[发明专利]一种梯度增强协同代理模型的加点更新优化方法

权利要求书

1.一种梯度增强协同代理模型的加点更新优化方法，其特征在于，包括以下步骤：

步骤100：基于双精度分析程度，构建具有桥连接形式的梯度增强协同代理模型，包括以下子步骤：

步骤101：将优化问题参数化建模，转化为优化列式；

步骤102：采用实验设计方法抽取两组样本点，其中一组作为少量高精度样本S_H，另一组为大量低精度样本S_L；对低精度样本集进行调整，使之与高精度样本重合，具体地，逐一寻找与每个高精度样本最近的低精度样本，将该低精度样本移动到对应的高精度样本位置处，生成具有包含形式的双精度样本，

步骤103：对于步骤102所得两组样本，分别依据高、低精度分析模型，计算对应响应值及梯度信息，记录如下；

式中，Y_L为S_L低精度样本的计算结果，其中S_L低精度样本包括n_L个样本点，d维度变量；为第i个低精度样本的计算结果，i＝1,2...n_L；为响应函数在处关于第j个变量的偏导数，j＝1,2...d；Y_H为S_H高精度样本的计算结果，其中S_H高精度样本包括n_H个样本点，d维度变量；为第i个高精度样本的计算结果，i＝1,2...n_H；为响应函数在处关于第j个变量的偏导数，j＝1,2...d；

步骤104：根据桥函数多项式形式，基于最小二乘方法求解组合模型参数；

步骤105：采用梯度增强Kriging方法，组建具有双精度的梯度增强协同代理模型；

步骤200：基于AMEI加点更新准则，执行加点更新优化，其中加点更新准则包括AMEI_L准则函数、AMEI_H准则函数，具体包括以下子步骤：

步骤201：依据优化目标构建AMEI_L准则函数，其准则函数形式如下：

式中，Y_minL为当前所有低精度样本中最小值，为低精度模型提供的预测标准差；

步骤202：采用启发类优化算法执行AMEI_L准则函数优化；

步骤203：基于检测样本计算模型拟合精度约束，即判断条件1；判断条件为：基于检测点的模型拟合精度约束条件RMSE_δRMSE_L2RMSE_δ；其中，RMSE_δ表示偏离模型精度，RMSE_L表示低精度模型精度；具体地，由m个检测点集合T进行模型检测，计算低精度模型精度RMSE_L与偏离模型精度RMSE_δ如下(2.2)：

步骤204：基于已有样本计算优化期望改进约束，即判断条件2；判断条件为：基于已有样本的优化期望改进条件AMEI_L0.1ΔY；其中，ΔY表示初始高精度样本的极差；

步骤205：判断步骤203和步骤204中的两个判断条件是否全部满足条件，若是，则执行步骤206；否则执行步骤207；

步骤206：基于低精度分析程序将优化结果加入样本集，进行样本更新，并返回并执行步骤104；

步骤207：依据优化目标构建AMEI_H准则函数，其准则函数形式如下：

式中，Y_minH为当前所有高精度样本中最小值，为低精度模型提供的预测标准差；

步骤208：采用启发类优化算法执行AMEI_H准则函数优化；

步骤209：判断优化是否收敛，若收敛，则输出优化设计变量及优化结果；否则执行步骤210；所述的收敛条件为当前代AMEI准则值小于10^-4；

步骤210：基于高精度分析程序将优化结果加入样本集，进行样本更新，并返回并执行步骤104。