CN112434448A - 基于多点加点的代理模型约束优化方法和装置 - Google Patents

基于多点加点的代理模型约束优化方法和装置 Download PDF

Info

Publication number
CN112434448A
CN112434448A CN202110107200.7A CN202110107200A CN112434448A CN 112434448 A CN112434448 A CN 112434448A CN 202110107200 A CN202110107200 A CN 202110107200A CN 112434448 A CN112434448 A CN 112434448A
Authority
CN
China
Prior art keywords
function
constraint
optimization
points
proxy model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110107200.7A
Other languages
English (en)
Other versions
CN112434448B (zh
Inventor
杨涛
黄浩
丰志伟
张青斌
葛建全
张斌
高庆宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110107200.7A priority Critical patent/CN112434448B/zh
Publication of CN112434448A publication Critical patent/CN112434448A/zh
Application granted granted Critical
Publication of CN112434448B publication Critical patent/CN112434448B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于多点加点的代理模型约束优化方法、装置、计算机设备和存储介质。所述方法包括：通过待优化对象的耗时函数信息进行参数设置，并初始采样，并评估样本点的函数值和约束值，基于现有样本库建立约束和目标的高斯过程代理模型。当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化获得最优解并加入样本库，直到样本库中存在满足约束的可行解。构建多目标优化子问题，将被可行概率函数惩罚后的期望改善的局部挖掘和全局探索特性的两项作为两个目标项；求解得到包括多个候选点的多目标最优解集，当不满足收敛准则时，在候选点中选取多个最优点作为新样本，更新目标函数高斯过程代理模型，直到满足收敛准则，完成优化。

