侯成义
(西北工业大学国防科技研究院,710072西安,peggy.cao@163.com)
遗传算法、粒子群算法等随机优化算法同基于梯度的优化算法相比具有很强的全局性和鲁棒性,然而这些随机优化算法进行需要用CFD、FEM分析等耗时的目标值评估的工程优化时,存在着计算量大的问题,严重制约了在工程中的应用.用代理模型代替费时的精确模型计算进行优化的方法得到了发展[1-2],常用的代理模型有多项式响应面模型、人工神经网络模型、Kriging模型等.首先由一定数量的样本构造代理模型,用优化算法搜索代理模型的最优解并进行精确模型校验,进而更新校验点到代理模型直至满足收敛要求.由于代理模型的计算量比精确模型小得多,该方法可大幅度提高优化效率,但是其优化精度严重依赖于代理模型预测的能力,容易陷入局部最优[3].M.Schonlau[4]提出的EGO(Efficient Global Optimization)算法在选取校验点时综合考虑了代理模型的预测值和预测精度,有效避免了陷入局部最优的风险,该方法在工程优化中得到了应用[5-6].
本文采用拉丁超立方实验设计方法产生样本点,用EI(Expected Improvement)最优策略综合评价由Kriging代理模型获取的预测适应值及预测精度,并结合响应最优策略,用粒子群算法搜索最优校验点,结合Hicks-Henne型函数翼型参数化方法与雷诺平均N-S方程流场求解器进行了翼型优化设计.
选取合理分布的样本点对构造代理模型具有重要的影响,一般要求有限的样本应该尽可能全面的反映……