序列Kriging仿真优化方法综述

通过深度学习来挖掘设计变量、目标参数与Kriging模型之间内在关系的序列Kriging仿真优化方法已成为基于元模型优化的研究前沿和热点。但仿真优化过程中存在建模效率较低、收敛精度不高、多点采样的并行仿真难以实现等问题。如何在少量昂贵仿真估值条件下提高优化效率和收敛精度是序列Kriging仿真优化方法研究的主要内容。为此,对序列Kriging的近似建模方法、无约束优化、多点并行优化以及约束优化进行综述,介绍经典优化方法、若干改进及相应工具包,并展望所面临的问题和挑战。

序列Kriging模型的黑箱约束全局优化方法

针对黑箱约束优化中可行采样点难以获取、优化效率低、收敛速度慢、难以有效平衡全局和局部搜索行为等缺点,提出一种序列Kriging模型的黑箱约束全局优化方法。在没有初始可行采样点的情况下,所提出的方法能够快速有效地探索出富有前景的可行采样点,并在满足所有约束条件下通过高效稳定且可靠的加点采样准则获取全局最优可行解。基准测试函数和燃料电池汽车能量控制策略的仿真实例验证了所提出方法的有效性和实用性。