Description

基于多点加点的代理模型约束优化方法和装置
技术领域
本申请涉及工程设计技术领域，特别是涉及一种基于多点加点的代理模型约束优化方法、装置、计算机设备和存储介质。
背景技术
工程设计中通常需要依赖耗时的数值仿真，基于这些仿真的优化设计问题通常称为耗时优化问题，比如翼型的设计、飞行器的外形设计、梁结构的设计等。这些问题通常是高度非线性的，传统的梯度优化算法容易陷入局部最优解；而现代启发式算法通常需要大量的函数评估，求解这类问题的效率很低。基于代理模型的优化方法是解决此类工程设计问题的最有效的方法之一。
代理模型优化方法是指利用一个近似数学模型来模拟原始高精度模型并基于该数学模型开展优化设计的一种方法。代理模型优化方法的关键在于如何用最少的评估代价去获得足够精确的结果。由于能够同时给出预测值和预测方差，高斯过程模型（也称为Kriging）是最常用的代理模型之一。
最直接的代理模型优化方法是以少量样本点构建代理模型并以该模型代入成熟优化算法进行优化设计。虽然原理简单且容易理解，但是该方法很难找到全局最优点。基于约束期望改进（Constrained Expected Improvement，CEI）加点准则的Kriging代理模型全局优化算法具有光滑连续的优点，它通过建立约束的Kriging代理模型来构建可行概率(Probability of Feasibility， PoF)函数，PoF乘以期望改进（Expected Improvement，EI）以对EI进行惩罚，从而使得选择的更新点趋向于可行区域内。CEI在一次迭代中只能获得一个更新点，无法利用并行计算环境加速优化收敛过程，也难以同时在设计空间中探索未知区域和挖潜局部最优解。多点加点准则EIvsPF（Expected Improvement versusProbability of Feasibility）将EI和PoF作为两个目标构建多目标优化子问题，再从前沿上选出多个点作为更新点，但是该准则会出现部分更新样本点聚集于全局最优解附近的现象，如果全局最优解不位于可行区域，则会影响优化收敛效率。
因此，现有技术存在优化效率低、误差较大的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够改善优化效率和收敛精度的代理模型约束优化方法、装置、计算机设备和存储介质。
一种基于多点加点的代理模型约束优化方法，所述方法包括：
获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型；所述原始模型为对所述待优化对象建模所得到的模型；所述耗时函数为对所述原始模型进行仿真优化对应的时间函数；
判断所述样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化并获得最优解，将所述最优解加入所述样本库中，再根据更新后的所述样本库更新所述约束函数高斯过程代理模型，直到更新后的所述样本库中存在满足约束的可行解；所述可行概率函数是基于所述约束函数高斯过程代理模型构建的；
根据当前样本库建立目标函数高斯过程代理模型，根据所述目标函数高斯过程代理模型和所述可行概率函数构建高效全局优化算法的多目标优化子问题；所述多目标优化子问题将被所述可行概率函数惩罚后的期望改善的局部挖掘和全局探索特性的两项作为两个目标项；
通过多目标优化算法对所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点；
判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值，将所述新样本和对应的响应值和约束值加入所述样本库，根据更新后的所述样本库更新所述目标函数高斯过程代理模型，直到优化过程满足所述收敛准则，完成代理模型优化。
在其中一个实施例中，还包括：获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型；所述参数设置中的参数包括：设计变量的维数，耗时函数的最大评估次数，加点个数和初始采样样本数。
在其中一个实施例中，还包括：获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置；
通过拉丁超立方采样法在整个设计空间获取初始采样点，得到初始采样的样本点集，由所述耗时函数评估初始采样点，得到初始采样的响应集和约束集；
根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型。
在其中一个实施例中，还包括：根据所述约束函数高斯过程代理模型构建可行概率函数为：
Figure 641824DEST_PATH_IMAGE001
其中，
Figure 377961DEST_PATH_IMAGE002
表示可行概率函数；
Figure 329736DEST_PATH_IMAGE003
表示约束的个数；
Figure 536727DEST_PATH_IMAGE004
表示
Figure 181335DEST_PATH_IMAGE005
上的正整数；
Figure 903303DEST_PATH_IMAGE006
表示未知观测点；
Figure 658770DEST_PATH_IMAGE007
表示第i个约束；
Figure 454687DEST_PATH_IMAGE008
表示第i个约束满足的概率；
Figure 535776DEST_PATH_IMAGE009
和
Figure 479461DEST_PATH_IMAGE010
分别表示第i个约束的约束函数高斯过程代理模型的预测值和预测方差；
Figure 241881DEST_PATH_IMAGE011
表示正态分布函数；
通过优化算法求解所述可行概率函数的优化问题为：
Figure 220201DEST_PATH_IMAGE012
得到所述可行概率函数的最优解。
在其中一个实施例中，还包括：根据当前样本库建立目标函数高斯过程代理模型；
根据所述目标函数高斯过程代理模型和所述可行概率函数构建高效全局优化算法的多目标优化子问题为：
Figure 144295DEST_PATH_IMAGE013
其中，
Figure 97249DEST_PATH_IMAGE014
表示样本点中满足约束的目标函数的最小函数值；
Figure 194518DEST_PATH_IMAGE015
表示未知观测点；
Figure 27344DEST_PATH_IMAGE016
表示高斯过程代理模型在未知观测点
Figure 184656DEST_PATH_IMAGE017
处的函数预测值；
Figure 306196DEST_PATH_IMAGE018
表示高斯过程代理模型在未知观测点
Figure 207156DEST_PATH_IMAGE017
处的预测方差；
Figure 894489DEST_PATH_IMAGE019
表示多目标优化子问题中的局部挖掘目标函数；
Figure 222702DEST_PATH_IMAGE020
表示多目标优化子问题中的全局探索目标函数。
在其中一个实施例中，还包括：判断当前样本点集中采样点的期望改善是否小于预先设置的阈值，或者通过所述耗时函数进行仿真评估的次数是否大于预先设置的最大次数；
当所述期望改善大于预先设置的阈值或者通过所述耗时函数进行仿真评估的次数小于预先设置的最大次数时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值，将所述新样本和对应的响应值和约束值加入所述样本库，根据更新后的所述样本库更新所述目标函数高斯过程代理模型，直到优化过程满足所述收敛准则，完成代理模型优化。
在其中一个实施例中，还包括：获取参数设置中包含的加点个数信息k；
删除所述候选点中的重叠点和与现有采样点重复的点；
在所述候选点中选择所述局部挖掘目标函数的最优点和所述全局探索目标函数的最优点作为新样本；
当k>2时，选择所述候选点中
Figure 565959DEST_PATH_IMAGE021
最大的点作为新样本；其中，
Figure 536189DEST_PATH_IMAGE022
表示通过可行概率函数
Figure 579494DEST_PATH_IMAGE023
对期望改善
Figure 281870DEST_PATH_IMAGE024
进行惩罚后的值；
当k>3时，对所述候选点中的剩余点进行模糊聚类分析，并分成k-3组，在每一组中选择预测方差最大的点作为新样本；
通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值。
一种基于多点加点的代理模型约束优化装置，所述装置包括：
约束函数高斯过程代理模型建立模块，用于获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型；所述原始模型为对所述待优化对象建模所得到的模型；所述耗时函数为对所述原始模型进行仿真优化对应的时间函数；
