基于梯度法的Kriging優(yōu)化方法研究.pdf

1、基于響應面的全局優(yōu)化算法，通過響應面近似源函數(shù)的方式來降低對源函數(shù)的估值次數(shù)，降低了計算消耗。以高效全局優(yōu)化(Efficient Global Optimization，EGO)算法為代表的基于Kriging模型的全局優(yōu)化方法以其計算速度快、模型精度高等特點被廣泛研究和應用。對EGO算法的改進具有理論研究價值和實踐意義?；诖耍疚乃鲋饕ぷ魅缦拢?br>　　首先闡述了Kriging響應面模型及基于其的全局優(yōu)化算法的研究歷程，對其中算

2、法的特點給出說明。
　　以拉丁超立方(Latin Hypercube Sampling，LHS)采樣為重點對響應面構造中常用的計算機實驗設計(Design Of Experiment，DOE)方法一一介紹，分析其優(yōu)缺點，對部分方法給出采樣圖。
　　結合Kriging模型的特點，對Kriging模型的構建過程給出詳細說明。針對傳統(tǒng)參數(shù)優(yōu)化采用模式搜索方法求解而造成精度不高的問題，提出基于梯度算法的空間相關函數(shù)優(yōu)化算法。該算法的

3、核心為計算目標函數(shù)關于θ的梯度，在關于θ梯度的解析解較為復雜的情況下，在單步求解中保持β不變來簡化求解過程，這樣為了降低計算成本。數(shù)值實驗表明這種算法能夠得到更為精確的結果。
　　闡明了基于Kriging模型的全局優(yōu)化算法——EGO算法的實現(xiàn)過程，對EGO算法的核心，即其樣本填充準則EI函數(shù)，首次采用投影梯度法，結合空間相關函數(shù)的參數(shù)優(yōu)化，提出基于投影梯度法的EGO算法。大量實驗測試表明，該算法在模型穩(wěn)定性、預測結果穩(wěn)定性等方面較