基于仿真试验和Kriging模型的多目标优化问题全局优化算法

针对复杂工程系统的多目标仿真优化问题,基于Kriging模型,提出一种将优化过程与试验过程相结合的全局多目标优化算法。该算法利用构造的加点准则序贯选取能应对约束和逼近真实Pareto解集的试验点,只需少量仿真试验就能得到优化问题的高精度Pareto解集。考虑试验点的可行性概率、间隔距离和Kriging模型的不确定性,设计亦能有效辨识非连通可行域的加点准则;提出以最大化试验点的期望超体积改进和可行性概率为目标的近似Pareto解集改进准则,使新试验点兼顾改进近似Pareto解集的质量和精确刻画可行域边界。通过三个数值算例将所提算法与已有算法进行比较,计算结果验证了所提算法的有效性和高效性。

基于Kriging模型的多目标代理优化算法及其收敛性评估

为提高黑箱系统优化设计的效率,基于Kriging模型、期望超体积改进和可行性概率准则,提出一种改进的多目标代理优化算法。该算法的可行域探索准则包含考虑试验点间距离的项,对可行域非连通的优化问题也有效;Pareto解集改进准则以同时优化期望超体积和可行性概率准则为目标,在改进Pareto解集的同时兼顾了对可行域边界的刻画;最后,结合条件模拟方法和随机集理论,提出一种不依赖真实解集的算法收敛性评估方法。通过两个算例将提出的优化算法与已有算法进行对比分析,结果证实了所提算法的高效性及算法收敛性评估方法的可行性。