可行解判断模块，用于判断所述样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化并获得最优解，将所述最优解加入所述样本库中，再根据更新后的所述样本库更新所述约束函数高斯过程代理模型，直到更新后的所述样本库中存在满足约束的可行解；所述可行概率函数是基于所述约束函数高斯过程代理模型构建的；
多目标优化子问题构建模块，用于根据当前样本库建立目标函数高斯过程代理模型，根据所述目标函数高斯过程代理模型构建高效全局优化算法的多目标优化子问题；所述多目标优化子问题将被所述可行概率函数惩罚后的期望改善的局部挖掘和全局探索特性的两项作为两个目标项；
候选点获取模块，用于通过多目标优化算法对所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点；
代理模型优化模块，用于判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值，将所述新样本和对应的响应值和约束值加入所述样本库，根据更新后的所述样本库更新所述目标函数高斯过程代理模型，直到优化过程满足所述收敛准则，完成代理模型优化。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型；所述原始模型为对所述待优化对象建模所得到的模型；所述耗时函数为对所述原始模型进行仿真优化对应的时间函数；
判断所述样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化并获得最优解，将所述最优解加入所述样本库中，再根据更新后的所述样本库更新所述约束函数高斯过程代理模型，直到更新后的所述样本库中存在满足约束的可行解；所述可行概率函数是基于所述约束函数高斯过程代理模型构建的；
根据当前样本库建立目标函数高斯过程代理模型，根据所述目标函数高斯过程代理模型和所述可行概率函数构建高效全局优化算法的多目标优化子问题；所述多目标优化子问题将被所述可行概率函数惩罚后的期望改善的局部挖掘和全局探索特性的两项作为两个目标项；
通过多目标优化算法对所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点；
判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值，将所述新样本和对应的响应值和约束值加入所述样本库，根据更新后的所述样本库更新所述目标函数高斯过程代理模型，直到优化过程满足所述收敛准则，完成代理模型优化。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型；所述原始模型为对所述待优化对象建模所得到的模型；所述耗时函数为对所述原始模型进行仿真优化对应的时间函数；
判断所述样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化并获得最优解，将所述最优解加入所述样本库中，再根据更新后的所述样本库更新所述约束函数高斯过程代理模型，直到更新后的所述样本库中存在满足约束的可行解；所述可行概率函数是基于所述约束函数高斯过程代理模型构建的；
根据当前样本库建立目标函数高斯过程代理模型，根据所述目标函数高斯过程代理模型和所述可行概率函数构建高效全局优化算法的多目标优化子问题；所述多目标优化子问题将被所述可行概率函数惩罚后的期望改善的局部挖掘和全局探索特性的两项作为两个目标项；
通过多目标优化算法对所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点；
判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值，将所述新样本和对应的响应值和约束值加入所述样本库，根据更新后的所述样本库更新所述目标函数高斯过程代理模型，直到优化过程满足所述收敛准则，完成代理模型优化。
上述基于多点加点的代理模型约束优化方法、装置、计算机设备和存储介质，通过待优化对象的耗时函数信息进行优化模型的参数设置，进行初始采样并评估样本点的函数值和约束值，基于现有样本库建立约束和目标的高斯过程代理模型。判断样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化获得最优解并加入样本库，如若依旧没有可行解，基于更新的样本库重复之前步骤，直到样本库中存在满足约束的可行解。构建多目标优化子问题，将被可行概率函数惩罚后的期望改进的局部挖掘和全局探索特性的两项作为两个目标项；求解得到包括多个候选点的多目标最优解集，判断优化过程是否满足设置的收敛准则，当不满足时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，加入样本库中，更新约束和目标函数高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
附图说明
图1为一个实施例中基于多点加点的代理模型约束优化方法的流程示意图；
图2为一个实施例中约束Branin函数的云图和可行区域；
图3为一个实施例中G08函数的云图和可行区域；
图4为另一个实施例中基于多点加点的代理模型约束优化方法的流程示意图；
图5为一个实施例中基于多点加点的代理模型约束优化装置的结构框图；
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于多点加点的代理模型约束优化方法，可以应用于如下应用环境中。通过待优化对象的耗时函数信息进行优化模型的参数设置，进行初始采样并评估样本点的函数值和约束值，基于现有样本库建立约束和目标的高斯过程代理模型。判断样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化获得最优解并加入样本库，如若依旧没有可行解，基于更新的样本库重复之前步骤，直到样本库中存在满足约束的可行解。构建多目标优化子问题，将被可行概率函数惩罚后的期望改进的局部挖掘和全局探索特性的两项作为两个目标项；求解得到包括多个候选点的多目标最优解集，判断优化过程是否满足设置的收敛准则，当不满足时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，加入样本库中，更新约束和目标函数高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
在一个实施例中，如图1所示，提供了一种基于多点加点的代理模型约束优化方法，包括以下步骤：
步骤102，获取待优化对象原始模型的耗时函数信息，根据耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型。
待优化对象为工程设计中需要依赖耗时的仿真的设计问题，比如翼型的设计、飞行器的外形设计、梁结构的设计等。基于代理模型的优化方法是解决此类工程设计问题的最有效的方法之一。原始模型为对待优化对象建模所得到的模型；耗时函数为对原始模型进行仿真优化对应的时间函数。
针对于带约束的耗时优化问题，基于约束期望改进（Constrained ExpectedImprovement，CEI）加点准则的高斯过程代理模型（Kriging）全局优化算法具有光滑连续的优点，它通过建立约束的Kriging代理模型来构建可行概率(Probability ofFeasibility， PoF)函数，PoF乘以期望改进（Expected Improvement，EI）以对EI进行惩罚，从而使得选择的更新点趋向于可行区域内。CEI在一次迭代中只能获得一个更新点，无法利用并行计算环境加速优化收敛过程，也难以同时在设计空间中探索未知区域和挖潜局部最优解。多点加点准则EIvsPF（Expected Improvement versus Probability ofFeasibility）将EI和PoF作为两个目标构建多目标优化子问题，再从前沿上选出多个点作为更新点，但是该准则会出现部分更新样本点聚集于全局最优解附近的现象，如果全局最优解不位于可行区域，则会影响优化收敛效率。
本实施例将算法中的期望改善EI拆分成分别对应局部挖掘和全局探索特性的两项，再分别乘以PoF使得选点趋向于可行区域，被惩罚后的EI两项作为两个目标构建多目标优化子问题，求解获得多目标最优解集，再从解集中选择多个点作为更新点。
本实施例中，参数设置中的参数包括设计变量的维数d，耗时函数的最大评估次数
Figure 174740DEST_PATH_IMAGE025
，加点个数k，初始采样样本数n，d、
Figure 417503DEST_PATH_IMAGE025
、k和n取值均为正整数，初始采样点的个数优选为8×d。样本数据包括样本点和样本点响应值。
步骤104，判断样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化并获得最优解，将最优解加入样本库中，再根据更新后的样本库更新约束函数高斯过程代理模型，直到更新后的样本库中存在满足约束的可行解；可行概率函数是基于约束函数高斯过程代理模型构建的。
本步骤的目的在于获得满足约束的目标函数的最小函数值，用以构建多目标子问题。
步骤106，根据当前样本库建立目标函数高斯过程代理模型，根据目标函数高斯过程代理模型和可行概率函数构建高效全局优化算法的多目标优化子问题。
