基于自適應加速GEI準則的序列優(yōu)化方法研究.pdf

1、隨著人們對機械產品性能要求越來越高，在這些機械產品設計優(yōu)化過程中，復雜度越來越高，基于近似模型的序列優(yōu)化方法運用愈加廣泛。近似模型替代“黑箱”問題，能夠減少設計優(yōu)化過程中的計算成本和時間成本。
　　在眾多近似模型中，克里金（Kriging）模型可以提供擬合模型的標準差，具有獨特優(yōu)點。而在基于Kriging模型的序列優(yōu)化過程中，如何確定下一個樣本點是關鍵，而EI準則在搜索下一個樣本點時兼顧了全局搜索和局部搜索，被廣泛加以應用。但經典

2、EI準則可能產生較小的估計誤差，會使優(yōu)化過程偏向當前最優(yōu)點附近進行搜索，因而學者們提出了適應性更強的廣義期望提高準（GEI）。本文對基于GEI準則的序列優(yōu)化和多點采樣問題進行了研究，提出一種自適應加速廣義期望提高準則（AGEI），在此基礎上將其與多點采樣結合，并用于求解全回轉推進器功率流優(yōu)化問題，具體如下：
　　首先，針對當前GEI準則無法準確確定參數(shù)g值的問題，提出了一種自適應加速廣義期望提高準則，通過采樣大量的隨機點，計算每一

3、個隨機點處的期望提高（EI）值，并統(tǒng)計滿足條件的隨機點數(shù)目，獲得當前模型擬合的狀況，從而確定g的取值，可提高求解序列優(yōu)化的效率，并且極大地提高GEI準則解決序列優(yōu)化問題的適應性。
　　其次，針對當前序列優(yōu)化多點采樣中，學者們注重采點方式和減少數(shù)學計算量的問題，本文將AGEI應用在多點采樣中，與多點采樣信賴克里金（KB）算法相結合，提高KB算法的求解效率，將AGEI的高效性與KB算法多點采樣可以并行計算的優(yōu)點進行了很好的結合。