基于MARS的响应面建模方法分析-机械设计及理论专业论文.docxVIP

华中科技大学硕士学位论文 华 中 科 技 大 学 硕 士 学 位 论 文 PAGE 10 PAGE 10 1 绪 论 1.1 课题的背景 试验设计法是建立在统计学原理之上的一种数据采样方法。一般的数理统计法主 要是对获得的数据进行分析，对关心的问题做出精确的判断[1]。试验设计则是关心如 何合理有效的获取数据资料，主要包括如何合理安排试验并取得数据，然后进行综合 分析，从而达到最优方案的目的。它从正交性、均匀性为出发点，利用拉丁方、正交 表等作为工具来设计试验方案，实施试验，直接寻找最优点[2]。 试验设计的基本思想和理论是由英国学者 R.A.Fisher 在 20 世纪 20 年代创立的， 他用拉丁方采样法解决了长期未能解决的试验条件的分布不均匀问题，并且提出了方 差分析法，创立了试验设计方法。经过多年的发展和完善，试验设计的应用空间更为 广阔，是产品优化设计和开发的非常有效的工具。 传统的数理统计方法，如线性回归分析方法与正交试验设计方法，无论在工业生 产和科学研究中都有广泛的应用，但他们都存在着一定的缺陷[3][4]。线性回归法虽然 可以利用实验数据得出因素与响应值的回归方程，但要求的数据量比较大，资源耗费 多，时间耗费长，而且只能讨论一种因素对响应值的影响，无法综合考虑几种因素的 相互综合作用。而正交试验设计法则注重科学合理的安排试验，可以同时考虑几种因 素的相互作用，寻找最佳因素水平组合，但它却不能给出整个区域上因素与响应值之 间的函数表达式，即回归方程，从而无法找到整个变量区域上的最佳因素组合和响应 值的最优解。随着工业领域的不断发展，为了解决上述问题，基于试验设计的响应面 分析优化方法便应运而生了。 响应面方法是利用合理的试验设计得到的一组数据，利用回归方程来拟合因素与 响应值之间函数关系，通过对方程分析来寻求最优参数，从而获得黑箱函数的近似模 型的一种方法[5]。随着计算机技术及应用的发展，它已经成为精度高、应用广并且很 有实用价值的优化辅助工具。它既能表述单个变量对系统的影响，确定试验变量之间 的相互关系，还能描述所有试验变量对系统的综合影响。已经在仿真优化领域中取得 了广泛的应用。 仿真优化方法即基于仿真的优化方法。与传统优化方法的不同在于：其目标和约 束函数的估值需要调用和运行仿真分析工具来获得，其原理如图 1.1 所示 输出 仿真模型 输出 仿真模型 优化算法 反馈并调整输入 仿真优化的特点如下： 图 1.1 仿真优化研究基本原理 1） 系统的输入与输出之间的关系缺少结构信息，不存在解析表达式，只能通 过仿真得到。 2） 存在不确定因素，一次仿真给出的性能估计通常存在一定的误差。 3） 系统仿真过程耗费时间，缺少与优化模块的合理接口，以至于整个优化过 程的速度比较慢。 4） 输入变量空间大，且连续量、离散量与逻辑量共存，优化过程涉及多个目 标，并存在局部最小，以至于难以得到全局最优解[6]。 介于以上难点，它一直是工程领域共同关注的重要课题。目前，仿真优化算法可 以归纳为基于梯度的方法、随机优化方法[7]、响应面法[8]、启发式算法[9]和统计方法[10] 等以及这些方法的混合方法。仿真优化算法分类如图 1.2 所示 基于梯度方法 有限差分法 摄动分析法 随机优化方法 样本路径法 优 化 仿 响应面法 真 算 法 启发式方法  MARS方法 RBF 方法 Kriging方法 模拟退火法 神经网络法 数理统计方法 重点抽样法 图 1.2 仿真优化算法分类 基于试验设计的响应面方法已成为解决仿真优化问题的主流方法，仿真优化迭代 过程中需要调用多领域仿真程序来计算目标函数和约束函数的值。响应面方法是提高 多领域仿真优化效率的有效途径。 1.2 课题的意义和来源 据报道[11]，福特汽车公司进行一次汽车碰撞模型的仿真分析需要时间大约为 36 －160 小时，要实现该模型的两个变量的设计优化，假设平均需要 50 次迭代寻优，而 每次迭代需要进行一次仿真计算，这样获得该优化问题的解大约需要 75 天到 11 个月。 同样，要实现 FEA 模型或 CFD 模型的设计优化可能需要更长的时间。这在实践中几 乎是不可接受的。由此，在过去的 20 年中，响应面方法应运而生，而且得到了快速发 展。该方法能够减少优化迭代过程中源模型的仿真次数，而且响应面都是基于采样点 数据构造的，而采样点估值计算都是彼此独立的（而传统的优化迭代过程是序列估值 的），可以方便的通过并行计算来获得，因此，该方法可以大大提高复杂分析模型的设 计优化效率。 根据文献[12]，RSM 的作用包括以下 4 个方面： 1) 模型近似：这是 RSM 的基本功能。建立一个复杂源模型在其全局定义域内的 响应面近似模型，可以利用该近似模型实现新的未