先進的數據驅動全局優(yōu)化方法與應用

目錄
前言
第1章 緒論 1
1.1 概述 1
1.2 數據驅動優(yōu)化技術在仿真系統(tǒng)中的應用 6
1.3 數據驅動全局優(yōu)化技術的發(fā)展 7
1.4 本章小結 8
參考文獻 8
第2章 數據驅動優(yōu)化構建過程 13
2.1 初始數據采樣方法 13
2.1.1 傳統(tǒng)實驗設計方法 13
2.1.2 優(yōu)化拉丁超立方實驗設計方法 14
2.2 代理模型構造 19
2.3 動態(tài)采樣技術 23
2.4 本章小結 26
參考文獻 27
第3章 數據驅動優(yōu)化方法基準測試函數 28
3.1 無約束優(yōu)化算例 28
3.1.1 無約束低維算例 28
3.1.2 無約束高維算例 46
3.2 約束優(yōu)化算例 51
3.2.1 約束低維算例 51
3.2.2 約束高維算例 56
3.3 工程應用算例 60
3.4 本章小結 65
第4章 基于克里金的多起點空間縮減方法 66
4.1 克里金代理模型構造 67
4.2 多起點序列二次規(guī)劃算法 68
4.3 空間縮減策略 71
4.4 多起點空間縮減算法整體優(yōu)化流程 73
4.5 算例測試 77
4.5.1 數學算例測試 77
4.5.2 工程算例測試 82
4.6 本章小結 84
參考文獻 85
第5章 基于克里金與多項式響應面的混合代理模型全局優(yōu)化方法 87
5.1 SOCE算法 88
5.1.1 SOCE的代理建模與優(yōu)化 88
5.1.2 SOCE的初始化與迭代過程 89
5.1.3 基于聚類的空間探索 91
5.2 SOCE優(yōu)化流程 94
5.2.1 整體優(yōu)化流程 94
5.2.2 SOCE的參數分析 98
5.3 基準算例測試 102
5.3.1 對比實驗 102
5.3.2 不等式約束算例對比測試 107
5.4 本章小結 111
參考文獻 111
第6章 基于徑向基函數與克里金的混合代理模型全局優(yōu)化方法 113
6.1 HSOSR算法 114
6.1.1 徑向基函數代理模型 114
6.1.2 HSOSR構建過程 114
6.2 對比實驗 123
6.3 本章小結 129
參考文獻 129
第7章 基于打分機制的多代理模型全局優(yōu)化方法 131
7.1 MGOSIC算法流程 132
7.2 多點加點準則 135
7.3 探索未知區(qū)域 140
7.4 對比實驗 141
7.5 本章小結 153
參考文獻 153
第8章 基于空間縮減的代理模型約束全局優(yōu)化方法 156
8.1 SCGOSR算法 157
8.1.1 多起點約束優(yōu)化 157
8.1.2 約束優(yōu)化的空間縮減 158
8.1.3 未知區(qū)域探索 160
8.1.4 優(yōu)化流程 161
8.2 對比實驗 162
8.2.1 初步測試 163
8.2.2 對比測試 166
8.2.3 深入對比和分析 170
8.2.4 空間縮減的具體分析 172
8.3 本章小結 174
參考文獻 174
第9章 克里金輔助的教與學約束優(yōu)化方法 176
9.1 教與學優(yōu)化簡介 178
9.2 KTLBO算法 179
9.2.1 KTLBO的初始化 179
9.2.2 克里金輔助教學階段 180
9.2.3 克里金輔助學習階段 184
9.2.4 KTLBO的整體優(yōu)化框架 187
9.3 對比實驗 188
9.4 工程應用 203
9.5 本章小結 207
參考文獻 207
第10章 克里金輔助的離散全局優(yōu)化方法 210
10.1 離散優(yōu)化構建 211
10.1.1 多起點知識挖掘 212
10.1.2 約束處理 218
10.2 整體優(yōu)化框架 218
10.3 算例測試 220
10.3.1 數學算例測試 220
10.3.2 工程算例測試 227
10.4 本章小結 231
參考文獻 232
第11章 代理模型輔助的高維全局優(yōu)化方法 234
11.1 灰狼優(yōu)化算法 235
11.2 代理模型輔助的灰狼優(yōu)化算法 236
11.2.1 代理模型輔助的元啟發(fā)式探索 238
11.2.2 代理模型的知識挖掘過程 240
11.2.3 代理模型輔助的灰狼優(yōu)化算法整體框架 242
11.3 算例測試 243
11.4 本章小結 255
參考文獻 256