基于支持向量機(jī)的可靠性優(yōu)化設(shè)計(jì)方法研究.pdf

1、工程結(jié)構(gòu)設(shè)計(jì)中存在諸多不確定因素,如材料特性,載荷,尺寸等,評估結(jié)構(gòu)性能好壞的有效途徑就是進(jìn)行可靠性分析?；诳煽啃缘脑O(shè)計(jì)優(yōu)化(Reliability-BasedDesignOptimization,RBDO)是將優(yōu)化設(shè)計(jì)技術(shù)與可靠性分析理論相結(jié)合的一種新的優(yōu)化方法,因其在保證可靠度的同時(shí),可以獲得使產(chǎn)品的重量,體積或成本等最優(yōu)的設(shè)計(jì),備受國內(nèi)外學(xué)者的關(guān)注。然而對于復(fù)雜的工程結(jié)構(gòu),響應(yīng)函數(shù)為隱式,高度非線性等RBDO問題,現(xiàn)有的方法往往

2、存在求解困難,計(jì)算成本高等問題。
　　支持向量機(jī)(SupportVectorMachine,SVM)作為一種新的機(jī)器學(xué)習(xí)方法,具有很好的小樣本學(xué)習(xí)的優(yōu)越性。用較少的樣本建立SVM模型代替真實(shí)的功能函數(shù),顯式的給出決策邊界,可以有效地解決含有隱式或高度非線性功能函數(shù)的可靠度分析問題。本文在已有研究的基礎(chǔ)上,引入了SVM分類理論和顯式空間分解思想,在詳細(xì)闡述其理論及參數(shù)影響的基礎(chǔ)上,提出了一種改進(jìn)的自適應(yīng)采樣策略(IAS)來精確訓(xùn)練S