基于徑向基函數(shù)響應面優(yōu)化方法研究.pdf

1、在仿真模型多變量優(yōu)化設計中,采用傳統(tǒng)仿真優(yōu)化方法效率低下,可行性不高,在高維情況下劣勢尤為明顯?；谠囼炘O計的響應面方法可以有效的減少優(yōu)化過程中源模型的仿真次數(shù),提高復雜模型設計優(yōu)化效率,因而得到廣泛關注。本文從徑向基函數(shù)(Radial Basis Function)插值方法出發(fā),對RBF響應面方法和基于RBF響應面的全局優(yōu)化算法進行研究。
　　RBF響應面方法以徑向函數(shù)作為基函數(shù),以樣本數(shù)據(jù)作為插值節(jié)點,可通過樣本點方便的構造出

2、響應面,插值函數(shù)唯一確定,構造算法簡單、易于計算機實現(xiàn),且在高維非線性系統(tǒng)中表現(xiàn)卓越。目前,全局優(yōu)化方法主要包括確定性方法、元啟發(fā)式(進化)方法、啟發(fā)式直接搜索方式、以及基于“黑箱”的響應面優(yōu)化方法等四類。本文將著重研究基于試驗設計的響應面全局優(yōu)化方法,通過較少的試驗構造足夠精確的響應面,利用響應面技術減少計算成本,結合響應面快速重構方法和改進的尋優(yōu)方法最終得到最優(yōu)解。目前各種基于響應面的全局優(yōu)化方法主要區(qū)別也在于試驗設計、響應面構造和

3、尋優(yōu)方法這三個方面。
　　在面對較難優(yōu)化的復雜函數(shù)以及最優(yōu)解在邊界條件上等問題時,現(xiàn)存的一些基于響應面的全局優(yōu)化算法表現(xiàn)不理想,估值次數(shù)較多,為此本文引入增量LHD采樣方法和一種算法重啟策略。同時,提出一種RBF響應面增量重構方法,在保證原來精度的前提下,有效的降低了響應面更新消耗的時間,并與一種 CORS尋優(yōu)方法相結合,構成一種改進的全局優(yōu)化算法。最后,使用不同算法對多個測試函數(shù)進行優(yōu)化比較,分析新方法的優(yōu)勢與不足,并將改進后的