本发明专利技术提供了一种基于主动学习Kriging模型的可行域搜索方法及装置，选取初始样本点，并计算所述初始样本点的损失函数，分别构建或更新损失函数和所有约束函数的Kriging代理模型，以损失函数的绝对值作为优化目标，求解优化方程；引入多个主动学习函数并构造多种约束主动学习函数，优化多种约束主动学习函数，获取最优帕累托前沿；从最优帕累托前沿中获取多个最佳样本点，并计算最佳样本点的损失函数真实值；当算法收敛时，获得精确的可行域边界的Kriging代理模型，使得损失函数即为优化问题的可行域。本发明专利技术可高效搜索多约束下的可行域，进而缩小优化问题的搜索空间，提高求解效率。求解效率。求解效率。
【技术实现步骤摘要】
一种基于主动学习Kriging模型的可行域搜索方法及装置
[0001]本专利技术属于机器学习
，具体涉及一种基于主动学习Kriging模型的可行域搜索方法及装置。
技术介绍
[0002]随着计算机技术和CAE技术的快速发展，人们越来越多地应用计算机仿真的方法来模拟和研究许多工程问题，尤其是在汽车领域，基于计算机虚拟仿真分析与优化设计已经占据了主导地位。在未来市场对车辆技术的需求下，车辆设计过程变得更加复杂。为了缩短研发周期、提高产品质量和降低研发成本，人们要求计算机虚拟仿真的精度要越来越高，分析和优化的时间要越来越短，因此为了适应这些需求，求解可行域可以提高设计过程的效率，决策者通过了解满足所有约束函数的可行域来减少严重无用的返工。在实际的工程优化设计中，涉及到的设计变量较多且设计目标和设计约束关系比较复杂，虽然现有的全局优化算法可以探索整个设计空间，但由于迭代过程中许多在不可行区域的样本计算大大降低了优化效率，使得收敛速度相对较低。因而，如何利用尽量少量的样本满足多种约束，得到高精度的可行域已成为急迫需要解决的问题。
技术实现思路
[0003]有鉴于此，本专利技术提供了一种基于主动学习Kriging模型的可行域搜索方法及装置。
[0004]本专利技术是通过以下技术手段实现上述技术目的的。
[0005]一种基于主动学习Kriging模型的可行域搜索方法，具体为：
[0006]选取初始样本点，并计算所述初始样本点的损失函数J(x)'；
[0007]分别构建或更新损失函数J(x)'和所有约束函数的Kriging代理模型
[0008]以损失函数的绝对值作为优化目标，求解优化方程；
[0009]引入多个主动学习函数并构造多种约束主动学习函数，优化多种约束主动学习函数，获取最优帕累托前沿；
[0010]从最优帕累托前沿中获取多个最佳样本点，并计算最佳样本点的损失函数真实值；
[0011]当算法收敛时，获得精确的可行域边界的Kriging代理模型，满足即为优化问题的可行域。
[0012]进一步地，所述初始样本点的损失函数是通过计算各样本点的约束函数值，进一步计算所有约束函数的损失函数值，再利用KS函数进行近似最大得到的。
[0013]进一步地，所述所有约束函数的损失函数值满足：
[0014][0015][0016]式中：J
i
(x)为第i个约束函数的损失函数值，f
i
(x)为变量矩阵x对应第i个约束函数的函数值，f
imin
为第i个约束函数的下边界，f
imax
为第i个约束函数的上边界，f
ibase
为第i个约束函数的初始取值，
ρ
为正实数，c为约束函数个数，J(x)为损失函数。
[0017]进一步地，所述Kriging代理模型分别为：
[0018][0019][0020]其中：为损失函数的预测值，s(x)为预测误差，为第i个约束函数的预测值，e
i
(x)为第i个约束函数的预测误差，c为约束函数个数。
[0021]进一步地，所述优化方程为：
[0022][0023]s.t.g
i
(x)＜0,i∈{1,2,...,l
ineq
}
[0024]h
i
(x)＝0,i∈{1,2,...,l
eq
}
[0025]x
L
≤x≤x
U
[0026]其中：g
i
(x)为不等式约束，l
ineq
为不等式约束个数，h
i
(x)为等式约束，l
eq
为等式约束个数，x
L
为变量的下限，x
U
为变量的上限。
[0027]进一步地，所述约束主动学习函数为：
[0028][0029][0030][0031]其中：f
min
为当前所有样本点中损失函数最小值，为满足所有约束函数的概率，Φ为标准正态分布的累计分布函数，φ为标准正态分布分概率密度函数，κ是
描述采集开发
‑
探索平衡的超参数；
[0032]所述主动学习函数包括期望改进EI、改进概率PI、置信上限UCB，所述约束主动学习函数包括CEI、CPI和CUCB。
