[发明专利]基于多点加点的代理模型优化方法、装置和计算机设备

说明书

本申请涉及一种基于多点加点的代理模型优化方法、装置、计算机设备和存储介质。所述方法包括：通过待优化对象的耗时函数信息进行优化模型的参数设置以及初始采样，得到初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；根据高斯过程代理模型构建高效全局优化算法的多目标优化子问题，对多目标优化子问题的目标项进行自适应归一化处理，求解得到包括多个候选点的多目标最优解集，判断优化过程是否满足设置的收敛准则，不满足时，在候选点中选取多个最优点作为新样本，并通过耗时函数对新样本进行并行评估，得到新样本响应值，根据更新后的样本点集和响应集更新高斯过程代理模型，直到优化过程满足收敛准则，完成代理模型优化。

技术领域

本申请涉及工程设计技术领域，特别是涉及一种基于多点加点的代理模型 优化方法、装置、计算机设备和存储介质。

背景技术

工程设计中通常需要依赖耗时的数值仿真，基于这些仿真的优化设计问题 通常称为耗时优化问题，比如翼型的设计、飞行器的外形设计、梁结构的设计等。 传统的梯度优化算法和现代启发式算法通常需要大量的函数评估，求解这类问 题的效率很低。基于代理模型的优化方法是解决此类工程设计问题的最有效的 方法之一。

代理模型优化方法是指利用一个近似数学模型来模拟原始高精度模型并基 于该数学模型开展优化设计的一种方法。代理模型优化方法的关键在于如何用 最少的评估代价去获得足够精确的结果。由于能够同时给出预测值和预测方差， 高斯过程模型(也称为Kriging)是最常用的代理模型之一。

最直接的代理模型优化方法是以少量样本点构建代理模型并以该模型代入 成熟优化算法进行优化设计。虽然原理简单且容易理解，但是该方法很难找到 全局最优点。高效全局优化算法(Effective Global Optimization，EGO)通过迭 代加点策略并序列更新代理模型，是一种高效的代理模型优化方法，且能够兼 顾全局和局部搜索性能，已经广泛应用于各类工程问题的求解当中。

大多数高效全局优化算法在优化过程中每次迭代只产生一个候选样本点， 无法利用并行计算环境加速优化收敛过程，也难以同时在设计空间中探索未知 区域和挖潜局部最优解。因此，现有技术存在优化效率低、误差较大的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够改善优化效率和收敛精 度的基于多点加点的代理模型优化方法、装置、计算机设备和存储介质。

一种基于多点加点的代理模型优化方法，所述方法包括：

获取待优化对象原始模型的耗时函数信息，根据所述耗时函数信息进行高 效全局优化算法的参数设置，以及初始采样，根据初始采样的样本点集和对应 的响应集建立目标函数的高斯过程代理模型；

根据所述高斯过程代理模型构建高效全局优化算法的多目标优化子问题； 所述多目标优化子问题将最大期望的局部挖掘和全局探索特性的两项作为两个 目标项；

对所述目标项的函数进行自适应归一化处理，通过多目标优化算法对自适 应归一化处理后的所述多目标优化子问题进行求解，得到多目标最优解集，所 述最优解集中包括多个候选点；

判断优化过程是否满足设置的收敛准则，当不满足所述收敛准则时，根据 参数设置中包含的加点个数信息，在所述候选点中选取多个最优点作为新样本， 并通过所述耗时函数对所述新样本进行并行评估，得到新样本响应值，根据所 述新样本和其对应的响应值更新所述高斯过程代理模型，并构建多目标优化子 问题进行求解得到多个候选点，直到优化过程满足所述收敛准则，完成代理模 型优化。

在其中一个实施例中，还包括：获取待优化对象原始模型的耗时函数信息， 根据所述耗时函数信息进行高效全局优化算法的参数设置，以及初始采样，根 据初始采样的样本点集和对应的响应集建立目标函数的高斯过程代理模型；所 述参数设置中的参数包括：设计变量的维数，耗时函数的最大评估次数，加点 个数和初始采样样本数。