买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北工业大学

摘要：本发明提供一种在设计中可减小数值噪声影响的抗噪代理优化方法，包括以下步骤：确定优化设计问题；构建样本集；建立设计变量关于目标函数的支持向量回归模型；以样本集为训练样本，进行优化，得到超参数ε的最优值；根据超参数ε的最优值，以样本集W为训练样本，构建得到ε‑Kriging代理模型；采用约束EI函数加点方法加点，直到得到满足优化设计目标的结果。本发明提供一种在设计中可减小数值噪声影响的抗噪代理优化方法，能滤除优化设计中数值噪声的影响，在保证优化效率的同时获得满足设计需求的优化结果。

主权项：1.一种在设计中可减小数值噪声影响的抗噪代理优化方法，其特征在于，包括以下步骤：步骤1，确定优化设计问题，包括设计变量、目标函数及约束函数；步骤2，构建样本集W：确定设计变量的设计空间X，在设计空间X内取样得到n个样本点x1,x2,...,xn，形成样本点集合S＝[x1,x2,...,xn]T；计算每个样本点的响应值，由此得到对应的n个响应值y1,y2,...,yn，形成响应值集合ys＝[y1,y2,...,yn]T；其中，所述样本点的响应值包括目标函数响应值和约束函数响应值；样本点集合S和响应值集合ys形成含数值噪声样本集W＝S,ys＝[x1,y1,x2,y2,...,xn,yn]T；步骤3，建立设计变量关于目标函数的支持向量回归模型SVR；以样本集W为训练样本，采用超参数优化算法对支持向量回归模型SVR的超参数进行优化，得到超参数ε的最优值；步骤4，根据超参数ε的最优值，以样本集W为训练样本，构建得到ε-Kriging代理模型；所述ε-Kriging代理模型包括设计变量关于目标函数的ε-Kriging代理模型，以及设计变量关于约束函数的ε-Kriging代理模型；设计变量关于目标函数的ε-Kriging代理模型，用于给出任意未知点x的目标函数估计值，以及目标函数估计值的均方误差估计；设计变量关于约束函数的ε-Kriging代理模型，用于给出任意未知点x的约束函数估计值，以及约束函数估计值的均方误差估计；步骤5，根据目标函数估计值、目标函数估计值的均方误差估计、约束函数估计值，以及约束函数估计值的均方误差估计构建得到EI函数；采用约束EI加点准则，在设计变量关于目标函数的ε-Kriging代理模型上，寻找使EI函数最大的待加入新样本点，获得新样本点x*；步骤6，对步骤5得到的新样本点x*进行CFD计算，得到对应的响应值，包括目标函数响应值和约束函数响应值，将新样本点x*，以及得到的目标函数响应值和约束函数响应值，形成样本，并将其加入样本集W中，得到更新后的样本集；步骤7，利用更新后的样本集重建支持向量回归模型SVR和ε-Kriging代理模型，重复步骤3到步骤6，直至达到优化收敛标准，得到满足优化设计目标的结果。

全文数据：

权利要求：

百度查询： 西北工业大学 一种在设计中可减小数值噪声影响的抗噪代理优化方法