【技術實現步驟摘要】
本專利技術涉及工程設計領域，具體涉及一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法。
技術介紹
1、工程設計中，在設定好工程參數后，便可以獲取與工程參數具有函數關系的性能參數，相同的工程參數根據不同的函數關系可以獲取不同的性能參數。而工程優化則一般是指選定一個性能參數作為目標性能參數(工程參數與該目標性能參數對應的函數關系則為目標函數)，在設定工程約束條件后，尋找滿足工程約束條件且目標性能參數最優的工程參數，該工程參數即為目標性能參數對應的最優工程參數。
2、工程約束條件中，一般包括工程參數約束條件和性能參數約束條件，其中性能參數約束條件是指對某些非目標性能參數的性能參數的約束條件，這些非目標性能參數的性能參數在本文中稱為約束性能參數。
3、由于貝葉斯優化算法的求解代價較低，其已被廣泛應用于求得最優工程參數。采集函數是貝葉斯優化的核心組成成分，是根據后驗概率分布構造的通過最大化采集函數來選擇下一個最有“潛力”的評估點。一般來說，新增樣本點的選擇基本遵循“全局探索”與“局部開發”這兩個基本策略。全局探索的目標是探索預測誤差較大的位置，保證代理模型在整個設計空間的全局精度。另一個是局部開發，目標是通過開發當前最優點附近的區域，從而確保當前已知最具“吸引力”的區域具有足夠高的局部精度。
4、但由于約束性能參數與目標性能參數同屬于工程參數的因變量，故傳統的貝葉斯優化算法在處理一些工程約束條件中包括工程參數約束條件和性能參數約束條件的優化問題時，可能會產生設計空間出現不可行域的問題，該問題是
5、為此，現有技術中對貝葉斯優化算法中的采集函數進行調整，并且通過引入懲罰值p，從而使上次迭代采集的工程參數對應的約束性能參數在不滿足性能參數約束條件時，能夠被懲罰，一定程度上避免了設計空間出現不可行域的問題。(參見：yan?c,du?h,kange,etal.avei-bo:an?efficient?bayesian?optimization?using?adaptively?variedexpected?improvement[j].structural?and?multidisciplinary?optimization,2022,65(6):164.)
6、然而該現有技術依然存在一些改進的空間。
技術實現思路
1、本專利技術的目的在于克服
技術介紹
中存在的上述缺陷或問題，提供一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，其有利于避免產生設計空間出現不可行域的問題。
2、為達成上述目的，本專利技術采用如下技術方案：
3、第一技術方案涉及一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，用于在工程約束條件下使與工程參數具有函數關系的目標性能參數最優，其至少包括迭代實施的采樣過程，所述采樣過程包括基于工程參數樣本集中所有工程參數及相應的目標性能參數構造高斯過程模型獲取后驗均值與后驗方差的步驟、構造采集函數的步驟、最大化采集函數以決定采樣的工程參數的步驟、基于被決定采樣的工程參數獲得相應的目標性能參數的步驟和更新工程參數樣本集的步驟；其中，所述工程約束條件包括對工程參數進行約束的工程參數約束條件和對約束性能參數進行約束的性能參數約束條件，每次采樣過程中，還包括基于工程參數樣本集中所有工程參數及相應的約束性能參數構造高斯過程模型獲取后驗均值和后驗方差的步驟以及基于被決定采樣的工程參數獲得相應的約束性能參數的步驟，所述采集函數被構造為：
4、
5、其中：
6、ytarget(k)＝ymin(k)-dik
7、
8、
9、以上公式中：
10、k為迭代序號，其取值范圍為大于等于1的自然數；
11、wk為第k次迭代時的自適應權重系數；
12、ytarget(k)為第k次迭代時的性能參數自適應目標值；
13、為第k次迭代時目標性能參數對應的高斯過程模型得到的后驗均值；
14、sk(x)為第k次迭代時的后驗均方差，其為目標性能參數對應的高斯過程模型得到的后驗方差開方后的值；
15、φ()為標準正態分布的分布函數；
16、φ()為標準正態分布的密度函數；
17、ymin(k)為第k次迭代前基于所有已采樣工程參數獲得的性能參數中最優的性能參數值；
18、yreal(k-1)為第k-1次迭代時基于被決定采樣的工程參數獲得相應的性能參數；
19、c為懲罰值；
20、k為約束性能參數的個數；
21、pwevki為第k次迭代中第i個約束性能參數對應的懲罰考量值；
22、twevi為第i個約束性能參數對應的的懲罰判斷閾值，其可人為設定；
23、μwevki(x)為第k次迭代中第i個約束性能參數對應的預測值，其為第k次迭代中第i個約束性能參數與所有工程參數對應的高斯過程模型得到的后驗均值；
24、σwevki(x)為第k次迭代中第i個約束性能參數對應的預測誤差，其為第k次迭代中第i個約束性能參數與所有工程參數對應的高斯過程模型得到的后驗方差；
25、a,b,c為人為設定的值，且a<b,c>0。
