【技术实现步骤摘要】
一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法
本专利技术涉及微机电系统设计优化的
,尤其涉及到一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法。
技术介绍
微机电系统(Micro-Electro-MechanicalSystem,MEMS)是集微执行器、微传感器、信号处理和控制电路、通信、接口等一体的微型器件。MEMS在医疗、工业、汽车和航空等领域上有着广泛的应用前景,这对促进国民经济增长以及提高军事能力起着重要的作用,因此,对MEMS的形状进行优化设计是必不可少的且具有很大的现实意义。目前MEMS的形状优化方法有两种:第一种是使用设计专业知识进行局部优化,先提供初始设计,再缩小搜索范围并根据灵敏度来减少设计变量的数量,最后使用数值模拟来优化局部结构;第二种是利用进化算法进行全局优化,由于进化算法具有全局搜索能力、收敛速度快以及在MEMS优化中无需进行初始设计等优点,其在MEMS的优化中得到了广泛的关注。国内外对MEMS的优化设计方法研究较少,主要集中为遗传算法、差分进化算法等自然模拟算法,但这些优化算法对MEMS的优化中存在着高效率和高性能的瓶颈。另外,要让MEMS得到更好的优化,则需要花费计算昂贵的数值模拟或计算昂贵的真实适应度评估成本,应用是不可能的。
技术实现思路
本专利技术的目的在于克服现有技术的不足,将在线代理模型辅助的进化算法(SurrogateassistedEvolutionalgorithm,SAEA)引入到MEMS的形状优 ...
【技术保护点】
1.一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法,其特征在于,包括以下步骤:/nS1、根据设计空间的范围使用Latin hypercube采样方法初始化整个种群,并对整个种群的个体进行真实的适应度评估,给予它们真实适应度值;初始化后的个体以及其适应度值保存在一个缓存中,形成初始候选集DB;/nS2、判断候选集DB中的样本是否大于或等于所构建候选集A的样本数N,若不满足大于或等于的判断条件,则用社会学习粒子群优化算法来进化种群,接着对种群进行真实适应度评估,然后把进化后的种群加入到候选集DB中,直到候选集DB中的样本总数大于N为止;否则跳转到S3;/nS3、从候选集DB中选择N个样本构建候选集A;/nS4、采用步骤S3构建的候选集A来训练各代理模型,并通过组合策略集成各代理模型,从而形成一个强大的集成模型;/nS5、使用社会学习粒子群优化算法对整个种群进行更新;/nS6、使用集成模型预测出新种群中每个个体的适应度值;/nS7、采用SMIC加点准则来管理集成模型,选取合适的个体进行真实适应度评估;对于整个种群的最优潜在个体,如果尚未在SMIC加点准则中得到真实适应度评估, ...
【技术特征摘要】
1.一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法,其特征在于,包括以下步骤:
S1、根据设计空间的范围使用Latinhypercube采样方法初始化整个种群,并对整个种群的个体进行真实的适应度评估,给予它们真实适应度值;初始化后的个体以及其适应度值保存在一个缓存中,形成初始候选集DB;
S2、判断候选集DB中的样本是否大于或等于所构建候选集A的样本数N,若不满足大于或等于的判断条件,则用社会学习粒子群优化算法来进化种群,接着对种群进行真实适应度评估,然后把进化后的种群加入到候选集DB中,直到候选集DB中的样本总数大于N为止;否则跳转到S3;
S3、从候选集DB中选择N个样本构建候选集A;
S4、采用步骤S3构建的候选集A来训练各代理模型,并通过组合策略集成各代理模型,从而形成一个强大的集成模型;
S5、使用社会学习粒子群优化算法对整个种群进行更新;
S6、使用集成模型预测出新种群中每个个体的适应度值;
S7、采用SMIC加点准则来管理集成模型,选取合适的个体进行真实适应度评估;对于整个种群的最优潜在个体,如果尚未在SMIC加点准则中得到真实适应度评估,则将会被进行真实适应度评估;
S8、若真实适应度评估次数达到算法设定的真实适应度评估次数的最大值,则算法结束,否则,更新候选集DB并跳转到S2继续运行;
S9、当迭代结束后,从候选集DB中选出最优个体来作为MEMS的最优变量设计组合。
2.根据权利要求1所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法,其特征在于,所述步骤S4中,采用GP模型和RBF模型作为单个代理模型,并使用在线加权平均法对GP模型和RBF模型进行集合。
3.根据权利要求2所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法,其特征在于,使用在线加权平均法给予GP模型和RBF模型不同的权重,从而得出一个强大的集成模型;
权重计算公式如下所示:
上式中,εi为第i个代理模型的预测误差度量,wj为第j个代理模型的权重值;采用均方根误差值RMSE作为代理模型的预测误差度量值;
每个代理模型的RMSE由以下公式来计算:
上式中,RMSE用符号ε表示,则第j个代理模型的RMSE值,y(xi)为样本xi的真实适应度值,为第j个代理模型对样本xi的预测适应度值,N为代理模型的训练样本个数。
4.根据权利要求1所述的一种基于集成模型辅助社会学习粒子群算法的微机电系统设计优化方法,其特征在于,上述步骤S5中,粒子的更新方式如下所示:
上式中,i为整个群体中的第i个个体,1≤i≤m,m代表整个种群的实际大小,j为个体i的第j个维度,1≤j≤D,D为搜索空间的维度;xij(t)表示为第t子代中粒子i的第j维的行为向量,xij(t+1)则表示为第t+1子代中粒子i的第j维的行为向量;Δxij(t+1)表示为矫正因子;PiL为每个粒子i向优秀个体学习的最大限定概率,而pi(t)为个体i在第t代的向优秀个体学习的概率;另外,Δxij(t+1)的计算方式如下所示:
Δxij(t+1)=r1(t)·Δxij(t)+r2(t)·Iij(t)+r3(t)·φ·Cij(t);
其中,
<...
【专利技术属性】
技术研发人员:胡晓敏,苏文伟,李敏,
申请(专利权)人:广东工业大学,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。