基于SiPESC平臺的Kriging代理模型開發(fā)和應(yīng)用.pdf

1、工程結(jié)構(gòu)優(yōu)化問題常受限于優(yōu)化模型非線性程度高、數(shù)值仿真過程占用大量系統(tǒng)資源，優(yōu)化求解耗時多等因素影響，有限資源和時間內(nèi)難以得到有效的優(yōu)化結(jié)果。“試驗設(shè)計+代理模型”技術(shù)能有效減少計算成本輔助完成優(yōu)化設(shè)計。其中，最優(yōu)拉丁方試驗設(shè)計能有效適應(yīng)不同設(shè)計變量和樣本數(shù)量的搭配，Kriging是代理模型中最有效的方法之一。具有最優(yōu)拉丁方和Kriging相關(guān)功能的軟件功能模塊是輔助優(yōu)化設(shè)計的必要工具。本文基于SiPESC平臺通用試驗設(shè)計和代理模型框架

2、，使用C++面向?qū)ο笳Z言和“抽象工廠”設(shè)計模式完成了最優(yōu)拉丁方試驗設(shè)計和Kriging代理模型的軟件開發(fā)，并應(yīng)用于工程結(jié)構(gòu)優(yōu)化問題。
　　針對最優(yōu)拉丁方試驗設(shè)計，本文選用被廣泛采用的判優(yōu)準(zhǔn)則，實現(xiàn)了極小極大距離準(zhǔn)則、列正交準(zhǔn)則和多目標(biāo)加權(quán)準(zhǔn)則。在試驗設(shè)計矩陣的優(yōu)化過程中實現(xiàn)并應(yīng)用了基于元素交換的進化算法。通過JavaScript和Python腳本測試，本文驗證了所用算法的尋優(yōu)能力和所得試驗矩陣的準(zhǔn)確性，并對比驗證了各判優(yōu)準(zhǔn)則的特點

3、。
　　針對 Kriging代理模型，本文采用常數(shù)形式回歸項構(gòu)建代理模型，調(diào)用 SiPESC平臺遺傳算法優(yōu)化Kriging相關(guān)系數(shù)，應(yīng)用MathML語言構(gòu)建Kriging響應(yīng)函數(shù)顯示表達式，以便不同程序語言解析方便應(yīng)用到 JavaScript、Python和 Matlab等環(huán)境中。對比DACE工具箱驗證了本文所實現(xiàn)算法功能的準(zhǔn)確性。應(yīng)用二維經(jīng)典算例對比了兩種加點算法的特點。通過三維算例探討了樣本點的選取對代理模型精度的影響。