论文部分内容阅读
在复杂的工程优化中往往面临着性能评价函数难以获取以及计算量庞大的问题,用智能算法直接对性能函数或高精度模型进行寻优需要大量样本,借用代理模型虽起到简化计算的作用,仍存在如采样繁琐、算法利用率低以及存在不确定性等问题。本文从以下几个角度出发对代理模型的方法体系进行研究,主要内容包括:(1)以减少基于自适应代理模型序列迭代优化中的样本数为出发点,研究代理模型加点方法和优化过程间的关系。提出了一种基于改进复合形的代理模型序列加点方法。该方法将寻优过程与加点过程有机结合,使得设计空间的样本信息得到充分利用。通过经典测试算例,将所提出的方法与最大期望提高法(Expected Improvement,EI)、最大化响应面法(Minimum of the Respond Surface,SURF)、以及候选点法(Candidate point approach,CAND)进行对比。结果表明,本文提出的方法能够以更少的样本找到全局最优;可以获取设计空间中多个局部最优解,具有较高的局部精度,可有效提高计算效率。以电动汽车电池组为优化实例,结果表明所提方法的有效性。(2)为提高代理模型应用效率,研究了群智能算法种群与代理模型样本间的链接关系。群智能算法在优化问题求解过程中需要大量调用原函数,引入代理模型可以有效减少原函数调用次数。然而现有研究中代理模型与群智能算法仅是作为解决问题的两个独立工具。本文将代理模型引入乌鸦优化算法中,并提出采样集与种群交互策略,开发出一套基于代理模型的改进乌鸦优化算法,将其同已有算法进行分析和对比。结果表明在种群和样本集信息交互共享下有利于提高计算精度和效率。(3)同时考虑代理模型与参数不确定性,对RB-10-001轴机器人驱动臂座进行稳健优化设计。建立轴机器人驱动臂座的有限元分析模型以及稳健设计代理模型,利用Kriging模型在预测点处可获取方差的优势,对代理模型中的不确定性进行衡量,得到机器人驱动臂座多目标稳健优化设计解,并与常规的稳健设计解以及确定优化解进行对比,结果表明考虑代理模型的不确定性能够进一步减少代理模型不确定性代来的影响,从而减少机器人系统的不确定性,提高其可靠性和稳健性。