-
题名双阶段填充采样辅助的昂贵多目标优化
- 1
-
-
作者
秦淑芬
孙超利
-
机构
太原科技大学计算机科学与技术学院
-
出处
《计算机工程与设计》
北大核心
2024年第8期2492-2502,共11页
-
基金
国家自然科学基金项目(62303344、62372319)
山西重点研发基金项目(202102020101002)
+2 种基金
山西省青年科学研究基金项目(202203021222196)
太原科技大学校博士科研启动基金项目(20222053)
山西省高等学校科技创新计划基金项目(288)。
-
文摘
针对代理模型引导多目标优化算法,求解决策变量数量增多的昂贵多目标优化问题时,搜索效率较低的问题,提出一种双阶段填充采样辅助的昂贵多目标优化算法。第一阶段,利用一组方向向量引导产生靠近真实最优解集的样本,加快模型引导算法搜索;第二阶段,由代理模型估计获得估值误差,融合个体与样本之间相似性、个体估值收敛性,选择个体用于真实评价后填充样本集,实现模型性能的提升。在100维和200维的多目标基准测试问题上的实验结果表明,所提算法在同等有限资源内获得了比其它算法更为显著的优势。
-
关键词
昂贵多目标优化
代理模型辅助的进化优化
双阶段采样
定向采样
填充采样
估值误差
个体收敛性
-
Keywords
expensive multi-objective optimization
surrogate model-assisted evolutionary optimization
two-stage sampling
directed sampling
infill sampling
estimation error
individual convergence
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于IKrJaya算法的激光熔覆参数优化
- 2
-
-
作者
齐晓轩
王欣宇
-
机构
沈阳大学应用技术学院
沈阳大学机械工程学院
-
出处
《制造技术与机床》
北大核心
2024年第10期110-118,共9页
-
基金
辽宁省教育厅基本科研项目(LJKMZ20221824)。
-
文摘
考虑到多道搭接熔覆过程中涉及多个相互制约、相互影响的参数,对熔覆质量具有重要影响。为提高优化效率,提出一种高效的代理模型辅助优化算法——IKrJaya优化算法,从而实现激光熔覆多道搭接工艺参数的优化。首先,构建基于约束加点的Kriging模型,用以描述多道搭接激光熔覆工艺参数与熔覆质量之间的关系。该模型主要包含3个核心约束条件,即样本筛选法则、区域差异性度量和差异聚焦加点法则,来实现对Kriging模型的高效更新。其次,提出了一种改进的多目标Jaya(improved multi-objective Jaya,IMOJaya)优化算法,利用混合分布的随机数和自适应更新策略优化个体位置的更新过程,从而解决Jaya算法在探索能力上的局限性。最后,将基于约束加点的Kriging模型和IMOJaya算法集成,提出能够实现高效优化的IKrJaya算法,充分利用其在复杂模型模拟和全局搜索方面的优势来优化多个目标。仿真与试验验证了IKrJaya算法在激光熔覆工艺参数优化方面的有效性和优越性。
-
关键词
多道搭接
代理模型辅助优化算法
工艺参数优化
KRIGING模型
Jaya算法
-
Keywords
multi-track overlapping
surrogate model aided optimization algorithm
process parameters optimization
Kriging model
Jaya algorithm
-
分类号
TH161.21
[机械工程—机械制造及自动化]
-
-
题名大规模黑箱优化问题元启发式求解方法研究进展
被引量：10
- 3
-
-
作者
江璞玉
刘均
周奇
程远胜
-
机构
华中科技大学船舶与海洋工程学院
华中科技大学航空航天学院
-
出处
《中国舰船研究》
CSCD
北大核心
2021年第4期1-18,共18页
-
文摘
大型复杂工程装备的优化设计通常为高复杂度、高维度的优化问题,即所谓的大规模黑箱优化问题,其特点是目标函数和/或约束函数解析式不可知且设计变量维度很高。近年来,大规模黑箱优化问题在各领域引起了学者们的兴趣,而元启发式算法被认为是求解该问题的有效方法。为此,全面总结了近年来求解该问题的元启发式算法的研究进展,包括使用与不使用分解策略的元启发式算法,以及处理大规模昂贵优化问题的代理模型辅助元启发式算法,并指出了针对此问题的元启发式求解方法未来可能的研究方向。
-
关键词
大规模优化
黑箱优化
元启发式算法
代理模型辅助优化
-
Keywords
large-scale optimization
black-box optimization
meta-heuristic algorithms
surrogate-assisted optimization
-
分类号
U662.9
[交通运输工程—船舶及航道工程]
-
