基于Kriging模型的全局优化方法分析-机械制造及其自动化专业论文.docxVIP

1 绪论 1.1 研究目的及意义 本论文研究内容来源于国家自然基金项目(项目编号之课题：“多领域 系统递阶混合建模及多学科协同优化研究”。 对于传统的优化问题，目标函数和约束函数通常是显式的。对目标函数和约束函 数估值所耗费的时间与整个优化搜索过程所耗费的时间相比几乎可以忽略，而在多领 域仿真分析与设计优化中，目标函数和约束函数都隐含在建立的模型中，估值一次需 要进行计算机仿真求解，所耗费的时间大大超过传统优化问题的估值时间。 输出 多领域模型 模型建立 多领域模型 响应 仿真求解  优化控制器 输入参数 图 1.1 多领域系统建模仿真优化过程 传统的全局优化方法，如遗传算法(genetic algorithm, GA)、粒子群算法(particle swarm optimization, PSO)、模拟退火(simulated annealing, SA)、神经网络等，这类方法 的效率很低，对源函数的估值次数大，难以满足多领域系统仿真优化的需要[1]。 近 20 年出现的基于元模型(响应面)的全局优化方法是将优化问题的目标函数(和 约束函数)与设计变量的关系表达为近似响应面模型，优化迭代过程中可以利用近似 响应面模型来代替源函数进行估值，这样可以大大减少源模型估值的次数[2]。 Kriging 响应面可以同时提供预测位置的目标值和预测误差，基于此特性而产生 的全局优化算法具有良好的全局性和局部性，而且具有较少的估值次数。然而，其缺 点是在采样点数目增加时，构建 Kriging 响应面的时间激增，特别是在处理变量数目 较多，自变量维度较高，迭代次数较大的情况下，Kriging 模型的构建速度难以满足 工程需要。因此，本文研究的增量 Kriging 方法以及基于 Kriging 模型的全局优化算法， 具有一定的理论意义和实践价值。 1.2 研究综述 Kriging 响应面模型 在真实的世界中，由于实际的限制，我们不可能对每一个确定的区域点给出一个 详尽值。因此，对于绘制，分析和理解数据(尤其是二维的数据)，使用响应面方法是 十分重要而且基础的。常用的响应面模型有多项式 (polynomial regression surrogate, PRS)、径向基函数(radial basis functions, RBF)、支持向量回归 (support vector regression, SVR)、多元自适应回归样条(multivariate adaptive regression spline ,MARS)以及 Kriging 等。 PRS(狭义上也作 RSM)是最一种常用的响应面模型[3]，使用多项式来拟合源函数。 PRS 具有效率高、适合低阶低维问题的近似，而且利用它可直接从标准化回归模型的 系数识别出不同设计因素的特征[4]；其缺点是不适合高维非线性问题。PRS 还有多种 变型[5]，包括双向 RSM、改进 RSM、随机 RSM 和自适应 RSM 等，可以改善简单 PRS 的性能。 RBF 方法首先被 Hardy 用于处理地质数据的不规则地形轮廓[6]。RBF 模型被表示 为一系列关于采样点的基函数的线性和[7]。现有研究表明 RBF 很好地解决了高维度和 高阶非线性问题，RBF 的精度介于 PRS 和 Kriging 之间，但是 RBF 模型比 Kriging 模 型更容易建立[8]。但是 RBF 不适合处理线性问题和低维问题，而且在函数估值时计算 量较大。因此，寻找一种快速的估值算法是十分必要的[9-10]。 SVR 是基于支持向量机(support vector machine, SVM)[11]的一种响应面方法。SVR 的实质是计算采样数据的最优超平面，其目标是为每个采样数据的幅度偏差找到一个 合适的函数，SVR 可表示成一个常量加上采样点核心函数的线性和。SVR 方法的优 势在于其最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的 数目，而不是样本空间的维数，在某种意义上避免了“维数灾难”。其不足之处在于 对大规模样本难以实施，样本数目很大时，高维度矩阵的存储和计算将耗费大量的机 器内存和运算时间[12]。 MARS 方法是由 Jerome H. Friedman 于 1991 年提出的[13]。MARS 的目的是从大 量的独立变量中预测一个连续的输出变量。MARS 综合样条回归、累加回归、递归自 分回归的诸多优点，以“前向”和“后向”算法逐步筛选因子，相比于其他方法， MARS 具有很强的自适应性。另外，MARS 对模型预测的精度也比较高，且模型客观， 较具弹性，具有建模速度快等诸多优点[14]。 Kriging 方法是一种通过已知点来预测未知观察点的一种插值方法。Kri