检索结果-内蒙古大学图书馆

作者：李怡娴华南理工大学

学位级别：硕士

昂贵优化问题是一类需要付出高昂的计算代价才能获得全局(或近似全局)最优解的优化问题。工程实践中的许多优化问题都可建模为昂贵优化问题。进化算法是求解昂贵优化问题的重要途径。在面对昂贵优化问题时,进化算法通常会结合代理辅助... 详细信息

昂贵优化问题是一类需要付出高昂的计算代价才能获得全局(或近似全局)最优解的优化问题。工程实践中的许多优化问题都可建模为昂贵优化问题。进化算法是求解昂贵优化问题的重要途径。在面对昂贵优化问题时,进化算法通常会结合代理辅助机制或并行技术以缩短算法的求解时间。然而,现有的面向昂贵优化问题的进化算法存在如下两个主要的局限性,限制了算法的实际应用:(1)模块内或模块间存在同步障,产生了额外的等待时延;(2)专注于同构的计算资源,未能充分利用异构计算资源缩短问题的求解时间。针对现有算法存在的不足,本文提出了异构异步并行的代理模型辅助的进化算法(Heterogeneous Asynchronous Parallel Surrogate-assisted Evolutionary Algorithm,HAS-EA),通过提出异步并行技术和异构结构分别解决了同步障造成的额外等待时延的问题和计算资源利用不充分的问题。本文的主要贡献概述如下: 1)本文提出的异步并行技术,包括模块间异步技术和模块内异步技术两种并行技术。异步并行技术通过避免模块内和模块间的同步障,得以进一步缩减算法求解昂贵优化问题所需的时间。 2)本文提出的异构结构,旨在充分利用CPU和GPU两种异构计算资源。异构结构在算法中的运用,避免了各模块争夺计算资源的问题,提升了现代计算机中的计算资源利用率。异步并行技术和异构结构共同组成了本文提出的HAS-EA算法。为验证提出的方法的有效性,本文分析了若干个基准问题模拟的昂贵优化问题和一个实际的人群仿真模型参数校准问题。实验结果表明,本文提出的HAS-EA算法的性能表现优于现有的一些算法。

关键词：昂贵优化问题进化算法并行技术代理模型辅助的进化算法

来源：评论

学校读者我要写书评

暂无评论

代理模型辅助进化算法在高维优化问题中的应用

引用

机械设计与制造 2018年第12期 269-272页

作者：田杰谭瑛孙超利曾建潮太原科技大学机械工程学院山西太原030024 山东女子学院数据科学与计算机学院山东济南250300 太原科技大学计算机科学与技术学院山西太原030024 中北大学计算机与控制工程学院山西太原030051

目前,代理模型辅助的进化算法是提高复杂优化问题的计算效率的一种有效手段。其中,模型管理在代理辅助进化优化中起着至关重要的作用。提出了一种基于多目标加点规则的高斯过程模型辅助社会微粒群算法(Multi-objective infill criterion... 详细信息

目前,代理模型辅助的进化算法是提高复杂优化问题的计算效率的一种有效手段。其中,模型管理在代理辅助进化优化中起着至关重要的作用。提出了一种基于多目标加点规则的高斯过程模型辅助社会微粒群算法(Multi-objective infill criterion based Gaussian Process model assisted Social learning particle swarm optimization,MICGP-SLPSO)。将多目标的方法引入模型管理中,提出多目标加点规则,进而发展了一种新的基于代理模型的微粒群算法优化策略。选用高斯过程构造代理模型,采用微粒群算法对所构造的代理模型进行优化,根据已知信息,将期望改进准则(EI)及统计下限最小值准则LCB作为两个目标,用来确定哪些候选解进行实际计算。将本优化策略用于基准函数测试问题和阶梯悬臂梁设计优化实例,并与国内外现有研究成果进行比较,证明了MICGP-SLPSO在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势。

关键词：高维费时问题代理模型辅助的进化算法加点规则

来源：评论

学校读者我要写书评

暂无评论

基于多点加点准则的代理模型辅助社会学习微粒群算法

引用

控制与决策 2020年第1期35卷 131-138页

作者：田杰孙超利谭瑛曾建潮太原科技大学机械工程学院太原030024 山东女子学院数据科学与计算机学院济南250300 太原科技大学计算机科学与技术学院太原030024 中北大学计算机与控制工程学院太原030051

代理模型辅助的进化算法目前已广泛用于解决计算代价高的复杂优化问题.然而,大多数现有的代理辅助进化算法只适用于低维问题且仍然需要数千次昂贵的真实适应值评价来获得较优解.为此,提出一种基于多点加点准则的代理模型辅助的社会学习... 详细信息

代理模型辅助的进化算法目前已广泛用于解决计算代价高的复杂优化问题.然而,大多数现有的代理辅助进化算法只适用于低维问题且仍然需要数千次昂贵的真实适应值评价来获得较优解.为此,提出一种基于多点加点准则的代理模型辅助的社会学习微粒群算法,用于解决高维问题并使用更少的评价次数.该算法选用高斯过程构造代理模型,以社会学习微粒群算法(SLPSO)作为优化器,提出一种基于相似度的多点加点规则(SMIC),用于选取需要使用原函数进行实际计算的候选解.在仿真实验中将该方法与现有研究成果进行比较,通过对50维~100维的基准函数的测试,验证了所提出算法在有限的适应值计算次数下拥有更好的寻优性能,尤其是在高维优化问题上拥有更显著的优势.

