试析计算机试验的分步优化设计.docVIP

试析计算机试验的分步优化设计 　　摘要：针对传统的计算机试验优化设计计算过程繁琐费时等问题，需要对原始随机进化寻优的算法进行改进，用来兼顾深度搜索与广度搜索，根据这一点提出了分步试验优化设计的思路，逐步分批地布置试验样本点，化整为零地减小搜索空间，采用径向基神经网络替代模型并且以均匀试验设计为例检验了分步试验优化设计方法的可行性。 　　关键词：计算机试验；分步优化设计 　　中图分类号：TP393文献标识码：A文章编号：1009-3044(2011)18-4429-02 　　1 计算机试验 　　伴随着计算技术的发展，涉及到科学研究以及工程实践当中有关于实验现象的研究系统都是需要采用建立数学模型的方式来进行描述的，通过建立数学模型进行数值求解。例如大型土建或者水利设施等一些复杂的结构系统都不可避免的会接触到使用有限元等离散方法进行数值求解，从而获取结构的输入、输出响应。另外，系统结构的可靠性分析、优化设计以及结构性能评估等研究还需要进行大量的重复试验并且对数据进行缜密分析，才能有效地了解结构系统在整个输入参数空间的输出特性。但是，在计算机试验当中，想要提高每一次数值分析的精确性就必须要消耗大量的计算时间为代价，也就无法对试验设计中的所有参数组合进行逐一的分析求解，仅仅是通过选择一些适当的点作为输入然后进行计算机试验，并且通过建立替代模型，对未试验点进行响应的预测。在建模方法上，操作简单并且经常使用的是样条函数模型、多项式回归模型、随机过程模型以及人工神经模型等。 　　由此可见，计算机试验设计对于输入样本点的确定很大程度上决定着替代模型的逼近精度。现阶段所采用的抽样方法主要有简单随机抽样以及LHS抽样两种，但这些抽样方法都具有一定的不稳定性因素，为了改进这一点，人们在众多的LHS中挑出了一个最小化的某种优化准则进行试验设计，也就是所谓的优化拉丁方试验设计。例如进行最大及最小距离的设计、均匀试验设计和最大后验熵设计等等。作为样本输入的替代模型，虽然优化的拉丁方试验设计较于简单随机抽样以及LHS抽样作为输入的替代模型在逼近精度上有着极其明显的优势，但其缺点在于优化的拉丁方试验设计要进行全局精确寻优却是一个十分复杂繁琐的过程，若以10个样本输入点和4个变量为例进行试验设计，不同的试验个数就超过1022之多，这样一来，也就只能寻找近似的最优解，而且伴随着样本输入点数量的递增，工作站所需要花费的时间也随之相应增加，对于要确定一个最优的优化的拉丁方试验设计来说，计算时间的消耗是非常巨大的，这一点对于大规模的试验设计表现得尤为突出。因此，为了提高优化的拉丁方试验设计效率，对随机进化寻优算法和计算机试验的分布优化设计进行改进是一项亟待解决的研究课题。本文主要探讨通过均匀试验设计以及径向基神经网络替代模型的数值试验，并且通过验证，证明改进的算法以及分布试验设计方法具有可行性。 　　2 随机进化算法的改进 　　最初的随机进化算法仅仅只是用于解决组合优化的问题，具体操作过程是：首先随机选择一个初始的拉丁方实验设计值X0。然后通过多次的元素交换组成一个设计集合Xset，而且设计集合当中含有多个新设计，即Xnew∈Xset。通过对所组成的设计集合进行计算，并且决定是否用更优的试验设计来替代当前的最优设计，然后再进行元素交换构造新的设计集合计算其中的每一个新设计关于某一优化准则的函数值并通过不断重复进行验证。 　　由此可见，随机进化算法虽然可以避开局部最优，逼近全局最优，但是通过繁琐的计算过程，我们不难发现，逃离局部最优是一个极其缓慢的过程，这其中至少存在一个直接或者间接地不断由旧值递推出新值的变量，需要进行数量足够的迭代，所以在一定程度上极大的影响了计算机试验设计的效率。由于计算机试验优化设计经常面临着非常广阔的搜索空间，相比传统的从一个初始点出发或者从一个局部极值点出发，再进行深度搜索寻找局部全优，其过程复杂耗时。鉴于此为了进一步提高计算机寻优过程的效率，需要对原始的随机进化算法从设计思路上进行一些改进，从一个集群的初始点出发或者从一个集群的局部极值出发，这样一来，就可以有效地兼顾深度搜索和广度搜索来寻找近似全局最优。其具体改进措施如下： 　　1) 增加大循环，即在整个外部循环的外部再设置一重循环，其根本目的在于从外部循环中所确定的局部极值当中选出最优的局部极值作为全局极值。 　　2) 确定外部循环中初始的拉丁方试验设计值X0为集合中的最优点，并设定初始集中随机样本点的个数。 　　3) 在外部循环中增加对事件flagimp＝0的记数，即Nimp，当初始集中随机样本点的个数Nimp达到外部循环最大数的某一比例值时就可以结束这一轮的循环计算，然后改变集合中的元素进行下一轮大循环。 　　在这个过程中第一二步充分考虑到了随机进化算法的广度