基于混合自适应采样代理模型的复杂装备优化设计方法技术

本发明专利技术公开一种基于混合自适应采样代理模型的复杂装备优化设计方法，该方法将设计空间划分为若干样本点控制的维诺（Voronoi）多边形，使用留一误差、局部非线性与多边形区域大小三个指标分别评价各样本点区域的重要程度，通过熵权

【技术实现步骤摘要】
基于混合自适应采样代理模型的复杂装备优化设计方法


[0001]本专利技术涉及基于代理模型的优化设计领域，尤其涉及一种基于混合自适应采样代理模型的复杂装备优化设计方法。

技术介绍

[0002]对于一些较为复杂的实际工程问题，例如优化设计等，代理模型常被用于代替物理实验或数值仿真，以减少耗费的资源和时间。代理模型的预测精度高度依赖给定采样点的数量和分布。然而，每一次采样都意味着需要进行一次昂贵的、耗时的实验或仿真。因此，一个关键问题是如何充分利用采样点信息，尽可能减少采样点数量，同时构建足够准确的代理模型。自适应采样是一种顺序采样方案，在迭代过程中根据空间、误差等信息，在欠采样区域逐步加点，不断提高模型精度，直至满足停止标准。在顺序加点过程中，如何根据已有采样点和迭代过程信息选择新的采样点是非常关键的。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的存在的上述技术问题，提出了一种基于混合自适应采样代理模型的复杂装备优化设计方法。本专利技术将设计空间划分为若干样本点控制的维诺多边形区域，使用留一误差、局部非线性与多边形区域大小三个指标分别评价各样本点区域的重要程度，通过熵权
‑
优劣解距离法挑选最适合加点的敏感区域，并结合基于误差估计的学习函数确定新采样点，迭代更新构建高精度代理模型，进而对优化设计问题进行求解。本专利技术在保证代理模型精度的同时减少了采样点数量，降低了对实验或仿真计算资源的消耗。
[0004]本专利技术的目的是通过以下技术方案来实现的：
[0005]一种基于混合自适应采样代理模型的复杂装备优化设计方法，包括如下步骤：
[0006]S1：根据复杂装备优化问题的设计参数空间，随机生成一定数量初始的样本点集X，并获取各样本点对应的目标输出值Y，构成初始样本集S；
[0007]S2：根据样本点集X，将复杂装备的设计参数空间划分为由若干样本点控制的维诺多边形区域；
[0008]S3：根据初始样本集S，分别计算各样本点的留一误差、局部非线性与多边形区域大小；
[0009]S4：根据S3中计算的留一误差、局部非线性与多边形区域大小作为评价指标，使用熵权
‑
优劣解距离法挑选最敏感区域，作为新采样点加点区域；
[0010]S5：使用基于误差估计的学习函数确定新采样点x
new
，并获取新采样点对应的目标输出值y
new
，加入并更新样本集S；
[0011]S6：判断是否达到误差收敛标准，若未达到，则重复步骤S2至S5；若已经达到，则执行步骤S7；
[0012]S7：根据最终的样本集S，构建克里金代理模型G，表征复杂装备的设计参数与优化
目标的映射关系；
[0013]S8：根据确定的复杂装备优化设计问题，使用遗传算法求解该优化问题，确定最优的设计参数，并进行校验。
[0014]进一步的，所述步骤S1具体如下：
[0015]S1.1：使用拉丁超立方采样在设计参数空间随机生成初始样本点集X，其中设计参数包括结构尺寸和材料属性；
[0016]S1.2获取各样本点对应的目标输出值Y。
[0017]进一步的，所述步骤S3具体如下：
[0018]S3.1：采用留一法交叉验证，计算样本点集X内各样本点x
i
的留一误差
[0019]S3.2：基于线性拟合残差分析，计算样本点集X内各样本点xi的局部非线性NonL
i
：
[0020]S3.3：基于蒙特卡洛模拟，计算样本点集X内各样本点xi控制的维诺多边形区域大小Vol
i
。
[0021]进一步的，所述步骤S4具体如下：
[0022]S4.1：根据样本集S中各样本点的评价指标eLOO、NonL与Vol，构造决策矩阵A；
[0023]S4.2：对决策矩阵A进行归一化计算，得到归一化后的决策矩阵P；
[0024]S4.3：根据归一化后的决策矩阵P计算各评价指标的信息熵；
[0025]S4.4：根据信息熵，计算各评价指标的自适应权重系数w；
[0026]S4.5：根据各评价指标的权重系数，更新多属性决策矩阵Z；
[0027]S4.6：根据多属性决策矩阵Z，采用优劣解距离法，计算各样本点x
i
的综合评价分数s
i
；
