基于支持向量機的可靠性優(yōu)化設計方法研究.pdf

1、工程結構設計中存在諸多不確定因素,如材料特性,載荷,尺寸等,評估結構性能好壞的有效途徑就是進行可靠性分析?；诳煽啃缘脑O計優(yōu)化(Reliability-BasedDesignOptimization,RBDO)是將優(yōu)化設計技術與可靠性分析理論相結合的一種新的優(yōu)化方法,因其在保證可靠度的同時,可以獲得使產品的重量,體積或成本等最優(yōu)的設計,備受國內外學者的關注。然而對于復雜的工程結構,響應函數為隱式,高度非線性等RBDO問題,現有的方法往往

2、存在求解困難,計算成本高等問題。
　　支持向量機(SupportVectorMachine,SVM)作為一種新的機器學習方法,具有很好的小樣本學習的優(yōu)越性。用較少的樣本建立SVM模型代替真實的功能函數,顯式的給出決策邊界,可以有效地解決含有隱式或高度非線性功能函數的可靠度分析問題。本文在已有研究的基礎上,引入了SVM分類理論和顯式空間分解思想,在詳細闡述其理論及參數影響的基礎上,提出了一種改進的自適應采樣策略(IAS)來精確訓練S