[发明专利]一种基于火箭级间段代理优化的自适应取样方法

说明书

本发明公开了一种基于火箭级间段代理优化的自适应取样方法，该方法为火箭级间段优化技术提供了高效的自适应在线样本选择方法，以获得全局准确和局部精确的代理模型，从而使代理优化能够搜索到精确的全局最优解。方法具体步骤如下：在每一步样本细化迭代过程中，基于当前的代理模型利用试验设计方法采样，并采用模糊聚类算法对采样样本进行聚类，根据聚类将整个设计空间分割为若干子空间；在每个子空间内利用最大化目标期望提高函数和最小化模型预测目标的方法来获得新的样本；然后通过对子空间进行融合更新设计空间。该方法能够有效地平衡模型局部勘探和全局搜索，具有良好的自适应性，特别适用于具有强非线性和多极值的火箭级间段代理优化问题。

技术领域

本发明主要用于基于火箭级间段代理优化问题的样本细化过程，使优化算法适用于气动外形、结构设计优化领域，具体涉及一种基于模糊聚类和变设计空间的自适应取样方法。

背景技术

现代的工程设计优化问题，特别是气动、结构的设计优化，往往是多维度、多约束、强非线性耦合的问题。因此，在优化过程中使用复杂且耗时的高精度分析模型，其计算代价是难以承受的。伴随方法可以提高优化效率，但仅适用于处理单极值的优化问题。基于代理模型的优化方法为解决上述难题提供了一种有效的手段。

在火箭级间段的代理优化问题中，为了进一步提高代理优化过程的效率，需要对代理模型进行动态更新，即需要通过样本细化过程，以尽可能少的样本来获得精度尽可能高的代理模型。对于具有多设计变量、多极值和强非线性的优化设计问题，常用的最小化模型预测值(Minimize Surrogate Prediction，MSP)、最大化模型预测误差(MaximizeSurrogate Error，MSE)、最大化期望提高函数(Expected Improvement Function,EIF)、最小化下置信域边界(Lower Confidence Bound，LCB)等样本选择方法，在局部勘探和全局搜索上的能力都出现了不足。

发明内容

为有效提高火箭级间段代理模型的样本细化过程，本发明提供一种基于模糊聚类和变设计空间的自适应取样方法，能够更好地适用于多设计变量、多极值、强非线性的优化问题，可以进一步提高代理优化过程中样本细化的局部勘探和全局搜索能力，并通过并行化样本高精度分析提高优化过程的效率。

为了达到以上目的，本发明采用以下技术方案：

一种基于火箭级间段代理优化的自适应取样方法，包括以下步骤：

S100，在给定力和力矩条件，以及应力位移的约束下，基于火箭级间段样本库中在当前设计空间内的样本建立代理模型；

S200，采用试验设计方法获得充足的伪样本，并利用建立的火箭级间段代理模型对伪样本的目标函数值进行预测；

S300，对伪样本进行筛选，然后对筛选的伪样本应用模糊聚类算法，将其分割成若干个类，并根据每个类中的伪样本确定子空间，确定若干个子空间；

S400，在每个子空间内，利用最大化目标期望提高函数和最小化模型预测目标方法获得新的样本，加入样本库；

S500，对子空间进行融合，更新设计空间。

作为本发明的进一步改进，建立代理模型过程包括以下步骤：

利用试验设计方法生成一组初始样本，在满足约束条件的情况下，用于建立初始的火箭级间段代理模型；

采用分析模型对初始样本进行分析，获得每个样本的目标函数值，将样本放入样本库；

利用当前设计空间中的样本，建立代理模型。

作为本发明的进一步改进，伪样本的选择过程，具体步骤为：