为了解决复杂工程优化问题计算量大的问题,提出了基于Kriging代理模型的改进EGO(Efficient Global Optimization)算法.采用小生境微种群遗传算法求解Kriging模型的相关向量,避免了模式搜索算法求解相关向量时对初始值的敏感性问题.采用...为了解决复杂工程优化问题计算量大的问题,提出了基于Kriging代理模型的改进EGO(Efficient Global Optimization)算法.采用小生境微种群遗传算法求解Kriging模型的相关向量,避免了模式搜索算法求解相关向量时对初始值的敏感性问题.采用小生境微种群遗传算法,结合无惩罚因子的惩罚函数法对EI(Expected Improvement)函数寻优,解决了惩罚因子难以选择的问题,增强了算法的鲁棒性.采用2个数值算例和1个工程算例对算法进行测试的结果表明,改进后的EGO算法收敛精度更高,比较适合在工程中应用.展开更多
代理模型在结构优化领域中的应用逐渐增多。相对传统优化方法,代理模型方法在处理带有噪音或仿真模拟十分耗时的问题时有明显优势。加点准则是代理模型技术的一个关键,为了避免陷入局部最优解,加点准则需要同时考虑局部搜索(exploitati...代理模型在结构优化领域中的应用逐渐增多。相对传统优化方法,代理模型方法在处理带有噪音或仿真模拟十分耗时的问题时有明显优势。加点准则是代理模型技术的一个关键,为了避免陷入局部最优解,加点准则需要同时考虑局部搜索(exploitation)和全局搜索(exploration)两部分并加以平衡。本文在Kriging代理模型基础上提出一种基于几何全局搜索的全局优化算法MSG(Multi-start Local Search with Geometrical Exploration),通过数值算例将其与基于不确定性全局搜索的有效全局优化算法EGO(Efficient Global Optimization)进行比较,研究了MSG算法参数的影响,并讨论了MSG与EGO各自的特点和适用范围。展开更多
针对粒子群优化(PSO,particleswarmoptimization)和高效全局优化(EGO,efficientglobal optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM,consensus particle swarm optimization and loc...针对粒子群优化(PSO,particleswarmoptimization)和高效全局优化(EGO,efficientglobal optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM,consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。展开更多
文摘为了解决复杂工程优化问题计算量大的问题,提出了基于Kriging代理模型的改进EGO(Efficient Global Optimization)算法.采用小生境微种群遗传算法求解Kriging模型的相关向量,避免了模式搜索算法求解相关向量时对初始值的敏感性问题.采用小生境微种群遗传算法,结合无惩罚因子的惩罚函数法对EI(Expected Improvement)函数寻优,解决了惩罚因子难以选择的问题,增强了算法的鲁棒性.采用2个数值算例和1个工程算例对算法进行测试的结果表明,改进后的EGO算法收敛精度更高,比较适合在工程中应用.
文摘代理模型在结构优化领域中的应用逐渐增多。相对传统优化方法,代理模型方法在处理带有噪音或仿真模拟十分耗时的问题时有明显优势。加点准则是代理模型技术的一个关键,为了避免陷入局部最优解,加点准则需要同时考虑局部搜索(exploitation)和全局搜索(exploration)两部分并加以平衡。本文在Kriging代理模型基础上提出一种基于几何全局搜索的全局优化算法MSG(Multi-start Local Search with Geometrical Exploration),通过数值算例将其与基于不确定性全局搜索的有效全局优化算法EGO(Efficient Global Optimization)进行比较,研究了MSG算法参数的影响,并讨论了MSG与EGO各自的特点和适用范围。
文摘针对粒子群优化(PSO,particleswarmoptimization)和高效全局优化(EGO,efficientglobal optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM,consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。
