考慮參數(shù)和近似模型不確定性的穩(wěn)健性設(shè)計(jì)優(yōu)化方法研究.pdf

1、穩(wěn)健性設(shè)計(jì)優(yōu)化（Robust Design Optimization，RDO）在提高產(chǎn)品質(zhì)量的同時，盡可能地降低不確定性對產(chǎn)品質(zhì)量的影響，在工程優(yōu)化領(lǐng)域得到了廣泛應(yīng)用。但是，在實(shí)際工程優(yōu)化中，常用的高精度仿真分析比較復(fù)雜且費(fèi)時較多，使得RDO的計(jì)算量異常龐大。盡管近似模型的應(yīng)用解決了RDO中計(jì)算量大的難題，但是所構(gòu)建的近似模型與真實(shí)模型之間往往存在預(yù)測誤差，這種預(yù)測誤差所產(chǎn)生的不確定性，即近似模型不確定性，對 RDO結(jié)果有著重要影響。傳

2、統(tǒng)的RDO只考慮參數(shù)不確定性，而忽略了近似模型不確定性的影響，本文圍繞同時考慮參數(shù)和近似模型兩種不確定性的RDO問題展開研究。
　　首先，結(jié)合常用的具有高預(yù)測精度的Kriging近似模型，實(shí)現(xiàn)了面向 RDO的綜合考慮參數(shù)和近似模型不確定性的數(shù)值積分法和有限采樣法。結(jié)合數(shù)學(xué)算例，對上述兩種方法進(jìn)行了對比，為后續(xù)基于序列采樣的RDO方法研究提供了理論基礎(chǔ)。
　　其次，研究同時考慮參數(shù)和近似模型不確定性的無約束RDO問題，提出了一

3、種基于改進(jìn)單點(diǎn)序列采樣的無約束RDO方法。該方法的樣本點(diǎn)更新中采用同時考慮參數(shù)和近似模型不確定性的穩(wěn)健性期望提高準(zhǔn)則，能夠有效選擇更新樣本點(diǎn)，快速逼近穩(wěn)健性最優(yōu)解。通過數(shù)學(xué)算例進(jìn)行測試分析，驗(yàn)證了所提出的方法有效性。
　　最后，研究同時考慮參數(shù)和近似模型不確定性的帶約束RDO問題，提出了一種基于改進(jìn)多點(diǎn)序列采樣的帶約束RDO方法。在采樣點(diǎn)的更新準(zhǔn)則中，目標(biāo)函數(shù)和約束函數(shù)同時考慮參數(shù)和近似模型不確定性的影響，每次迭代中更新了多個空間