基于空间分解参数优化径向基函数近似模型构造方法.docVIP

基于空间分解参数优化径向基函数近似模型构造方法 　　摘要：为了进一步提高径向基函数（RBF）近似模型的精度，对其近似精度影响因素进行了深入研究。深入分析了计算机舍入误差对RBF近似精度的影响，指出矩阵条件数和形状参数同为影响RBF模型近似精度的两个重要因素。结合灵敏度分析对设计空间进行了分解，改善了矩阵条件数，增加了设计自由度，在传统基于形状参数优化的RBF近似模型的基础上，提出了基于空间分解的参数优化RBF近似模型构造方法。数值实验结果表明，在两个测试算例中，所提方法较传统基于形状参数优化的RBF近似模型构造方法的均方根误差（RMSE）分别减小了51.3%、58.0%，具有更高的近似精度。 　　关键词：径向基函数；近似精度；条件数；参数优化；灵敏度分析 　　中图分类号： TP391.9 　　文献标志码：A 　　0 引言 　　针对复杂系统研究过程中各个学科之间相互耦合的问题，多学科优化设计（Multidisciplinary Design Optimization， MDO）采用各学科已发展成熟的精度高的分析模型，通过充分利用各个学科（子系统）之间的相互作用所产生的协同效应，各学科组并行设计，得出整体上的最优设计。但是高精度模型带来的庞大而复杂的计算是难以承受的[1-3]。近似模型是多学科优化的关键技术之一，通过少量的高精度分析和近似计算构造显式近似表达式来代替原有系统，是解决多学科优化计算复杂性的有效手段[4]。 　　目前常用的近似模型有多项式响应面模型、Kriging模型、径向基函数（Radial Basis Function， RBF）模型、支持向量机模型、神经网络模型[5]。由于径向基模型具有形式简单、各向同性、设置参数少、易于处理等优点，对高维问题和非线性问题均具有较好的近似效果，得到了广泛的应用[6]。以径向基近似模型为研究对象，对影响其近似精度的主要因素进行了分析，在传统基于形状参数优化的径向基模型的基础上[7]，结合灵敏度分析对设计空间进行分解，增加径向基模型的设计自由度，提出了基于空间分解的参数优化径向基近似模型构造方法。 　　2 径向基插值模型近似精度的影响因素 　　由式（2）可看出近似模型由两部分组成：插值基函数和权系数。假设样本点已经确定，则近似模型的精度由插值基函数和权系数共同决定。由插值基函数表达式（5）可知插值基函数的形状特性由形状参数决定，如图1所示，不同取值的形状参数对应不同形状的插值基函数。 　　权系数由式（3）确定，其中Y为已知量，矩阵Φ的表达式如式（3）所示，可知矩阵Φ也是形状参数的函数。综上，插值基函数和权系数均由形状参数决定，所以当样本点确定后，径向基近似模型的精度由形状参数决定。 　　均方根误差（Root Mean Square Error， RMSE）常用于误差统计，而基于留一交叉验证法的均方根误差可在不增加验证样本点的情况下[10]，用于模型的全局误差估计，具体表达式如下： 　　RMSE=（∑Nsi=1（yi-i）2）/Ns（6） 　　其中yi为xi上的实际响应值。RMSE越小，认为径向基模型近似精度越高；反之，近似精度越低。 　　由于在样本点确定的情况下，径向基模型的近似精度由形状参数决定，RMSE也就成了形状参数c的函数，记为f（c）。目前一些学者提出以RMSE作为目标函数，对形状参数c进行优化，寻找使RMSE取最小值时的c，并构建径向基近似模型[11-13]。通常将这种方法称之为基于形状参数优化的径向基模型构造方法。 　　以f（x）=1/（1+16x2）为例，在设计空间x∈[-1，1]均匀选取21个样本点，形状参数c=1.5，建立径向基近似模型如图2（a）所示，此时近似模型在真实函数附近震荡，误差较大。采用上面提到的基于形状参数优化的径向基模型构造方法，可得优化后的形状参数c=0.2728，结果如图2（b）所示，此时近似模型能与真实函数较好地吻合。可知，形状参数的选取对近似精度有重要影响。 　　由于计算机存在舍入误差，当Φ矩阵的条件数过大，即矩阵呈现病态时，微小的噪声即会引起权系数向量W剧烈的震荡，使径向基模型严重偏离真实函数，存在较大误差。图2（a）所示的径向基模型的Φ矩阵条件数COND=4.8716×1017，矩阵严重病态，权系数向量W有较大误差，由图2（a）可知对近似模型精度影响剧烈。若能改善Φ矩阵的条件数，则可以一定程度上提高近似模型的精度。 　　矩阵的规模是影响矩阵条件数的其中一个重要因素，矩阵规模过大，往往会造成矩阵条件数增大。若能减小矩阵规模，则可以减小矩阵条件数，从而提高近似精度。 　　对于f（x）=1/（1+16x2），将设计空间x∈[-1，1]均匀分解成分两个子空间[-1，0]、（0，1]。分别在两个子空间上构造径