基于Kriging模型的全局優(yōu)化方法研究.pdf

1、源函數(shù)估值次數(shù)少是面向多領(lǐng)域設(shè)計(jì)分析的全局優(yōu)化算法的基本原則，而傳統(tǒng)的優(yōu)化算法難以滿足此要求?；陧憫?yīng)面的全局優(yōu)化算法使用響應(yīng)面進(jìn)行估值，因此可以大大減少源函數(shù)的估值次數(shù)。本文結(jié)合國家自然科學(xué)基金項(xiàng)目課題，對基于Kriging模型的全局優(yōu)化方法進(jìn)行研究，具有研究意義和實(shí)踐價(jià)值。本文的主要工作有：
　　 首先介紹了響應(yīng)面構(gòu)造中較為常用的幾種實(shí)驗(yàn)設(shè)計(jì)(design of experiment，DOE)方法，闡述了這些方法的原理，分析

2、比較了各自的優(yōu)缺點(diǎn)。
　　 分析了Kriging模型的特點(diǎn)和建模過程，提出了Kriging模型的增量構(gòu)造方法。該方法利用已經(jīng)得到的關(guān)聯(lián)矩陣的逆矩陣和新增的數(shù)據(jù)點(diǎn)，忽略關(guān)聯(lián)系數(shù)優(yōu)化的過程，直接進(jìn)行矩陣運(yùn)算，得到新關(guān)聯(lián)矩陣的逆矩陣，進(jìn)而得到更新后的預(yù)測模型。大量的測試結(jié)果表明：增量方法可在損失少量精度的情況下大大縮短模型更新的時(shí)間。
　　 研究和分析了基于Kriging模型的高效全局優(yōu)化(efficient global o