基于Kriging模型的全局優(yōu)化方法研究.pdf

1、源函數估值次數少是面向多領域設計分析的全局優(yōu)化算法的基本原則，而傳統(tǒng)的優(yōu)化算法難以滿足此要求?；陧憫娴娜謨?yōu)化算法使用響應面進行估值，因此可以大大減少源函數的估值次數。本文結合國家自然科學基金項目課題，對基于Kriging模型的全局優(yōu)化方法進行研究，具有研究意義和實踐價值。本文的主要工作有：
　　 首先介紹了響應面構造中較為常用的幾種實驗設計(design of experiment，DOE)方法，闡述了這些方法的原理，分析

2、比較了各自的優(yōu)缺點。
　　 分析了Kriging模型的特點和建模過程，提出了Kriging模型的增量構造方法。該方法利用已經得到的關聯(lián)矩陣的逆矩陣和新增的數據點，忽略關聯(lián)系數優(yōu)化的過程，直接進行矩陣運算，得到新關聯(lián)矩陣的逆矩陣，進而得到更新后的預測模型。大量的測試結果表明：增量方法可在損失少量精度的情況下大大縮短模型更新的時間。
　　 研究和分析了基于Kriging模型的高效全局優(yōu)化(efficient global o