关键词：高维费时问题代理模型辅助的进化算法加点规则相似度代理模型

来源：评论

学校读者我要写书评

暂无评论

一种基于历史模型集成辅助的差分进化算法

引用

小型微型计算机系统 2022年第6期43卷 1315-1321页

作者：谭瑛曹修王浩李晓波太原科技大学计算机科学与技术学院太原030024

当前,基于代理模型辅助的进化算法广泛用于解决昂贵优化问题.其中,由于集成模型策略可以有效的集合多种模型的特点从而提高模型预测的准确度,所以被广泛应用.但是建立多个模型会增加优化过程的计算成本,因此本文提出一种基于历史模型集... 详细信息

当前,基于代理模型辅助的进化算法广泛用于解决昂贵优化问题.其中,由于集成模型策略可以有效的集合多种模型的特点从而提高模型预测的准确度,所以被广泛应用.但是建立多个模型会增加优化过程的计算成本,因此本文提出一种基于历史模型集成辅助的差分进化算法.本文工作分为两部分:首先,提出由一部分历史模型和当前模型构成集成模型,该策略可以有效的降低计算成本.其次,提出一种新的基于决策空间欧式距离的不确定度评价标准,用于选择个体进行真实计算.为了验证本文提出算法的有效性,将本文方法与相关算法在CEC2005测试函数上测试,并且进行比较.实验结果证明本文提出的算法可以更有效的解决昂贵优化问题.

关键词：昂贵优化问题代理模型辅助的进化算法集成历史模型不确定度

来源：评论

学校读者我要写书评

暂无评论

自适应模型选用辅助的多种群进化算法

引用

小型微型计算机系统 2024年第5期45卷 1083-1088页

作者：张国晨崔钧皓王浩孙超利李春鹏太原科技大学计算机科学与技术学院太原030024 山西吉成科技股份有限公司太原030024

代理模型辅助的进化算法是求解目标函数评价昂贵优化问题的有效方法.在这类算法中,算法的搜索策略和填充采样策略是在有限评价次数下获得优化问题较好解的重要因素.为此,本文使用多种群搜索策略用于平衡种群搜索的多样性和收敛性,同时... 详细信息

代理模型辅助的进化算法是求解目标函数评价昂贵优化问题的有效方法.在这类算法中,算法的搜索策略和填充采样策略是在有限评价次数下获得优化问题较好解的重要因素.为此,本文使用多种群搜索策略用于平衡种群搜索的多样性和收敛性,同时基于个体和训练样本之间目标函数值的距离自适应选择模型进行个体的目标函数值估计,以提高估值的准确度.为了验证算法的有效性,在CEC2005测试函数以及扩频雷达Polly编码优化设计问题上进行测试,并和现有求解昂贵优化问题的算法进行了结果对比.实验结果表明本文提出的算法在目标函数评价次数有限的情况下能够获得昂贵优化问题的较好解.

关键词：代理模型辅助的进化算法昂贵优化问题模型自适应选用策略多种群搜索策略

来源：评论

学校读者我要写书评

暂无评论

昂贵单目标优化算法中自适应代理模型选用策略及填充准则的研究

昂贵单目标优化算法中自适应代理模型选用策略及填充准则的研究

引用

作者：崔钧皓太原科技大学

学位级别：硕士

在现实生产、生活中存在大量的昂贵单目标优化问题,昂贵单目标优化问题在优化过程中需要耗费大量的时间和资源进行真实计算,因此很多情况下无法在有限的资源和有限的时间内获得满意的优化结果。代理模型通过有限的样本训练,在一定环境... 详细信息

