【摘要】：本論文主要針對采用多源響應(yīng)信息進(jìn)行構(gòu)建代理模型、序列全局最優(yōu)設(shè)計(jì)與多學(xué)科系統(tǒng)動(dòng)態(tài)資源配置三大難題,對融合多源響應(yīng)信息進(jìn)行基于仿真的復(fù)雜系統(tǒng)優(yōu)化設(shè)計(jì)而進(jìn)行了研究。首先基于高斯隨機(jī)過程提出了多種非層次型多模型融合方法,用來整合多個(gè)相互競爭的仿真模型與少數(shù)昂貴的實(shí)驗(yàn)測量數(shù)據(jù),實(shí)現(xiàn)了建立高效且準(zhǔn)確的響應(yīng)預(yù)測模型。每種新提出的方法均采用不同的構(gòu)架與假設(shè)來描述仿真模型與實(shí)驗(yàn)測量之間的關(guān)系。第一種方法將真實(shí)目標(biāo)響應(yīng)表示為所有仿真模型的線性加權(quán)和,并且加上一個(gè)殘余偏差函數(shù);另外兩種方法將真實(shí)目標(biāo)響應(yīng)表示為單個(gè)仿真模型與它對應(yīng)的偏差函數(shù)之和,它們的不同點(diǎn)在于假設(shè)響應(yīng)偏差函數(shù)具有不同的統(tǒng)計(jì)屬性:與真實(shí)響應(yīng)相互獨(dú)立,或者與仿真模型共用空間相關(guān)函數(shù)。算例研究表明,在多模型融合中考慮額外的響應(yīng)數(shù)據(jù)(盡管低精度)往往能夠改善代理模型的預(yù)測性能。與已有的層次型方法相比,新提出的非層次型方法能夠靈活地處理各種復(fù)雜的模型精度情況,并且三種新方法的均值與整體預(yù)測性能都非常接近。其次,針對多模型融合的情況,提出了兩種面向目標(biāo)的序列采樣策略,實(shí)現(xiàn)了使用非層次型多級精度模型進(jìn)行序列全局最優(yōu)設(shè)計(jì)。其中,統(tǒng)一序列采樣策略利用仿真模型之間的后驗(yàn)相關(guān)性作為預(yù)測精度的判斷準(zhǔn)則,提出了一種新的拓展期望改進(jìn)函數(shù),能夠同時(shí)確定新樣本的輸入位置以及評估模型;而兩階段序列采樣策略首先采用最大化原始期望函數(shù)確定新樣本的輸入位置,然后采用預(yù)后驗(yàn)分析方法對仿真模型的功效進(jìn)行預(yù)測,選取出新樣本的響應(yīng)評估模型。算例研究表明,新提出的兩種序列采樣策略靈活地均衡不同仿真模型的預(yù)測精度與計(jì)算費(fèi)用,不僅能夠以消耗更少的計(jì)算資源尋得全局最優(yōu)解,并且提供了具有更好預(yù)測性能的最終響應(yīng)代理模型。最后,提出了一種序列策略將多學(xué)科復(fù)雜系統(tǒng)的資源配置問題分解為多個(gè)決策過程,通過動(dòng)態(tài)添加設(shè)計(jì)資源以實(shí)現(xiàn)降低系統(tǒng)響應(yīng)的累積認(rèn)知不確定性。采用多模型融合方法對學(xué)科子系統(tǒng)模型進(jìn)行誤差校正,并且量化它們的模型認(rèn)知不確定性;提出高效的多學(xué)科不確定性傳播與統(tǒng)計(jì)靈敏度分析方法,為選取新填充樣本的輸入位置與學(xué)科響應(yīng)提供決策信息;利用樣本之間的相關(guān)性來保證新填充樣本在設(shè)計(jì)空間內(nèi)足夠稀疏;采用預(yù)后驗(yàn)分析方法選取所需配置資源的類型。算例研究表明,通過添加計(jì)算機(jī)仿真數(shù)據(jù),絕大多數(shù)系統(tǒng)響應(yīng)的累積認(rèn)知不確定性都能得到有效的降低,僅需在少數(shù)情況下需要添加昂貴的物理實(shí)驗(yàn)數(shù)據(jù),從而極大地提高了設(shè)計(jì)資源的利用率。通過設(shè)計(jì)資源的動(dòng)態(tài)配置過程,新方法能夠逐步檢測到設(shè)計(jì)者可能由于缺乏先驗(yàn)知識而忽略的耦合變量輸入?yún)^(qū)域,具有較強(qiáng)的空間探索能力。
【圖文】：

圖 1.1 代理模型的一般構(gòu)建過程構(gòu)建代理模型的一般步驟如圖 1.1 所示，，主要分為三步：(1)采用試驗(yàn)設(shè)計(jì)方法在設(shè)計(jì)空間內(nèi)選取一定數(shù)量的樣本點(diǎn)；(2)采用高精度的仿真模型對所選取的樣本點(diǎn)進(jìn)行響應(yīng)評估；(3)采用某種數(shù)學(xué)擬合或者插值方法構(gòu)建這些樣本點(diǎn)輸入與輸出數(shù)據(jù)之間的

本文章節(jié)的組織框架圖
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP202

【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 陳堅(jiān)強(qiáng);張益榮;張毅鋒;陳亮中;;高超聲速氣動(dòng)力數(shù)據(jù)天地相關(guān)性研究綜述[J];空氣動(dòng)力學(xué)學(xué)報(bào);2014年05期

2 Huang Likeng;Gao Zhenghong;Zhang Dehu;;Research on multi-fidelity aerodynamic optimization methods[J];Chinese Journal of Aeronautics;2013年02期

3 蘭鳳崇;鐘陽;莊良飄;陳吉清;方舟;;基于自適應(yīng)響應(yīng)面法的車身前部吸能部件優(yōu)化[J];汽車工程;2010年05期

4 王紅濤;竺曉程;杜朝輝;;改進(jìn)EGO算法在跨聲速翼型氣動(dòng)優(yōu)化設(shè)計(jì)中的應(yīng)用[J];上海交通大學(xué)學(xué)報(bào);2009年11期

5 高月華;張崎;王希誠;;基于Kriging模型的汽輪機(jī)基礎(chǔ)動(dòng)力優(yōu)化設(shè)計(jì)[J];計(jì)算力學(xué)學(xué)報(bào);2008年05期

6 丁彥闖;兆文忠;;基于Kriging模型的焊接構(gòu)架抗疲勞優(yōu)化設(shè)計(jì)[J];大連交通大學(xué)學(xué)報(bào);2008年02期

7 龔春林;袁建平;谷良賢;茍永杰;;基于響應(yīng)面的變復(fù)雜度氣動(dòng)分析模型[J];西北工業(yè)大學(xué)學(xué)報(bào);2006年04期

8 任旭春;姚振漢;;輪胎胎冠形狀優(yōu)化的自適應(yīng)序列響應(yīng)面法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年05期

9 穆雪峰,姚衛(wèi)星,余雄慶,劉克龍,薛飛;多學(xué)科設(shè)計(jì)優(yōu)化中常用代理模型的研究[J];計(jì)算力學(xué)學(xué)報(bào);2005年05期

本文編號：2563850