评估标准为候选样本处的交叉验证误差和该样本与父代样本之间最小距离的乘积,将乘积最大的样本加入已有样本集。GOS优化算法在一维问题中详细阐述,与有效全局优化算法(efficient global optimization,EGO)和最大化模型误差算法(maximum square error,MSE)在3个典型数学算例中进行对比,验证该算法的有效性。

低振动旋翼桨尖代理优化设计

为探索直升机低振动旋翼的工程设计方法,将代理优化与旋翼气弹耦合分析相结合,开展了旋翼桨尖几何外形设计,推导了非平直桨叶气弹动力学方程,训练了旋翼功率、模态阻尼以及振动载荷预测的Kriging代理模型。以气动性能与气弹稳定性为约束,以桨毂振动载荷最小化为目标,采用自适应加点准则设计了优化流程。以某旋翼为例,计算了其气动性能与振动载荷,通过与试验结果对比,验证了气弹模型的有效性。对该基准旋翼0.9R-1.0R(R为旋翼半径)桨叶段的后掠、下反以及扭转分布进行了优化设计,结果表明,基于样本点最小间距的自适应加点准则能够实现目标函数与约束函数代理精度的同步提升。通过优化结果可行性分析,得到了一种"双后掠+上、下反"桨尖构型,旋翼桨毂振动载荷降低了25%。

基于Kriging模型的自适应多阶段并行代理优化算法

为了充分利用计算资源,减少迭代次数,提出一种可以批量加点的代理优化算法。该算法分别采用期望改进准则和WB2(Watson and Barnes)准则探索存在的最优解并开发已存在最优解的区域,利用可行性概率和多目标优化框架刻画约束边界。在探索和开发阶段,设计了两种对应的多点填充算法,并根据新样本点和已知样本点的距离关系,设计了两个阶段的自适应切换策略。通过3个不同类型算例和一个工程实例验证算法性能,结果表明,该算法收敛更快,其结果具有较好的精确性和稳健性。

结合Kriging和物理规划的多目标代理优化算法

遗传算法处理高耗时且具有黑箱性的工程优化问题效率不足。为了提高工程优化效率,结合Kriging代理优化和物理规划,提出了基于Kriging和物理规划的多目标代理优化算法。在处理多目标问题时,使用物理规划将多目标问题转换成单目标问题,再使用Kriging代理优化对单目标问题进行求解。通过两个多目标数值算例和一个工程实例对提出的算法进行验证。结果表明,提出的算法能够求出符合偏好设置的Pareto最优解,且算法的效率更高。

基于代理优化算法的岸桥轨道夹优化设计

为了优化岸桥轨道夹结构,针对复杂黑箱约束问题,提出一种自适应约束代理优化算法。先使用改善的约束并行期望改进准则(Constrained Parallel Expected Improvement,CPEI)和重要边界采样准则(Importance Boundary Sampling,IBS)探索全局最优解区域,再使用信任域法进行局部开发,并引入客观的约束函数Kriging模型来更新策略,减少不必要的仿真分析,节约了计算成本。通过一个数学算例将所提算法与约束期望改进(Constrained Expected Improvement,CEI)和两目标加点优化算法(Expected Improvement-Probability of Feasibility,EI-PoF)进行比较,结果表明:所提算法收敛更快,精确度更高。

基于自适应代理优化算法的射雾器叶轮优化设计

为了提高射雾器的射程,同时提高Kriging代理模型的优化效率和精度,提出一种新的自适应代理优化算法,包括全局探索阶段和局部探索阶段。在全局探索阶段,提出改进的最大期望概率提高准则(Improved Probability Improvement,IPI)和并行加点策略;在局部探索阶段,通过最小响应面准则(Minimizing Prediction,MP)获取新样本点;各加点准则均采用差分进化算法进行寻优,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自适应切换,直至找到最优解。算例实验表明:和最大期望提高准则(Expected Improvement,EI)、多点期望提高准则(q-Expected Improvement,q-EI)、最大期望概率提高准则(Probability Improvement,PI)相比,优化算法的加点次数至少减少了6.32%,优化效率提高了11.61%以上,求解问题的有效性更好。采用优化算法对射雾器叶轮结构进行优化,射雾器射程提高了24.77%。

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.

基于能量控制的机器人关节同步优化控制研究

针对移动机器人在高性能输出和长时间续航等方面的综合工作性能需求,提出一种针对机器人关节的多性能同步优化端口受控哈密顿能量控制方法。首先,建立机器人关节的数学模型和哈密顿能量控制模型,并推导出能方便采用模型代理优化算法的关节靶向能量传输系统模型;其次,搭建能量闭环控制器,与磁场矢量控制结合完成机器人关节的控制闭环,并设计了多性能同步优化控制策略使得机器人关节在保证运行输出能力的同时获得最长的续航能力。MATLAB/Simulink仿真结果表明,多性能同步优化端口受控哈密顿能量控制器使机器人关节拥有较好的输出稳定性,同步优化控制策略在与其他控制策略的输出能力和续航能力等多指标的综合对比分析中展现了优势。

