经典的高效全局优化(efficient global optimization,EGO)算法搜寻得到的最优解,受代理模型精度及过早收敛等问题的制约,其精度仍存在进一步改善的空间。围绕最优解精度进一步改善的问题,研究了面向精确最优解的EGO算法。该算法基于Krig...经典的高效全局优化(efficient global optimization,EGO)算法搜寻得到的最优解,受代理模型精度及过早收敛等问题的制约,其精度仍存在进一步改善的空间。围绕最优解精度进一步改善的问题,研究了面向精确最优解的EGO算法。该算法基于Kriging代理模型,涉及的最优加点策略采用考虑Kriging信任的改善期望函数法,使得优化迭代后期更偏向于局部寻优。此外,文中还考虑了与成熟的拟牛顿法和Powell法等局部优化方法协同的算法,以提高最优解的搜寻精度。选用了若干典型的检验函数,对优化算法的具体实施过程进行了模拟与分析,发现改进后的优化算法能以相对较少的额外函数评估次数得到比经典的EGO算法更精确的全局最优解,从而验证了算法的有效性和准确性。最后,把发展的算法应用到具体的跨音速翼型优化问题,算例表明,改进后的EGO算法翼型阻力较原EGO算法减小了1.11%,显示了其工程实用性。展开更多
针对粒子群优化(PSO,particleswarmoptimization)和高效全局优化(EGO,efficientglobal optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM,consensus particle swarm optimization and loc...针对粒子群优化(PSO,particleswarmoptimization)和高效全局优化(EGO,efficientglobal optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM,consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。展开更多
文摘经典的高效全局优化(efficient global optimization,EGO)算法搜寻得到的最优解,受代理模型精度及过早收敛等问题的制约,其精度仍存在进一步改善的空间。围绕最优解精度进一步改善的问题,研究了面向精确最优解的EGO算法。该算法基于Kriging代理模型,涉及的最优加点策略采用考虑Kriging信任的改善期望函数法,使得优化迭代后期更偏向于局部寻优。此外,文中还考虑了与成熟的拟牛顿法和Powell法等局部优化方法协同的算法,以提高最优解的搜寻精度。选用了若干典型的检验函数,对优化算法的具体实施过程进行了模拟与分析,发现改进后的优化算法能以相对较少的额外函数评估次数得到比经典的EGO算法更精确的全局最优解,从而验证了算法的有效性和准确性。最后,把发展的算法应用到具体的跨音速翼型优化问题,算例表明,改进后的EGO算法翼型阻力较原EGO算法减小了1.11%,显示了其工程实用性。
文摘针对粒子群优化(PSO,particleswarmoptimization)和高效全局优化(EGO,efficientglobal optimization)两种算法的特点,提出一种共识粒子群和局部代理模型协同的全局黑箱优化算法(CPSO-LSM,consensus particle swarm optimization and local surrogate model)。该算法固定PSO算法周期对粒子进行分群并在粒子达成共识后停止,将每群粒子周围的优质子区域输出作为代理模型的建模区域,通过比较各区域最优值获得高质量最优解甚至全局最优解。不仅避免了PSO冗长的计算过程、提高了建立代理模型的速度和精度还可以避免陷入局部最优。通过对比其他算法在标准测试函数的仿真结果,CPSO-LSM具有较好的收敛速度和求解精度。