[0033]进一步地，所述最优帕累托前沿是利用多目标遗传算法优化多种约束主动学习函数获取的。
[0034]进一步地，所述从最优帕累托前沿中获取多个最佳样本点是基于优劣解距离法。
[0035]进一步地，当算法不收敛时，合并当前样本点，并重新构建或更新损失函数和所有约束函数的Kriging代理模型。
[0036]一种基于主动学习Kriging模型的可行域搜索装置，包括：
[0037]构建损失函数模块，用于构建初始样本点损失函数；
[0038]构建代理模型模块，用于构建或更新损失函数和所有约束函数的Kriging代理模型；
[0039]最优帕累托前沿获取模块，基于多目标遗传算法优化多种约束主动学习函数，获取最优帕累托前沿；
[0040]计算最佳样本点的损失函数值模块，基于优劣解距离法从最优帕累托前沿中获取多个最佳样本点，并计算最佳样本点的损失函数真实值；
[0041]可行域确定模块，用于确定可行域。
[0042]本专利技术的有益效果为：
[0043]1)本专利技术基于主动学习Kriging模型的可行域搜索方法，基于KS函数将系统多个约束函数转化为单个连续可微的损失函数，可以根据损失函数的正负来判断所选设计变量的可行性，保证可行域边界周围进行搜索，有效提高可行域搜索效率；
[0044]2)本专利技术基于主动学习Kriging模型的可行域搜索方法，Kriging模型的训练数据是基于优劣解距离法从多种主动学习函数的帕累托最优前沿中得到的，有效提高可行域的准确率，减少训练模型所需的样本数量，减少计算资源耗费；
[0045]3)本专利技术基于主动学习Kriging模型的可行域搜索方法，能够高效处理系统多约束可行域问题，可广泛应用于汽车领域。
附图说明
[0046]图1为本专利技术所述基于主动学习Kriging模型的可行域搜索流程图；
[0047]图2是算例1利用本专利技术方法得到的可行域结果示意图；
[0048]图3是算例1利用单一主动学习函数得到的可行域结果示意图；
[0049]图4是算例2利用本专利技术方法得到的可行域结果示意图；
[0050]图5是算例2利用单一主动学习函数得到的可行域结果示意图。
具体实施方式
[0051]下面结合附图以及具体实施例对本专利技术作进一步的说明，但本专利技术的保护范围并不限于此。
[0052]如图1所示，本专利技术一种基于主动学习Kriging模型的可行域搜索方法，具体包括如下步骤：<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于主动学习Kriging模型的可行域搜索方法，其特征在于：选取初始样本点，并计算所述初始样本点的损失函数J(x)'；分别构建或更新损失函数J(x)'和所有约束函数的Kriging代理模型以损失函数的绝对值作为优化目标，求解优化方程；引入多个主动学习函数并构造多种约束主动学习函数，优化多种约束主动学习函数，获取最优帕累托前沿；从最优帕累托前沿中获取多个最佳样本点，并计算最佳样本点的损失函数真实值；当算法收敛时，获得精确的可行域边界的Kriging代理模型，满足即为优化问题的可行域。2.根据权利要求1所述的可行域搜索方法，其特征在于，所述初始样本点的损失函数是通过计算各样本点的约束函数值，进一步计算所有约束函数的损失函数值，再利用KS函数进行近似最大得到的。3.根据权利要求2所述的可行域搜索方法，其特征在于，所述所有约束函数的损失函数值满足：值满足：式中：J
i
(x)为第i个约束函数的损失函数值，f
i
(x)为变量矩阵x对应第i个约束函数的函数值，f
imin
为第i个约束函数的下边界，f
imax
为第i个约束函数的上边界，f
ibase
为第i个约束函数的初始取值，ρ为正实数，c为约束函数个数，J(x)为损失函数。4.根据权利要求1所述的可行域搜索方法，其特征在于，所述Kriging代理模型分别为：分别为：其中：为损失函数的预测值，s(x)为预测误差，为第i个约束函数的预测值，e
i
(x)为第i个约束函数的预测误差，c为约束函数个数。5.根据权利要求1所述的可行域搜索方法，其特征在于，所述优化方程为：s.t.g
i
(x)＜0,i∈{1,2,...,l
ineq
}h
i
(x)＝0,i∈{1,2,...,l
eq
}x
L
≤x≤x
U
【专利技术属性】
技术研发人员：罗淦，段利斌，朱茂桃，杜展鹏，徐伟，刘星，
申请(专利权)人：江苏大学，
类型：发明
国别省市：
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。