无人机变形机翼气动优化设计

多目标优化设计对飞机性能的折中已不能满足人们日益增长的需求,设计出性能更全面的飞机是未来飞机设计的必然发展趋势。针对某无人机机翼气动优化问题,本文开展了机翼表面形状、翼型以及后缘变弯的综合设计研究。采用计算机模拟技术(CST)对翼型参数化,结合指关节变弯结构特点确定了后缘变形方式,并采用Catia二次开发方法对根梢比、机翼面积以及后缘变弯进行参数化,基于ARI_XunZhu优化平台的代理优化算法对其进行优化设计,最终得到两组变弯机翼构型。结果表明,将变弯设计融入整个机翼设计流程中能获得性能较好的机翼构型,得到的两组机翼在不同CL下的升阻比性能均优于初始模型;两组机翼的性能存在交叉,分别适用于高、低升力工况;机翼后缘变弯存在一定的规律,随着升力系数的增大,下弯角度和下弯区域增大。

高浓度水煤浆管道气膜减阻两相流模拟及代理辅助优化

为解决高浓度水煤浆管道输送阻力大的问题,提出在水煤浆管道中通入气体,采用气膜减阻以降低管道的阻力损失。针对宾汉非牛顿流体水煤浆,基于流体体积(VOF)多相流模型,通过数值模拟研究分析了加气管关键参数对管道阻力系数的影响,并结合遗传聚合响应面模型与二次拉格朗日非线性规划(NLPQL)算法进行代理辅助优化。结果表明:在水煤浆管道中通入气体能够有效降低壁面剪切应力,气体速度与加气管直径对管道阻力系数影响较为显著,并且提升气体速度与增大加气管直径能够降低阻力系数,而管道阻力系数基本不受加气管道角度影响。优化以阻力系数最小化为目标函数,得出一组加气管参数,优化后管道阻力系数降低了0.0207,减阻率增加了16.90%,研究结果为高浓度水煤浆管道加气减阻机理及结构优化提供了理论指导。

基于Kriging模型的多点加点准则和并行代理优化算法

针对并行仿真环境下复杂工程系统的优化设计问题,提出一种基于Kriging模型、多目标策略和聚类方法的并行代理优化算法.该算法的多点加点准则,以同时优化期望改进准则和可行性概率准则为目标,首先生成兼具目标响应改进和可行域边界刻画功能的备选试验点集;再利用聚类方法从备选点集中选取多个有代表性的新试验点.通过两个数值算例和一个工程算例,将所提并行优化算法与已有算法做比较,结果表明所提算法具有更高的优化精度、效率和稳健性.

代理多目标粒子群驱动的粗糙聚类图像分割算法

为了提高粗糙聚类算法应用于图像分割时的分割效果,提出一种代理多目标粒子群驱动的粗糙聚类图像分割算法。首先,通过自适应确定粗糙聚类上、下近似的阈值,减少人为干预;其次,利用粗糙聚类中边界样本占比构建动态惩罚因子,进而结合聚类的紧致性和可分性度量构造粗糙聚类目标函数,并联合聚类的连通性函数从不同角度共同评价聚类质量;最后,设计代理辅助的精英多目标粒子群优化策略,筛选精英粒子更新种群,得到最终的聚类中心,从而避免粗糙聚类算法对初始中心敏感和易陷入局部最优的问题并提升优化效率。实验结果表明:所设计的优化策略在标准测试问题上能够得到更好的优化结果;对比其他图像分割算法,该算法分割效果最佳。

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.

基于规则驱动模型的代理缓存优化调度算法

提出用于提高网络性能的Web规则驱动代理缓存模型。该模型能根据多数用户的访问行为找出用户访问规律,提高缓存中对象的命中率并有效利用带宽。基于该模型提出一种缓存优化调度算法。实验结果证明,该算法具有可行性,其性能优于其他同类算法。

多桨倾转高速旋翼飞行器推进桨优化设计

布置于多桨倾转高速旋翼飞行器机翼前缘的推进桨的效率对该类飞行器的飞行性能有着重要的影响。发展了一种结合CFD分析和代理优化方法的优化设计手段,以推进桨的悬停效率和前飞效率为目标对一直径1.8 m的推进桨的气动布局参数进行了优化设计。优化结果表明该方法可在拉力不减的前提下使推进桨悬停效率和前飞效率均较基准提高1%以上。在此基础上对基准桨叶和优化桨叶的流场进行了对比研究,初步分析了优化桨叶效率提升的内在机理。

基于Kriging模型的改进型NSGA-Ⅲ解决昂贵优化问题

在许多实际的优化问题中,为了进行适应度评估,其物理实验或数值仿真代价高昂,这给大多数现有的多目标进化算法(EAs)带来了巨大挑战。因此,文中提出了一种基于克里金模型辅助的改进参考点引导进化的优化算法,用于解决昂贵的超多目标优化问题。具体而言,根据种群的空间分布特征,借助关联点的熵差信息筛选参考点引导进化,以达到探索与开发的平衡。所提出的代理辅助进化算法(SAEA)使用克里金法来逼近每个目标函数,而无需进行原始昂贵的函数评估从而降低了计算成本。模型管理中采用一种纯指标填充采样准则,借助收敛性、多样性指标确定适当采样策略并使用昂贵目标函数对采样解进行真实评估以提升种群收敛与算法优化的效率。对具有3个以上目标的80个DTLZ与WFG基准测试问题进行了对比研究,证明了此算法的有效性和可行性。