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。

基于代理模型估值不确定度的昂贵多目标优化问题研究

针对代理模型辅助的多目标优化算法中个体不确定度之间相互冲突的问题,本文提出个体每个目标估值不确定的填充准则,同时,为了减少训练模型消耗的计算资源,提出基于非支配排序的样本选择算法。为了验证该算法的可行性,采用DTLZ和WFG测试函数进行测试,得出结果与近些年发表5种具有代表性的同类型算法进行对比,结果说明该算法可以有效的解决昂贵高维高目标优化问题。

基于ISC-Kriging响应面法的桥梁抗震动力可靠度分析

响应面法是解决桥梁抗震可靠度中非线性和复杂性等问题的有效方法,但其存在代理模型类型和训练样本的选取问题.鉴于此,提出了基于样本填充准则(ISC)最优化和Kriging模型的改进序贯抽样响应面法.其以Kriging模型作为代理模型,结合蒙特卡洛抽样技术,利用Kriging模型优秀的预测值估计性能及独有的预测均方差估计能力,建立包含未知样本预测值和预测均方差的ISC函数,在迭代阶段通过求解ISC最优化问题,进行局部和全局的平衡搜索,逐一序贯产生后续训练样本.最后采用所提的基于ISC-Kriging改进响应面法对随机地震激励下某悬索桥的动力可靠度问题进行了计算分析.结果表明,所提方法具有较高的准确性、高效性.

高效优化算法在船舶力学中的应用研究(英文)

作为一种贝叶斯优化算法,高效全局优化算法(EGO)利用克里格模型来构造近似模型,并采用样本填充准则以寻找下一个样本点来更新近似模型。文中详细介绍了该优化算法,并将其应用于船舶力学的两个典型优化例子。其中一个是潜艇的多学科概念设计,考虑了水动力、推进、重量、性能和成本5个学科;另外一个是屈曲状态下加筋板的优化问题。与传统优化相比,高效全局优化算法不仅收敛到全局最优解,而且更加有效。结果表明高效优化算法非常适用于船舶力学中的优化问题。

模型辅助的计算费时进化高维多目标优化

代理模型能够辅助进化算法在计算资源有限的情况下加快找到问题的最优解集,因此建立高效的代理模型辅助多目标进化搜索逐渐受到了重视.然而随着目标数量的增加,对每个目标分别建立高斯过程模型时个体整体估值的不确定度会随之增加.因此通过对模型最优解集的搜索探索原问题潜在的非支配解集,并基于个体的收敛性,种群的多样性和估值的不确定度,提出了一种新的期望提高计算方法,用于辅助从潜在的非支配解集中选择使用真实目标函数计算的个体,从而更新代理模型,能够在有限的计算资源下更有效地辅助优化算法找到好的非支配解集.在7个DTLZ基准测试问题上的实验对比结果表明,该算法在求解计算费时高维多目标优化问题上是有效的,且具有较强的竞争力.

基于分解和聚类的昂贵高维多目标进化算法

使用进化算法解决昂贵高维多目标优化问题时,因目标维数较高,导致收敛性和多样性平衡困难,并且消耗成本过高,使得计算资源有限时难以收敛.为此,提出一种基于分解和聚类的昂贵高维多目标进化算法(DC-EMEA),使用克里金模型近似目标函数,减少昂贵函数的评价次数.在优化器对模型的最优解集搜索时,借助参考向量分解目标空间,有利于收敛性和多样性的平衡,同时采取两轮选择的方式,保证后代种群规模与父代相同,为填充准则选择真实评价的个体时,提供更多选择,提升搜索效率.同时,提出一种自适应填充准则,首先使用K均值算法将种群划分为k个子种群.通过划分邻域,将子种群自适应地分成不同类型,根据子种群的类型选择个体,提升计算资源的利用率.在选择个体时,侧重于对收敛性压力的维持,提升收敛速度.将选出的个体用于更新模型和档案.实验结果表明, DC-EMEA能够很好地平衡收敛性和多样性,同时具有较强的收敛能力.

基于不确定度采样准则的费时问题优化算法

在实际工程和控制领域中,许多优化问题的性能评价是费时的,由于进化算法在获得最优解之前需要大量的目标函数评价,无法直接应用其求解这类费时问题.引入代理模型以辅助进化算法是求解计算费时优化问题的有效方法,如何采样新个体对其进行真实的目标函数评价是影响代理模型辅助的进化算法寻优性能的重要因素.鉴于此,利用径向基函数神经网络作为代理模型辅助进化算法,提出一种新的不确定度计算方法,同时结合模型估值构造一种新的填充采样准则以自主地选择新的采样点,从而引导算法在评价次数有限的情况下尽可能地找到目标函数值较好的解.所提出算法与近年来针对计算费时问题的优化算法在7个高达100维的基准问题上进行测试比较,实验结果表明所提出算法在相同评价次数下可以获得更好的优化结果.

基于估值不确定度排序顺序均值采样的昂贵高维多目标进化算法

模型管理,特别是训练样本的选择和填充采样准则,是影响昂贵多目标优化算法求解性能的重要因素.为此,选择样本库中具有较好目标函数值的若干个体作为样本训练目标函数的代理模型,使用基于参考向量的进化算法搜索模型的最优解集,并提出一种基于个体目标函数估值不确定度排序顺序均值的采样策略,从该最优解集中选择两个个体进行真实的目标函数评价.为了验证算法的有效性,将所提出算法在DTLZ和WFG多目标优化测试问题和两个实际工程优化问题上进行测试,并与其他5种优秀的同类型算法进行结果对比.实验结果表明,所提出算法在求解昂贵高维多目标优化问题上是有效的.

基于PLS方法和Kriging模型的多目标有效全局优化方法及应用

针对实际工程中参数过多导致的建模效率低、多目标相互冲突带来的求解困难及成本昂贵的仿真优化问题,提出了一种基于偏最小二乘法和Kriging模型的多目标有效全局优化方法.该方法首先通过偏最小二乘法进行降维,确定主成分;其次,利用偏最小二乘加权系数矩阵,获得自适应偏最小二乘高斯核函数,建立初始Kriging代理模型;然后,通过三种矩阵填充准则对多目标问题进行全局优化;最后,根据终止准则输出最优Pareto近似解集.数值算例结果表明,该算法建模效率提升的同时目标函数值收敛速度更快,在收敛精度及稳定性方面均具有优势.工程实例表明偏最小二乘变换后Kriging模型预测性能优于常规Kriging模型.

基于克里金模型的多采样点序列全局优化方法

针对有效全局优化(EGO)方法计算时间长、收敛速度慢且易陷入局部最优区域的缺点,提出一种基于克里金模型的多采样点序列全局优化算法.在序列优化过程中,该算法主要引入中点距离最小舍弃方法来获取多个采样点,并以广义EGO方法作为填充采样准则,对多个采样点进行并行优化,以提高算法效率,同时有效平衡局部和全局的搜索行为.两个数值测试算例和一个工程仿真实例验证了该方法的有效性和实用性.