采用自适应最小化置信下限和SMOTE算法的动态代理模型

利用最优拉丁超立方试验进行初始采样,建立基于自适应最小化置信下限和SMOTE算法的动态径向基函数代理模型.将自适应平衡常数引入到最小化置信下限准则中,通过多岛遗传算法对置信下限进行寻优.根据代理模型精度,在最优解处运用SMOTE算法动态地新增样本点,进而更新代理模型,直至收敛.经过数学算例测试后,将该优化策略应用于深潜器耐压舱的优化中,与其他动态代理模型相比,该策略的优化效率和精度显著提高.

集成最小化置信下限和信赖域的动态代理模型优化策略

代理模型广泛应用于工程优化领域中。提出一种集成最小化置信下限和信赖域的动态Kriging代理模型优化策略,以提高全局收敛性和优化效率。在该优化策略中,利用Maximin拉丁超立方体试验设计方法选取初始样本点建立Kriging代理模型,令置信下限公式中的平衡常数等于已有样本点间的最小距离,并采用遗传算法对置信下限公式进行优化。根据已知信息更新信赖域,在新的信赖域内选取样本点更新代理模型,直至收敛。将该策略应用于数学测试算例和工字梁设计优化实例中,试验对比结果表明该优化策略不仅可以获得最优解,而且能够显著地提高优化效率。