为提高基于Kriging模型信息熵函数(Information Entropy Function,H)的可靠性计算效率,考虑样本点与极限状态曲面的空间距离和随机变量的概率密度函数,通过对样本点的信息熵赋予不同的权值,提出权重信息熵函数(Weight Information Entro...为提高基于Kriging模型信息熵函数(Information Entropy Function,H)的可靠性计算效率,考虑样本点与极限状态曲面的空间距离和随机变量的概率密度函数,通过对样本点的信息熵赋予不同的权值,提出权重信息熵函数(Weight Information Entropy Function,WH)。该学习函数选择更接近极限状态曲面且概率密度函数值较大的样本点更新Kriging模型,从而减少对功能函数的调用次数,有效提高可靠性计算效率。通过算例表明:与其他学习函数相比,WH学习函数在建立Kriging模型过程中所需要的样本点更少,收敛速度更快,计算效率更高。展开更多