多目标优化子问题将被可行概率函数惩罚后的期望改善的局部挖掘和全局探索特性的两项作为两个目标项。
经典EGO算法在计算最大期望改善的时候，通过非负加权求和将多目标优化转化为单目标问题，一次迭代得到一个候选样本点，实际是以加权的方式对全局探索和局部挖掘的平衡，在大部分情况下，该加权优化解并不总是起到很好的权衡效果，也难以同时在设计空间中探索未知区域和挖潜局部最优解。同时，基于多点加点准则的EIvsPF算法会出现部分更新样本点聚集于全局最优解附近的现象，如果全局最优解不位于可行区域，则会影响优化收敛效率。本发明中多目标优化子问题将被可行概率函数惩罚后的期望改善的局部挖掘和全局探索特性的两项作为两个目标项，可以更快获得整个多目标最优解解集。
步骤108，通过多目标优化算法对多目标优化子问题进行求解，得到多目标最优解集，最优解集中包括多个候选点。
通过多目标优化算法可以在一次迭代产生多个候选点，候选点为多目标优化问题的前沿上的点。
步骤110，判断优化过程是否满足设置的收敛准则，当不满足收敛准则时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值和新样本约束值，将新样本和对应的响应值和约束值加入样本库，根据更新后的样本库更新目标函数高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
在候选点中选取多个最优点作为新样本，选取的标准是选取点包含全局探索、局部挖掘和期望改进最大的特性，能更好地兼顾精度和效率。根据新样本更新样本点集，根据新样本响应值更新响应集，根据新样本约束值更新约束集，根据更新后的样本点集、响应集和约束集构成的样本库更新高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
根据候选点，使用加点策略筛选出多个样本点，在算法的加点阶段进行多点加点，再进行迭代循环，从而在满足停止准则的条件下大幅提高基于多点加点代理优化方法的精度和效率。
上述基于多点加点的代理模型约束优化方法中，通过待优化对象的耗时函数信息进行优化模型的参数设置，进行初始采样并评估样本点的函数值和约束值，基于现有样本库建立约束和目标的高斯过程代理模型。判断样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化获得最优解并加入样本库，如若依旧没有可行解，基于更新的样本库重复之前步骤，直到样本库中存在满足约束的可行解。构建多目标优化子问题，将被可行概率函数惩罚后的期望改进的局部挖掘和全局探索特性的两项作为两个目标项；求解得到包括多个候选点的多目标最优解集，判断优化过程是否满足设置的收敛准则，当不满足时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，加入样本库中，更新约束和目标函数高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
在其中一个实施例中，还包括：获取待优化对象原始模型的耗时函数信息，根据耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型；参数设置中的参数包括：设计变量的维数，耗时函数的最大评估次数，加点个数和初始采样样本数。
在一个具体实施例中，以二维测试函数G08作为耗时函数为例，因G08为二维函数，故设计变量的维数d=2，耗时函数的最大评估次数
Figure 17111DEST_PATH_IMAGE025
= 150，加点个数k=3，初始采样样本数n = 15。
在其中一个实施例中，还包括：获取待优化对象原始模型的耗时函数信息，根据耗时函数信息进行高效全局优化的参数设置；通过拉丁超立方采样法在整个设计空间获取初始采样点，得到初始采样的样本点集，由耗时函数评估初始采样点，得到初始采样的响应集和约束集；根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型。
拉丁超立方抽样是一种从多元参数分布中近似随机抽样的方法，属于分层抽样技术，常用于计算机实验或蒙特卡洛积分等。
在其中一个实施例中，还包括：根据约束函数高斯过程代理模型构建可行概率函数为：
Figure 952706DEST_PATH_IMAGE026
其中，
Figure 67293DEST_PATH_IMAGE027
表示可行概率函数；
Figure 51429DEST_PATH_IMAGE028
表示约束的个数；
Figure 833440DEST_PATH_IMAGE029
表示
Figure 877620DEST_PATH_IMAGE030
上的正整数；
Figure 479502DEST_PATH_IMAGE031
表示未知观测点；
Figure 329647DEST_PATH_IMAGE032
表示第i个约束；
Figure 903848DEST_PATH_IMAGE033
表示第i个约束满足的概率；
Figure 414201DEST_PATH_IMAGE034
和
Figure 503380DEST_PATH_IMAGE035
分别表示第i个约束的约束函数高斯过程代理模型的预测值和预测方差；
Figure 94898DEST_PATH_IMAGE036
表示正态分布函数；
通过优化算法求解可行概率函数的优化问题为：
Figure 320343DEST_PATH_IMAGE037
得到可行概率函数的最优解。
在其中一个实施例中，还包括：根据当前样本库建立目标函数高斯过程代理模型；
根据目标函数高斯过程代理模型和可行概率函数构建高效全局优化算法的多目标优化子问题为：
Figure 768642DEST_PATH_IMAGE038
其中，
Figure 548379DEST_PATH_IMAGE039
表示样本点中满足约束的目标函数的最小函数值；
Figure 740326DEST_PATH_IMAGE040
表示未知观测点；
Figure 820278DEST_PATH_IMAGE041
表示高斯过程代理模型在未知观测点
Figure 642740DEST_PATH_IMAGE042
处的函数预测值；
Figure 706511DEST_PATH_IMAGE043
表示高斯过程代理模型在未知观测点
Figure 436570DEST_PATH_IMAGE044
处的预测方差；
Figure 574290DEST_PATH_IMAGE045
表示多目标优化子问题中的局部挖掘目标函数；
Figure 131436DEST_PATH_IMAGE046
表示多目标优化子问题中的全局探索目标函数。
在其中一个实施例中，还包括：判断当前样本点集中采样点的期望改善是否小于预先设置的阈值，或者通过耗时函数进行仿真评估的次数是否大于预先设置的最大次数；当期望改善大于预先设置的阈值或者通过耗时函数进行仿真评估的次数小于预先设置的最大次数时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值和新样本约束值，将新样本和对应的响应值和约束值加入样本库，根据更新后的样本库更新目标函数高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
在本实施例中，终止准则的期望改善的阈值为0.0001。
在其中一个实施例中，还包括：获取参数设置中包含的加点个数信息k；删除候选点中的重叠点和与现有采样点重复的点；在候选点中选择局部挖掘目标函数的最优点和全局探索目标函数的最优点作为新样本；当k>2时，选择候选点中
Figure 620186DEST_PATH_IMAGE047
最大的点作为新样本；其中，
Figure 888356DEST_PATH_IMAGE048
表示通过可行概率函数
Figure 208479DEST_PATH_IMAGE049
对期望改善
Figure 169482DEST_PATH_IMAGE050
进行惩罚后的值；当k>3时，对候选点中的剩余点进行模糊聚类分析，并分成k-3组，在每一组中选择预测方差最大的点作为新样本；通过耗时函数对新样本进行并行评估，得到新样本响应值和新样本约束值。
更新样本点选取的标准是选取的标准是选取点包含了全局探索、局部挖掘和期望改进最大的特性，能更好地兼顾精度和效率。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
具体地，利用本发明所提出的基于多点加点准则的代理模型约束优化方法（Constrained Multi Objective Expected Improvement，CMOEI）对修改的约束Branin函数、G08函数和两个工程算例（压力容器设计、进气道设计）进行优化。图2为约束Branin函数的云图和可行区域，其中灰色区域为可行区域；图3为G08函数的云图和可行区域，其中灰色区域为可行区域。可见可行区域只占云图区域的一小部分区域，进行可行区域筛选很有必要的。工程算例一压力容器设计中，设计目标是在满足工作应力和容积约束的前提下，使材料、成形和焊接成本最小化；工程算例二二维进气道设计中，设计要求外激波交于进气道唇口，内激波交汇于肩点，设计过程中使用斜激波理论进行性能计算。
