【摘要】：本論文主要針對采用多源響應(yīng)信息進行構(gòu)建代理模型、序列全局最優(yōu)設(shè)計與多學(xué)科系統(tǒng)動態(tài)資源配置三大難題,對融合多源響應(yīng)信息進行基于仿真的復(fù)雜系統(tǒng)優(yōu)化設(shè)計而進行了研究。首先基于高斯隨機過程提出了多種非層次型多模型融合方法,用來整合多個相互競爭的仿真模型與少數(shù)昂貴的實驗測量數(shù)據(jù),實現(xiàn)了建立高效且準確的響應(yīng)預(yù)測模型。每種新提出的方法均采用不同的構(gòu)架與假設(shè)來描述仿真模型與實驗測量之間的關(guān)系。第一種方法將真實目標響應(yīng)表示為所有仿真模型的線性加權(quán)和,并且加上一個殘余偏差函數(shù);另外兩種方法將真實目標響應(yīng)表示為單個仿真模型與它對應(yīng)的偏差函數(shù)之和,它們的不同點在于假設(shè)響應(yīng)偏差函數(shù)具有不同的統(tǒng)計屬性:與真實響應(yīng)相互獨立,或者與仿真模型共用空間相關(guān)函數(shù)。算例研究表明,在多模型融合中考慮額外的響應(yīng)數(shù)據(jù)(盡管低精度)往往能夠改善代理模型的預(yù)測性能。與已有的層次型方法相比,新提出的非層次型方法能夠靈活地處理各種復(fù)雜的模型精度情況,并且三種新方法的均值與整體預(yù)測性能都非常接近。其次,針對多模型融合的情況,提出了兩種面向目標的序列采樣策略,實現(xiàn)了使用非層次型多級精度模型進行序列全局最優(yōu)設(shè)計。其中,統(tǒng)一序列采樣策略利用仿真模型之間的后驗相關(guān)性作為預(yù)測精度的判斷準則,提出了一種新的拓展期望改進函數(shù),能夠同時確定新樣本的輸入位置以及評估模型;而兩階段序列采樣策略首先采用最大化原始期望函數(shù)確定新樣本的輸入位置,然后采用預(yù)后驗分析方法對仿真模型的功效進行預(yù)測,選取出新樣本的響應(yīng)評估模型。算例研究表明,新提出的兩種序列采樣策略靈活地均衡不同仿真模型的預(yù)測精度與計算費用,不僅能夠以消耗更少的計算資源尋得全局最優(yōu)解,并且提供了具有更好預(yù)測性能的最終響應(yīng)代理模型。最后,提出了一種序列策略將多學(xué)科復(fù)雜系統(tǒng)的資源配置問題分解為多個決策過程,通過動態(tài)添加設(shè)計資源以實現(xiàn)降低系統(tǒng)響應(yīng)的累積認知不確定性。采用多模型融合方法對學(xué)科子系統(tǒng)模型進行誤差校正,并且量化它們的模型認知不確定性;提出高效的多學(xué)科不確定性傳播與統(tǒng)計靈敏度分析方法,為選取新填充樣本的輸入位置與學(xué)科響應(yīng)提供決策信息;利用樣本之間的相關(guān)性來保證新填充樣本在設(shè)計空間內(nèi)足夠稀疏;采用預(yù)后驗分析方法選取所需配置資源的類型。算例研究表明,通過添加計算機仿真數(shù)據(jù),絕大多數(shù)系統(tǒng)響應(yīng)的累積認知不確定性都能得到有效的降低,僅需在少數(shù)情況下需要添加昂貴的物理實驗數(shù)據(jù),從而極大地提高了設(shè)計資源的利用率。通過設(shè)計資源的動態(tài)配置過程,新方法能夠逐步檢測到設(shè)計者可能由于缺乏先驗知識而忽略的耦合變量輸入?yún)^(qū)域,具有較強的空間探索能力。
【圖文】：

圖 1.1 代理模型的一般構(gòu)建過程構(gòu)建代理模型的一般步驟如圖 1.1 所示，，主要分為三步：(1)采用試驗設(shè)計方法在設(shè)計空間內(nèi)選取一定數(shù)量的樣本點；(2)采用高精度的仿真模型對所選取的樣本點進行響應(yīng)評估；(3)采用某種數(shù)學(xué)擬合或者插值方法構(gòu)建這些樣本點輸入與輸出數(shù)據(jù)之間的

本文章節(jié)的組織框架圖
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP202

【參考文獻】

相關(guān)期刊論文 前9條

1 陳堅強;張益榮;張毅鋒;陳亮中;;高超聲速氣動力數(shù)據(jù)天地相關(guān)性研究綜述[J];空氣動力學(xué)學(xué)報;2014年05期

2 Huang Likeng;Gao Zhenghong;Zhang Dehu;;Research on multi-fidelity aerodynamic optimization methods[J];Chinese Journal of Aeronautics;2013年02期

3 蘭鳳崇;鐘陽;莊良飄;陳吉清;方舟;;基于自適應(yīng)響應(yīng)面法的車身前部吸能部件優(yōu)化[J];汽車工程;2010年05期

4 王紅濤;竺曉程;杜朝輝;;改進EGO算法在跨聲速翼型氣動優(yōu)化設(shè)計中的應(yīng)用[J];上海交通大學(xué)學(xué)報;2009年11期

5 高月華;張崎;王希誠;;基于Kriging模型的汽輪機基礎(chǔ)動力優(yōu)化設(shè)計[J];計算力學(xué)學(xué)報;2008年05期

6 丁彥闖;兆文忠;;基于Kriging模型的焊接構(gòu)架抗疲勞優(yōu)化設(shè)計[J];大連交通大學(xué)學(xué)報;2008年02期

7 龔春林;袁建平;谷良賢;茍永杰;;基于響應(yīng)面的變復(fù)雜度氣動分析模型[J];西北工業(yè)大學(xué)學(xué)報;2006年04期

8 任旭春;姚振漢;;輪胎胎冠形狀優(yōu)化的自適應(yīng)序列響應(yīng)面法[J];清華大學(xué)學(xué)報(自然科學(xué)版);2006年05期

9 穆雪峰,姚衛(wèi)星,余雄慶,劉克龍,薛飛;多學(xué)科設(shè)計優(yōu)化中常用代理模型的研究[J];計算力學(xué)學(xué)報;2005年05期

本文編號：2563850