Kriging模型的U学习函数(Learning Function U)是将模型预测符号容易产生错误的样本点加入设计并拟合模型,但是样本点在非重要区域的过多抽样会导致模型的收敛速度偏慢。为提高可靠性的计算效率,通过对样本点赋予不同的权值,提出U权重...Kriging模型的U学习函数(Learning Function U)是将模型预测符号容易产生错误的样本点加入设计并拟合模型,但是样本点在非重要区域的过多抽样会导致模型的收敛速度偏慢。为提高可靠性的计算效率,通过对样本点赋予不同的权值,提出U权重学习函数(Weight Learning Function U,WU)。学习函数选择的样本点接近极限状态曲面,有效减少功能函数的调用次数,加快Kriging模型的收敛过程,提高可靠性计算效率。算例表明WU函数相比其他方法在Kriging模型建立过程中所需样本点少,收敛速度快,计算效率高,在功能函数复杂或为隐式的工程问题中具有较高的实用价值。展开更多
文摘Kriging模型的U学习函数(Learning Function U)是将模型预测符号容易产生错误的样本点加入设计并拟合模型,但是样本点在非重要区域的过多抽样会导致模型的收敛速度偏慢。为提高可靠性的计算效率,通过对样本点赋予不同的权值,提出U权重学习函数(Weight Learning Function U,WU)。学习函数选择的样本点接近极限状态曲面,有效减少功能函数的调用次数,加快Kriging模型的收敛过程,提高可靠性计算效率。算例表明WU函数相比其他方法在Kriging模型建立过程中所需样本点少,收敛速度快,计算效率高,在功能函数复杂或为隐式的工程问题中具有较高的实用价值。