针对以上两个数值算例和两个工程算例，利用本发明所提出的CMOEI与CEI和EIvsPF算法进行最优解精度和函数迭代次数比较的结果见表1，其中，最大评估次数
Figure 676686DEST_PATH_IMAGE051
=150：
表1 CMOEI与其他算法性能对比（每个算例独立运行50次）
Figure 951810DEST_PATH_IMAGE052
结果显示，本发明所提出的算法在G08和压力容器设计算例中能够以较低的迭代次数获得更好地全局近似最优解。对于另外两个算例，本发明所提出的算法的结果虽不如EIvsPF好，但是差别并不明显，更重要的是本发明所提出的算法的迭代次数远小于EIvsPF，具有更高的效率。
在另一个具体实施例中，提供了一种基于多点加点的代理模型约束优化方法的流程图如图4所示，初始采样后，计算样本响应值和约束值，构建样本数据库，建立约束Kriging代理模型，判断可行解是否存在，当可行解不存在时，优化可行概率函数PoF(x)获得最优解，将最优解加入样本库；当可行解存在时，建立目标函数Kriging代理模型，构建多目标优化子问题并计算，得到候选点样本，当不满足收敛准则时，在候选点中选择k个更新点，将更新点加入样本库，直到满足收敛准则，完成优化。
在一个实施例中，如图5所示，提供了一种基于多点加点的代理模型约束优化装置，包括：约束函数高斯过程代理模型建立模块502、可行解判断模块504、多目标优化子问题构建模块506、候选点获取模块508和代理模型优化模块510，其中：
约束函数高斯过程代理模型建立模块502，用于获取待优化对象原始模型的耗时函数信息，根据耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型；
可行解判断模块504，用于判断样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化并获得最优解，将最优解加入样本库中，再根据更新后的样本库更新约束函数高斯过程代理模型，直到更新后的样本库中存在满足约束的可行解；可行概率函数是基于约束函数高斯过程代理模型构建的；
多目标优化子问题构建模块506，用于根据当前样本库建立目标函数高斯过程代理模型，根据目标函数高斯过程代理模型构建高效全局优化算法的多目标优化子问题；多目标优化子问题将被可行概率函数惩罚后的期望改善的局部挖掘和全局探索特性的两项作为两个目标项；
候选点获取模块508，用于通过多目标优化算法对多目标优化子问题进行求解，得到多目标最优解集，最优解集中包括多个候选点；
代理模型优化模块510，用于判断优化过程是否满足设置的收敛准则，当不满足收敛准则时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值和新样本约束值，将新样本和对应的响应值和约束值加入样本库，根据更新后的样本库更新目标函数高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
约束函数高斯过程代理模型建立模块502还用于获取待优化对象原始模型的耗时函数信息，根据耗时函数信息进行高效全局优化的参数设置；通过拉丁超立方采样法在整个设计空间获取初始采样点，得到初始采样的样本点集，由耗时函数评估初始采样点，得到初始采样的响应集和约束集；根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型。
可行解判断模块504还用于根据约束函数高斯过程代理模型构建可行概率函数为：
Figure 392018DEST_PATH_IMAGE053
其中，
Figure 258343DEST_PATH_IMAGE054
表示可行概率函数；
Figure 721686DEST_PATH_IMAGE055
表示约束的个数；
Figure 331659DEST_PATH_IMAGE056
表示
Figure 859330DEST_PATH_IMAGE057
上的正整数；
Figure 162135DEST_PATH_IMAGE058
表示未知观测点；
Figure 112773DEST_PATH_IMAGE059
表示第i个约束；
Figure 526437DEST_PATH_IMAGE060
表示第i个约束满足的概率；
Figure 675659DEST_PATH_IMAGE061
和
Figure 352628DEST_PATH_IMAGE062
分别表示第i个约束的约束函数高斯过程代理模型的预测值和预测方差；
Figure 587300DEST_PATH_IMAGE063
表示正态分布函数；
通过优化算法求解可行概率函数的优化问题为：
Figure 539076DEST_PATH_IMAGE064
得到可行概率函数的最优解。
多目标优化子问题构建模块506还用于根据当前样本库建立目标函数高斯过程代理模型；
根据目标函数高斯过程代理模型和可行概率函数构建高效全局优化算法的多目标优化子问题为：
Figure 746066DEST_PATH_IMAGE065
其中，
Figure 125095DEST_PATH_IMAGE066
表示样本点中满足约束的目标函数的最小函数值；
Figure 847063DEST_PATH_IMAGE067
表示未知观测点；
Figure 805792DEST_PATH_IMAGE068
表示高斯过程代理模型在未知观测点
Figure 165491DEST_PATH_IMAGE069
处的函数预测值；
Figure 246580DEST_PATH_IMAGE070
表示高斯过程代理模型在未知观测点
Figure 393527DEST_PATH_IMAGE071
处的预测方差；
Figure 687105DEST_PATH_IMAGE072
表示多目标优化子问题中的局部挖掘目标函数；
Figure 665426DEST_PATH_IMAGE073
表示多目标优化子问题中的全局探索目标函数。
代理模型优化模块510还用于判断当前样本点集中采样点的期望改善是否小于预先设置的阈值，或者通过耗时函数进行仿真评估的次数是否大于预先设置的最大次数；当期望改善大于预先设置的阈值或者通过耗时函数进行仿真评估的次数小于预先设置的最大次数时，根据参数设置中包含的加点个数信息，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值和新样本约束值，将新样本和对应的响应值和约束值加入样本库，根据更新后的样本库更新目标函数高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。
代理模型优化模块510还用于获取参数设置中包含的加点个数信息k；删除候选点中的重叠点和与现有采样点重复的点；在候选点中选择局部挖掘目标函数的最优点和全局探索目标函数的最优点作为新样本；当k>2时，选择候选点中
Figure 855099DEST_PATH_IMAGE074
最大的点作为新样本；其中，
Figure 551659DEST_PATH_IMAGE075
表示通过可行概率函数
Figure 852190DEST_PATH_IMAGE076
对期望改善
Figure 419438DEST_PATH_IMAGE077
进行惩罚后的值；当k>3时，对候选点中的剩余点进行模糊聚类分析，并分成k-3组，在每一组中选择预测方差最大的点作为新样本；通过耗时函数对新样本进行并行评估，得到新样本响应值和新样本约束值。
关于基于多点加点的代理模型约束优化装置的具体限定可以参见上文中对于基于多点加点的代理模型约束优化方法的限定，在此不再赘述。上述基于多点加点的代理模型约束优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于多点加点的代理模型约束优化方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于多点加点的代理模型约束优化方法，其特征在于，所述方法包括：
获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型；所述原始模型为对所述待优化对象建模所得到的模型；所述耗时函数为对所述原始模型进行仿真优化对应的时间函数；
判断所述样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化并获得最优解，将所述最优解加入所述样本库中，再根据更新后的所述样本库更新所述约束函数高斯过程代理模型，直到更新后的所述样本库中存在满足约束的可行解；所述可行概率函数是基于所述约束函数高斯过程代理模型构建的；
根据当前样本库建立目标函数高斯过程代理模型，根据所述目标函数高斯过程代理模型和所述可行概率函数构建高效全局优化算法的多目标优化子问题；所述多目标优化子问题将被所述可行概率函数惩罚后的期望改善的局部挖掘和全局探索特性的两项作为两个目标项；
