基于近似模型的优化方法是求解大规模非线性问题最有希望的方法之一,鉴于其高效性,广泛应用于工程优化领域。如果能够高效建立可靠的近似模型,很多大规模工程问题便可以迎刃而解。近年来,随着研究的深入,研究对象的规模和复杂度也日益增强。目前该领域的研究现状是:对于大规模非线性问题的求解,近似模型技术还缺乏有效的手段。因此,虽然目前基于近似模型技术的优化领域非常活跃,基于近似模型技术的优化方法也多种多样,但对于高维非线性的实际工程优化问题,目前的近似模型技术还缺乏快速构建最大限度反映研究对象的特性模型的手段,这也是近似模型技术研究领域面临的最大瓶颈,阻碍了该技术在工业领域的应用和发展。近似模型优化技术由三个基本阶段构成:实验设计,近似模型构建,基于近似模型的优化。鉴于工程问题的复杂性和多样性,建立一种通用的近似模型构造体系是非常困难的。因此,目前基于近似模型技术的优化方法都具有一定的针对性,当涉及到不同类型的具体工程优化问题,需要根据问题的特殊性,合理构建可行的优化策略。为此,本文将车辆工程优化设计的难点金属板料成形和车辆耐撞性作为主要实际工程应用研究。以近似模型的精度和效率作为算法的主要评价标准,对近似模型的实验设计和构建这两个方面进行了理论研究。本论文的主要创新点包括以下几个方面:(一)智能实验设计方法针对目前“离线”实验设计方法的技术瓶颈,建立了两种“在线”实验设计方法。这类布点方法不仅仅是单纯的实验设计方法,实质上也是一个优化过程,通过近似模型的精度和优化结果确定布点的方向,即将布点过程自动化和智能化。其中粒子群智能布点方法是基于粒子群优化理论建立的一种智能布点方法,将修正后的粒子群优化技术用于新样本的定位;而基于边界条件和最优邻域的智能布点方法则是根据初始样本的边界信息以及设计空间中当前样本的邻域内最优样本生成新样本。为了克服初始设计空间的主观因素,建立了相应的设计空间更新和判断机制,使其能够更为客观地确定新样本的位置。此外,为了提高布点效率,提出了并行智能布点方法,通过对初始样本点数目的扩展,达到提高精度,加快速度的目的。随后,将以上研发的算法同主流实验方法进行了性能比较,通过对多维非线性函数的测试来确认算法的可行性。测试数据表明:智能实验设计方法能够控制更新样本空间,优化样本质量,进而提高后续近似模型的精度和构建效率。(二)基于概率的最小二乘支持向量回归主流近似模型技术多数建立在经验风险最小化准则之上,但经验风险最小并不一定意味着期望风险最小。这类近似模型技术的瓶颈是:试图用十分复杂的模型去拟合有限的样本,导致丧失了推广能力,难以反映研究目标的实质和特性。为此,本文以泛化性能出色的基于统计学习理论的支持向量机技术构造近似模型,建立基于概率的最小二乘支持向量回归算法,通过权系数对误差带的控制实现对模型精度的控制。实质上是通过赋予异常样本较小的加权系数,将噪声样本对模型的性能的影响减少到最小的策略,算法的稳健性取决于建模过程中对异常样本的检测和剔除效果。通过基于最小二乘支持向量机回归方法和基于概率的最小二乘支持向量机回归方法对非线性函数的拟合测试,两种方法的性能都有显著地提高,能够克服噪声对函数精度的影响。因此,基于概率的最小二乘支持向量机回归方法是一种可行的近似模型设计方法。(三)基于响应函数的空间映射技术作为自成体系的一个优化流派,空间映射技术近年来发展迅猛。空间映射技术的最大瓶颈在于其参数提取技术,即如何确定精细模型的初始解在粗糙空间中对应解。通过对主流的空间映射方法的分析和验证,其关系具有较强的随机性,进而导致优化结果的不准确、甚至不收敛。针对这一问题,本文提出了基于响应函数的空间映射技术,同传统的空间映射相比,其最大特点是建立响应函数间的空间映射,并通过反求算法获得最优设计参数。因此,避免了易造成误差和难以收敛的根本因素——参数提取过程,使空间映射方法更为直接。通过对非线性函数的测试结果表明,本文提出的空间映射技术的精度和收敛性均有大幅度提高。(四)基于近似模型技术的优化方法在金属板料成形中的应用金属板料成形过程是一种包括几何非线性,材料非线性,边界条件非线性,且变形机制非常复杂的高度非线性问题。利用提出的智能布点方法、近似模型构造技术以及基于响应的空间映射算法,建立了高效精确的板料成形近似模型优化体系,用以提高对板料成形过程的控制能力、板料成形性的优化精度、生产效率及缩短产品开发周期等方面均具有显著的优越性,有积极的现实意义。(五)基于时序的近似模型构造体系及其在车辆耐撞性优化中的应用基于时序问题的近似模型技术充分考虑时间和空间因素,将设计空间进行拓展,在考虑样本历史信息的前提下构建时空两重性的近似模型。该技术的最大特点在于可控性,通过对设计变量的修正,进而完成研究对象在敏感时间域内的控制,是一种针对过程的可控优化技术。研究目标主要是与时序相关的物理过程,而汽车CAE设计中的车辆耐撞性研究则是非常典型的问题,为此,本章将其应用于该问题的优化,得到了令人满意的结果。