在现实生产、生活中存在大量的昂贵单目标优化问题,昂贵单目标优化问题在优化过程中需要耗费大量的时间和资源进行真实计算,因此很多情况下无法在有限的资源和有限的时间内获得满意的优化结果。代理模型通过有限的样本训练,在一定环境下可以代替真实计算,以解决优化过程中资源和时间的大量耗费。代理模型的研究中,如何管理模型以及如何有效的选择个体进行真实计算仍然是一个需要深入研究的问题。因此本文针对代理模型辅助的单目标优化问题做出了以下的研究,主要工作如下:一、自适应模型选用辅助的多种群进化算法(AMSEA-MP)。AMSEA-MP采用了多种群搜索策略,较好的平衡了种群的多样性与收敛性,同时在模型管理方面采用了自适应的方法,基于个体和训练样本之间目标函数值的距离自适应选择模型进行个体的目标函数值估计,从而提高了估计的准确度。在CEC2005测试函数以及扩频雷达Polly编码优化设计问题上进行测试,并和现有的求解昂贵优化问题的算法进行了结果对比。结果表明本文提出的算法在目标函数评价次数有限的情况下能够获得昂贵优化问题的较好解。二、改进的自适应模型选用辅助的多种群进化算法(MAMSEA-MP)。为了进一步提高模型拟合函数的准确度,MAMSEA-MP算法对种群个体进行估值时,既要考虑到目标空间的距离,还需考虑到决策空间的距离。算法中引入了决策空间距离参数,在选点真实计算时,部分不确定度大的点采用真实计算来增加数据库中样本的多样性,从而提高了模型预测的准确度,使得模型可以更好的拟合问题。该算法同样在CEC2005测试函数以及扩频雷达Polly编码优化设计问题上进行实验,并与近几年的求解昂贵优化问题的算法进行对比。实验结果表明本文提出的算法相比其他算法能够获得较好解。

关键词：代理模型辅助的进化算法昂贵优化问题模型自适应选用策略多种群搜索策略

来源：评论

学校读者我要写书评

暂无评论

基于径向基函数网络模型的风力机叶片翼型优化设计

基于径向基函数网络模型的风力机叶片翼型优化设计

引用

作者：汪琳慧兰州理工大学

学位级别：硕士

风能作为一种可再生能源,越来越受到重视。风电装机容量在新能源装机总量中占有越来越大的比重。而风力机的叶片是用于捕获风能最为核心的结构部件,叶片翼型的气动性能直接影响到风力发电的效率,因此开发和设计性能更加优越的翼型具有... 详细信息

风能作为一种可再生能源,越来越受到重视。风电装机容量在新能源装机总量中占有越来越大的比重。而风力机的叶片是用于捕获风能最为核心的结构部件,叶片翼型的气动性能直接影响到风力发电的效率,因此开发和设计性能更加优越的翼型具有很大的意义和价值。现有的风力机翼型设计方法是基于计算流体力学仿真和优化算法,由于可以精确地模拟气流场,在近几年得到大量研究,但是存在计算费时、优化算法无法跳出局部最优的问题。为此,展开了风力机叶片翼型优化设计的研究,提出一种基于XFOIL数值模拟软件、类-形状函数转换(Class Shape Transformation,CST)参数化方法,径向基函数网络(Radial Basis Function Network,RBFN)模型和差分进化算法(Differential Evolution,DE)的风力机叶片翼型气动性能优化方法。主要研究内容如下: (1)径向基函数网络模型训练与管理的研究:针对优化初期,代理模型泛化能力弱的问题,提出了基于核密度估计的全局模型管理策略,并设计了信任域局部搜索。首先,在优化初期,由于样本量少,构建的RBFN模型精度较低,为此提出基于核密度估计的全局模型管理策略,向样本库不断添加最优和最不确定的候选方案,增加代理模型的全局泛化能力。之后,在信任域中展开局部搜索,提高最优解的质量。此外,提出维度学习策略,保留每一代最优解的优秀基因,防止重复搜索。最后采用一般的差分进化算法完成以上策略的闭环测试实验,结果验证了该策略的可行性和有效性。 (2)差分进化算法的研究:针对差分进化算法因收敛性和多样性不平衡而导致无法跳出局部最优解的问题,提出了融合元知识迁移和个体迁移的差分进化算法。该算法首先建立元知识池且由历代最优解不断更新。在差分进化算法进行交叉操作时,进行元知识迁移,以此提高算法的收敛性。其次,设计基于个体迁移的子种群多样性维护方案。该方案通过建立多样性子种群,在算法缺乏多样性时,从子种群中选择多样性较好的个体迁移到主种群中,以增加算法的多样性。此外,设定了自适应参数策略,提高了个体演化的随机性。最后根据测试问题进行实验仿真,实验结果从多个维度验证了该算法的有效性。 (3)基于CST参数化与XFOIL模拟软件的翼型气动性能优化:首先采用XFOIL作为气动数值模拟器,其次研究了CST参数化方法在不同的阶数下对翼型拟合精度的影响,并选择了合适的CST阶数。之后对NACA0012、S809和DU84-132V3三种风力机翼型进行CST参数化,将生成的翼型参数采用XFOIL批量计算得到对应的升力、阻力系数,建立包含样本与目标函数的样本库,通过样本库构建RBFN模型,并验证了RBFN模型的预测精度。接着,采用融合元知识迁移和个体迁移的自适应差分进化算法对三种风力机翼型参数进行优化,每次迭代产生的符合全局模型管理策略的参数,通过XFOIL计算之后加入样本库,以更新RBFN模型。最后,通过对三种经典风力机翼型的升力系数、阻力系数、升阻比等多种气动特性的对比,验证了风力机叶片翼型优化设计的有效性。

关键词：代理模型辅助的进化算法径向基函数网络模型差分进化算法风力机叶片翼型优化设计 CST参数化

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：