通过多目标优化算法对所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点；
判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值，将所述新样本和对应的响应值和约束值加入所述样本库，根据更新后的所述样本库更新所述目标函数高斯过程代理模型，直到优化过程满足所述收敛准则，完成代理模型优化。
2.根据权利要求1所述的方法，其特征在于，所述获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型，包括：
获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型；所述参数设置中的参数包括：设计变量的维数，耗时函数的最大评估次数，加点个数和初始采样样本数。
3.根据权利要求2所述的方法，其特征在于，所述获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型，包括：
获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置；
通过拉丁超立方采样法在整个设计空间获取初始采样点，得到初始采样的样本点集，由所述耗时函数评估初始采样点，得到初始采样的响应集和约束集；
根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型。
4.根据权利要求1所述的方法，其特征在于，所述通过优化算法对可行概率函数进行优化并获得最优解包括：
根据所述约束函数高斯过程代理模型构建可行概率函数为：
Figure 796917DEST_PATH_IMAGE001
其中，
Figure 510795DEST_PATH_IMAGE002
表示可行概率函数；
Figure 24953DEST_PATH_IMAGE003
表示约束的个数；
Figure 216900DEST_PATH_IMAGE004
表示
Figure 562431DEST_PATH_IMAGE005
上的正整数；
Figure 119314DEST_PATH_IMAGE006
表示未知观测点；
Figure 183085DEST_PATH_IMAGE007
表示第i个约束；
Figure 913144DEST_PATH_IMAGE008
表示第i个约束满足的概率；
Figure 316443DEST_PATH_IMAGE009
和
Figure 608009DEST_PATH_IMAGE010
分别表示第i个约束的约束函数高斯过程代理模型的预测值和预测方差；
Figure 893497DEST_PATH_IMAGE011
表示正态分布函数；
通过优化算法求解所述可行概率函数的优化问题为：
Figure 364930DEST_PATH_IMAGE012
得到所述可行概率函数的最优解。
5.根据权利要求4所述的方法，其特征在于，所述根据当前样本库建立目标函数高斯过程代理模型，根据所述目标函数高斯过程代理模型和所述可行概率函数构建高效全局优化算法的多目标优化子问题，包括：
根据当前样本库建立目标函数高斯过程代理模型；
根据所述目标函数高斯过程代理模型和所述可行概率函数构建高效全局优化算法的多目标优化子问题为：
Figure 685053DEST_PATH_IMAGE013
其中，
Figure 646056DEST_PATH_IMAGE014
表示样本点中满足约束的目标函数的最小函数值；
Figure 622102DEST_PATH_IMAGE015
表示未知观测点；
Figure 693963DEST_PATH_IMAGE016
表示高斯过程代理模型在未知观测点
Figure 71855DEST_PATH_IMAGE017
处的函数预测值；
Figure 203759DEST_PATH_IMAGE018
表示高斯过程代理模型在未知观测点
Figure 667101DEST_PATH_IMAGE019
处的预测方差；
Figure 277074DEST_PATH_IMAGE020
表示多目标优化子问题中的局部挖掘目标函数；
Figure 571789DEST_PATH_IMAGE021
表示多目标优化子问题中的全局探索目标函数。
6.根据权利要求5所述的方法，其特征在于，所述判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值，将所述新样本和对应的响应值和约束值加入所述样本库，根据更新后的所述样本库更新所述目标函数高斯过程代理模型，直到优化过程满足所述收敛准则，完成代理模型优化，包括：
判断当前样本点集中采样点的期望改善是否小于预先设置的阈值，或者通过所述耗时函数进行仿真评估的次数是否大于预先设置的最大次数；
当所述期望改善大于预先设置的阈值或者通过所述耗时函数进行仿真评估的次数小于预先设置的最大次数时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值，将所述新样本和对应的响应值和约束值加入所述样本库，根据更新后的所述样本库更新所述目标函数高斯过程代理模型，直到优化过程满足所述收敛准则，完成代理模型优化。
7.根据权利要求6所述的方法，其特征在于，所述根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值，包括：
获取参数设置中包含的加点个数信息k；
删除所述候选点中的重叠点和与现有采样点重复的点；
在所述候选点中选择所述局部挖掘目标函数的最优点和所述全局探索目标函数的最优点作为新样本；
当k>2时，选择所述候选点中
Figure 77857DEST_PATH_IMAGE022
最大的点作为新样本；其中，
Figure 58189DEST_PATH_IMAGE023
表示通过可行概率函数
Figure 737432DEST_PATH_IMAGE024
对期望改善
Figure 824337DEST_PATH_IMAGE025
进行惩罚后的值；
当k>3时，对所述候选点中的剩余点进行模糊聚类分析，并分成k-3组，在每一组中选择预测方差最大的点作为新样本；
通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值。
8.一种基于多点加点的代理模型约束优化装置，其特征在于，所述装置包括：
约束函数高斯过程代理模型建立模块，用于获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高效全局优化的参数设置，以及初始采样，根据初始采样的样本点集、对应的响应集和对应的约束集构成的样本库建立约束函数高斯过程代理模型；所述原始模型为对所述待优化对象建模所得到的模型；所述耗时函数为对所述原始模型进行仿真优化对应的时间函数；
可行解判断模块，用于判断所述样本库中是否存在满足约束的可行解，当不存在满足约束的可行解时，通过优化算法对可行概率函数进行优化并获得最优解，将所述最优解加入所述样本库中，再根据更新后的所述样本库更新所述约束函数高斯过程代理模型，直到更新后的所述样本库中存在满足约束的可行解；所述可行概率函数是基于所述约束函数高斯过程代理模型构建的；
多目标优化子问题构建模块，用于根据当前样本库建立目标函数高斯过程代理模型，根据所述目标函数高斯过程代理模型构建高效全局优化算法的多目标优化子问题；所述多目标优化子问题将被所述可行概率函数惩罚后的期望改善的局部挖掘和全局探索特性的两项作为两个目标项；
候选点获取模块，用于通过多目标优化算法对所述多目标优化子问题进行求解，得到多目标最优解集，所述最优解集中包括多个候选点；
代理模型优化模块，用于判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，根据参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本，并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值和新样本约束值，将所述新样本和对应的响应值和约束值加入所述样本库，根据更新后的所述样本库更新所述目标函数高斯过程代理模型，直到优化过程满足所述收敛准则，完成代理模型优化。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110107200.7A 2021-01-27 2021-01-27 基于多点加点的代理模型约束优化方法和装置 Active CN112434448B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110107200.7A CN112434448B (zh) 2021-01-27 2021-01-27 基于多点加点的代理模型约束优化方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110107200.7A CN112434448B (zh) 2021-01-27 2021-01-27 基于多点加点的代理模型约束优化方法和装置