[0028]S4.7：挑选样本集中综合评价分数最大的样本点x
*
作为最敏感样本点，将该样本点x
*
控制的多边形区域，作为新采样点加点区域。
[0029]进一步的，所述步骤S5具体如下：
[0030]S5.1：采用德劳内三角剖分算法确定最敏感样本点x
*
的维诺多边形邻接点集
[0031]S5.2：采样留一法交叉验证，计算样本点x
*
及其邻接点集的留一误差；
[0032]S5.3：根据S3.3中蒙特卡洛模拟法得到撒点结果，对落在敏感样本点x
*
控制的多边形区域内的点使用样本点x
*
及其邻接点的留一误差计算该点的估计误差
[0033]S5.4：根据克里金代理模型，得到代理模型的输出在撒点处的方差Var
t*
；
[0034]S5.5：将撒点的估计误差与方差Var
t*
相乘作为学习函数；
[0035]S5.6挑选使学习函数最大的点作为新采样点x
new
，通过有限元或实验等方法获取新采样点x
new
对应的目标输出值y
new
，加入并更新样本集S。
[0036]进一步的，所述收敛标准具体如下：
[0037]S6.1：采用留一法计算各样本点的误差
[0038]S6.2：当时，认为误差已经收敛；
[0039]其中，m为样本点个数，c为误差收敛常数。
[0040]进一步的，所述步骤S8具体如下：
[0041]S8.1：建立复杂装备优化设计问题的数学模型，包括设计参数、优化目标以及约束
条件；
[0042]S8.2：使用S7中构建的代理模型表征设计参数与优化目标的映射关系；
[0043]S8.3：使用遗传算法求解该优化问题，确定最优的设计参数，并进行校验。
[0044]本专利技术的有益效果如下：
[0045](1)本专利技术提出了留一误差、局部非线性以及维诺多边形区域大小三种评价指标，从局部开发与全局探索两个方面来评估样本点对代理模型精度的影响；
[0046](2)本专利技术使用熵权法对三种评价指标进行自适应加权，并采用优劣解距离法挑选出对代理模型影响最大的样本点，即敏感点，在其多边形区域内添加新采样点；
[0047](3)本专利技术采用新型的学习函数，使用敏感点及其邻接点的留一误差来近似估计多边形区域内任意一点的误差，并将其与克里金代理模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合自适应采样代理模型的复杂装备优化设计方法，其特征在于包括如下步骤：S1：根据复杂装备优化问题的设计参数空间，随机生成一定数量初始的样本点集X，并获取各样本点对应的目标输出值Y，构成初始样本集S；S2：根据样本点集X，将复杂装备的设计参数空间划分为由若干样本点控制的维诺多边形区域；S3：根据初始样本集S，分别计算各样本点的留一误差、局部非线性与多边形区域大小；S4：根据S3中计算的留一误差、局部非线性与多边形区域大小作为评价指标，使用熵权
‑
优劣解距离法挑选最敏感区域，作为新采样点加点区域；S5：使用基于误差估计的学习函数确定新采样点x
new
，并获取新采样点对应的目标输出值y
new
，加入并更新样本集S；S6：判断是否达到误差收敛标准，若未达到，则重复步骤S2至S5；若已经达到，则执行步骤S7；S7：根据最终的样本集S，构建克里金代理模型G，表征复杂装备的设计参数与优化目标的映射关系；S8：根据确定的复杂装备优化设计问题，使用遗传算法求解该优化问题，确定最优的设计参数，并进行校验。2.根据权利要求1所述的基于混合自适应采样代理模型的复杂装备优化设计方法，其特征在于：所述步骤S1具体如下：S1.1：使用拉丁超立方采样在设计参数空间随机生成初始样本点集X，其中设计参数包括结构尺寸和材料属性；S1.2获取各样本点对应的目标输出值Y。3.根据权利要求2所述的基于混合自适应采样代理模型的复杂装备优化设计方法，其特征在于：所述步骤S3具体如下：S3.1：采用留一法交叉验证，计算样本点集X内各样本点x
i
的留一误差S3.2：基于线性拟合残差分析，计算样本点集X内各样本点x
i
的局部非线性NonL
i
：S3.3：基于蒙特卡洛模拟，计算样本点集X内各样本点x
i
控制的维诺多边形区域大小Vol
i
。4.根据权利要求3所述的基于混合自适应采样代理模型的复杂装备优化设计方法，其特征在于：所述步骤S4具体如下：S4.1：根据样本集S中各样本点的评价指标e
LOO
、NonL与Vol，...

【专利技术属性】
技术研发人员：胡伟飞，邓晓豫，赵峰，鄢继铨，刘振宇，谭建荣，
申请(专利权)人：乐清长三角电气工程师创新中心，
类型：发明
国别省市：