26、第二技術方案基于第一技術方案，其中，各個約束性能參數對應的懲罰判斷閾值twevi相同。
27、第三技術方案基于第二技術方案，其中，各個約束性能參數對應的懲罰判斷閾值twevi取值為0.01。
28、第四技術方案基于第一技術方案，其中，其特征在于，a的取值為0.05，b的取值為2，c的取值為10％。
29、第五技術方案基于第一技術方案，其中，在迭代實施的采樣過程前還包括：獲取初始工程參數樣本集的步驟。
30、第六技術方案基于第五技術方案，其中，所述迭代實施的采樣過程在達到迭代終止條件后終止迭代；終止迭代后，工程參數樣本集中，滿足工程約束條件且目標性能參數最優的工程參數為最優工程參數。
31、第七技術方案基于第六技術方案，其中，所述迭代終止條件包括迭代次數達到預設值。
32、由上述對本專利技術的描述可知，相對于現有技術，本專利技術具有的如下有益效果：
33、本申請的優化方法基于avei-bo，其在每次迭代中，基于工程參數樣本集中所有工程參數及相應的約束性能參數構造高斯過程模型獲取后驗均值和后驗方差后，將其分別視為預測值和預測誤差并據此獲得懲罰考量值，而后將懲罰考量值與懲罰判斷閾值進行比較，從而判斷在本次迭代中是否對采集函數進行懲罰，有利于阻止優化方法對不可行區域的進一步探索，不可行區域指工程參數對應的約束性能參數不滿足性能參數約束條件的區域，從而提升本申請優化方法的優化能力。
本文檔來自技高網...【技術保護點】
1.一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，用于在工程約束條件下使與工程參數具有函數關系的目標性能參數最優，其至少包括迭代實施的采樣過程，所述采樣過程包括基于工程參數樣本集中所有工程參數及相應的目標性能參數構造高斯過程模型獲取后驗均值與后驗方差的步驟、構造采集函數的步驟、最大化采集函數以決定采樣的工程參數的步驟、基于被決定采樣的工程參數獲得相應的目標性能參數的步驟和更新工程參數樣本集的步驟；其特征在于，所述工程約束條件包括對工程參數進行約束的工程參數約束條件和對約束性能參數進行約束的性能參數約束條件，每次采樣過程中，還包括基于工程參數樣本集中所有工程參數及相應的約束性能參數構造高斯過程模型獲取后驗均值和后驗方差的步驟以及基于被決定采樣的工程參數獲得相應的約束性能參數的步驟，所述采集函數被構造為：
2.如權利要求1所述的一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，其特征在于，各個約束性能參數對應的懲罰判斷閾值twevi相同。
3.如權利要求2所述的一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，其特征在于，各個
4.如權利要求1所述的一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，其特征在于，a的取值為0.05，b的取值為2，c的取值為10％。
5.如權利要求1所述的一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，其特征在于，在迭代實施的采樣過程前還包括：獲取初始工程參數樣本集的步驟。
6.如權利要求5所述的一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，其特征在于，所述迭代實施的采樣過程在達到迭代終止條件后終止迭代；終止迭代后，工程參數樣本集中，滿足工程約束條件且目標性能參數最優的工程參數為最優工程參數。
7.如權利要求6所述的一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，
...【技術特征摘要】
1.一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，用于在工程約束條件下使與工程參數具有函數關系的目標性能參數最優，其至少包括迭代實施的采樣過程，所述采樣過程包括基于工程參數樣本集中所有工程參數及相應的目標性能參數構造高斯過程模型獲取后驗均值與后驗方差的步驟、構造采集函數的步驟、最大化采集函數以決定采樣的工程參數的步驟、基于被決定采樣的工程參數獲得相應的目標性能參數的步驟和更新工程參數樣本集的步驟；其特征在于，所述工程約束條件包括對工程參數進行約束的工程參數約束條件和對約束性能參數進行約束的性能參數約束條件，每次采樣過程中，還包括基于工程參數樣本集中所有工程參數及相應的約束性能參數構造高斯過程模型獲取后驗均值和后驗方差的步驟以及基于被決定采樣的工程參數獲得相應的約束性能參數的步驟，所述采集函數被構造為：
2.如權利要求1所述的一種采用變期望懲罰的有約束貝葉斯優化算法優化工程參數的方法，其特征在于，各個約束性能參數對應的懲罰判斷...
【專利技術屬性】
技術研發人員：閆成，向瀾，陳競偉，夏佳豪，廖乃冰，楊樺彤，
申請(專利權)人：廈門大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。