Publications (2)

Publication Number Publication Date
CN112434448A true CN112434448A (zh) 2021-03-02
CN112434448B CN112434448B (zh) 2021-04-09

Family

ID=74697300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110107200.7A Active CN112434448B (zh) 2021-01-27 2021-01-27 基于多点加点的代理模型约束优化方法和装置

Country Status (1)

Country Link
CN (1) CN112434448B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505545A (zh) * 2021-06-21 2021-10-15 西南交通大学 基于改进加点准则的轨道交通车辆气动多目标优化方法
CN113704686A (zh) * 2021-09-02 2021-11-26 中国人民解放军陆军勤务学院 一种基于平滑函数的数据处理方法及装置
CN113821983A (zh) * 2021-10-12 2021-12-21 北京索为系统技术股份有限公司 基于代理模型的工程设计优化方法、装置及电子设备
CN113918133A (zh) * 2021-12-14 2022-01-11 武汉鼎元同立科技有限公司 最优控制问题求解器构建方法及系统
CN114218686A (zh) * 2022-02-21 2022-03-22 中国人民解放军国防科技大学 一种用于飞行器的多精度数据光滑标度近似建模方法
CN114282320A (zh) * 2021-12-24 2022-04-05 厦门大学 一种利用贝叶斯优化算法优化工程参数的方法
CN114372332A (zh) * 2022-03-21 2022-04-19 南京航空航天大学 一种基于子集模拟的多目标稳健设计方法
CN114880775A (zh) * 2022-05-10 2022-08-09 江苏大学 一种基于主动学习Kriging模型的可行域搜索方法及装置
CN116341097A (zh) * 2022-02-07 2023-06-27 西北工业大学 一种基于新型高维代理模型的跨音速机翼优化设计方法
CN117022588A (zh) * 2023-08-08 2023-11-10 中山大学 一种基于Kriging模型的水翼结构优化方法、系统、设备及介质
CN117113732A (zh) * 2023-10-24 2023-11-24 南方电网调峰调频发电有限公司 适用于非超立方体约束空间的拉丁超立方设计方法
CN117556551A (zh) * 2024-01-11 2024-02-13 中国人民解放军国防科技大学 发动机燃烧室壳体的轻量化设计方法、装置、设备和介质
CN114282320B (zh) * 2021-12-24 2024-06-07 厦门大学 一种利用贝叶斯优化算法优化工程参数的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368649A (zh) * 2017-07-19 2017-11-21 许昌学院 一种基于增量Kriging的序列优化试验设计方法
CN108399304A (zh) * 2018-03-09 2018-08-14 许昌学院 一种基于克里金模型的多点加点优化采样方法
CN109753743A (zh) * 2019-01-14 2019-05-14 中国人民解放军国防科技大学 进化-配点混合多目标弹道优化方法及其装置
CN110147585A (zh) * 2019-04-26 2019-08-20 河海大学 一种基于Kriging改进模型的防风栅气动优化方法
CN110609975A (zh) * 2019-09-20 2019-12-24 大连理工大学 一种基于Kriging代理模型的并行计算全局优化算法
JP2020064479A (ja) * 2018-10-18 2020-04-23 トヨタ自動車株式会社 探索装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107368649A (zh) * 2017-07-19 2017-11-21 许昌学院 一种基于增量Kriging的序列优化试验设计方法
CN108399304A (zh) * 2018-03-09 2018-08-14 许昌学院 一种基于克里金模型的多点加点优化采样方法
JP2020064479A (ja) * 2018-10-18 2020-04-23 トヨタ自動車株式会社 探索装置
CN109753743A (zh) * 2019-01-14 2019-05-14 中国人民解放军国防科技大学 进化-配点混合多目标弹道优化方法及其装置
CN110147585A (zh) * 2019-04-26 2019-08-20 河海大学 一种基于Kriging改进模型的防风栅气动优化方法
CN110609975A (zh) * 2019-09-20 2019-12-24 大连理工大学 一种基于Kriging代理模型的并行计算全局优化算法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
PING ZHU等: "《Multi-point objective-oriented sequential sampling strategy for constrained robust design》", 《ENGINEERING OPTIMIZATION》 *
张建侠: "《基于Kriging模型的全局代理优化算法研究》", 《中国博士学位论文全文数据库》 *
张建侠等: "《基于Kriging模型的多点加点准则和并行代理优化算法》", 《系统工程理论与实践》 *
高月华等: "《基于Kriging 代理模型的多点加点序列优化方法》", 《工程力学》 *

