基于Kriging代理模型的序列优化.pdfVIP

第?卷第?期 计算机与应用化学 V01??31??No??11 ??年?月?日 Computers and Applied Chemistry ???? ?，? ? ????Kriging?????????????????? ??????????????+?????? ?6ɡ砉ご笱Щ?す?滔冉?刂坪陀呕?际踅逃?恐氐闶笛槭遥?虾＃???? ??????Kriging?????????????????????????????????????????????????????????????????????????????????????????????????? ?????????????????????????????????????????????????Kriging????????????????????????????????????????????DH???????? ??????????????????????????????????????????????????????????????????Kriging???????????????? ????????Kriging????????????????DH???????????? ????????????TP301 ????????????A 文章编号：???????????—?? DoI??lO??11719??corn??app??che 1 引言 但仿真模型的非线性和多峰性，以及这个准则没有考虑 到预测值的不确定性，使之容易陷入局部最优。最大化 人们受到自然界各种物理现象的启发，提出了许多 ????????(expected????????点准则??是考虑预 解决复杂优化问题的方法，如遗传算法、模拟退火算法、 测值和预测方差加权的一种加点方法，但是此类准则没 蚁群算法、蜂群算法等。与传统的基于梯度信息的优化 有充分考虑到预测值和实际值的偏差，该准则表征模型 算法相比，上述算法具有很好的鲁棒性、全局性和并行 所需迭代插值点的特征相对较弱，导致最终序列优化算 性，并在多峰值的非线性函数优化问题中得到了成功的 法收敛的速度相对较慢。本文基于?准则的加权思想， 应用。但是这些算法的最大特点是收敛速度慢，需要对 提出了一种新的加点准则：?最大点插值准则。?最 目标函数进行大量的评估。如果目标函数评估的方法比 大点插值准则中的?数值是预测偏差和预测均方差的 较耗时，则计算量巨大，严重制约了其在工业工程中的 加权值，这种插值方法不仅兼顾了有哪些信誉好的足球投注网站模型预测值同实 应用。为了克服上述全局优化算法的这个缺点，人们采