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113505545B (zh) * 2021-06-21 2022-04-15 西南交通大学 基于改进加点准则的轨道交通车辆气动多目标优化方法
CN113505545A (zh) * 2021-06-21 2021-10-15 西南交通大学 基于改进加点准则的轨道交通车辆气动多目标优化方法
CN113704686A (zh) * 2021-09-02 2021-11-26 中国人民解放军陆军勤务学院 一种基于平滑函数的数据处理方法及装置
CN113704686B (zh) * 2021-09-02 2024-03-29 中国人民解放军陆军勤务学院 一种基于平滑函数的数据处理方法及装置
CN113821983A (zh) * 2021-10-12 2021-12-21 北京索为系统技术股份有限公司 基于代理模型的工程设计优化方法、装置及电子设备
CN113821983B (zh) * 2021-10-12 2023-09-08 索为技术股份有限公司 基于代理模型的工程设计优化方法、装置及电子设备
CN113918133A (zh) * 2021-12-14 2022-01-11 武汉鼎元同立科技有限公司 最优控制问题求解器构建方法及系统
CN114282320A (zh) * 2021-12-24 2022-04-05 厦门大学 一种利用贝叶斯优化算法优化工程参数的方法
CN114282320B (zh) * 2021-12-24 2024-06-07 厦门大学 一种利用贝叶斯优化算法优化工程参数的方法
CN116341097A (zh) * 2022-02-07 2023-06-27 西北工业大学 一种基于新型高维代理模型的跨音速机翼优化设计方法
CN116341097B (zh) * 2022-02-07 2023-09-12 西北工业大学 一种基于新型高维代理模型的跨音速机翼优化设计方法
CN114218686B (zh) * 2022-02-21 2022-05-10 中国人民解放军国防科技大学 一种用于飞行器的多精度数据光滑标度近似建模方法
CN114218686A (zh) * 2022-02-21 2022-03-22 中国人民解放军国防科技大学 一种用于飞行器的多精度数据光滑标度近似建模方法
CN114372332A (zh) * 2022-03-21 2022-04-19 南京航空航天大学 一种基于子集模拟的多目标稳健设计方法
CN114372332B (zh) * 2022-03-21 2022-08-05 南京航空航天大学 一种基于子集模拟的多目标稳健设计方法
CN114880775A (zh) * 2022-05-10 2022-08-09 江苏大学 一种基于主动学习Kriging模型的可行域搜索方法及装置
CN114880775B (zh) * 2022-05-10 2023-05-09 江苏大学 一种基于主动学习Kriging模型的可行域搜索方法及装置
CN117022588B (zh) * 2023-08-08 2024-03-26 中山大学 一种基于Kriging模型的水翼结构优化方法、系统、设备及介质
CN117022588A (zh) * 2023-08-08 2023-11-10 中山大学 一种基于Kriging模型的水翼结构优化方法、系统、设备及介质
CN117113732A (zh) * 2023-10-24 2023-11-24 南方电网调峰调频发电有限公司 适用于非超立方体约束空间的拉丁超立方设计方法
CN117113732B (zh) * 2023-10-24 2024-02-06 南方电网调峰调频发电有限公司 适用于非超立方体约束空间的拉丁超立方设计方法
CN117556551A (zh) * 2024-01-11 2024-02-13 中国人民解放军国防科技大学 发动机燃烧室壳体的轻量化设计方法、装置、设备和介质
CN117556551B (zh) * 2024-01-11 2024-04-09 中国人民解放军国防科技大学 发动机燃烧室壳体的轻量化设计方法、装置、设备和介质

Also Published As

Publication number Publication date
CN112434448B (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN112434448B (zh) 基于多点加点的代理模型约束优化方法和装置
CN112749495A (zh) 基于多点加点的代理模型优化方法、装置和计算机设备
CN111126668B (zh) 基于图卷积网络的Spark作业时间预测方法和装置
Torii et al. A general RBDO decoupling approach for different reliability analysis methods
CN108304679A (zh) 一种自适应可靠性分析方法
WO2022206320A1 (zh) 预测模型训练、数据预测方法、装置和存储介质
CN112053042A (zh) 动态构建效能评估体系的方法、系统、计算机设备及存储介质
CN112733997B (zh) 基于woa-lstm-mc的水文时间序列预测优化方法
CN114930336A (zh) 用于估计仿真的计算成本的方法和系统
CN112416783B (zh) 软件质量影响因素确定方法、装置、设备和存储介质
CN115221801B (zh) 基于动态近似建模的飞行器不确定性传播分析方法和装置
Salomon et al. Efficient reliability analysis of complex systems in consideration of imprecision
CN113703741A (zh) 神经网络编译器配置方法、装置、计算机设备和存储介质
CN111367317A (zh) 基于贝叶斯学习的无人机集群在线任务规划方法
Baquela et al. A novel hybrid multi-objective metamodel-based evolutionary optimization algorithm
CN110929867A (zh) 神经网络结构的评估、确定方法、装置和存储介质
Brastein et al. Analysing uncertainty in parameter estimation and prediction for grey-box building thermal behaviour models
CN114048544B (zh) 飞行器结构响应特性预示方法、装置、设备和介质
CN116822214A (zh) 一种基于异方差高斯过程回归的多可信度数据融合方法
Khatamsaz et al. A comparison of reification and cokriging for sequential multi-information source fusion
Specking et al. Evaluating a set-based design tradespace exploration process
Chocat et al. Damage tolerance reliability analysis combining Kriging regression and support vector machine classification
CN116842853B (zh) 用于不确定度量化的导弹气动特性预测模型构建方法
Han et al. A kriging-based active learning algorithm for contour estimation of integrated response with noise factors
Cook Effective formulations of optimization under uncertainty for aerospace design

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Yang Tao

Inventor after: Huang Hao

Inventor after: Feng Zhiwei

Inventor after: Zhang Qingbin

Inventor after: Ge Jianquan

Inventor after: Zhang Bin

Inventor after: Gao Qingyu

Inventor before: Yang Tao

Inventor before: Huang Hao

Inventor before: Feng Zhiwei

Inventor before: Zhang Qingbin

Inventor before: Ge Jianquan

Inventor before: Zhang Bin

Inventor before: Gao Qingyu

CB03 Change of inventor or designer information