多级代理模型在仿真优化中的应用

"基于多级代理模型的优化算法 (2008年)"，这篇文章是2008年8月发表在《南京航空航天大学学报》上的工程技术论文，作者包括王琦、丁运亮和陈吴。研究主要关注在仿真优化过程中如何处理高精度仿真模型的难题，提出了一种结合全局和局部代理模型的多级代理模型方法，并将其应用于仿真优化算法。 正文: 在实际的仿真优化问题中，建立精确的仿真模型往往是一项挑战，因为这通常需要大量的计算资源和时间。针对这一问题，文章提出了一个创新的解决方案——多级代理模型。这个模型由全局代理模型和局部代理模型两部分构成，旨在平衡精度和计算效率。 全局代理模型利用Kriging近似理论构建。Kriging是一种统计学方法，通过在已知数据点之间建立数学关系，来估计未知区域的值。这种方法可以提供在整个搜索空间内的平均行为预测，有助于理解系统的大范围趋势。 同时，局部代理模型采用径向基函数(Radial Basis Function, RBF)神经网络建立。RBF神经网络以其快速的学习能力和对非线性问题的良好适应性而被广泛使用。在局部区域，它能更精确地捕捉仿真模型的细节变化，从而补充全局代理模型可能存在的精度不足。 在仿真优化过程中，这两种代理模型不是一次性构建后就固定不变，而是根据优化迭代进行在线更新。这种动态更新机制使得代理模型能够随着优化过程的推进不断适应模型的变化，提高了算法的适应性和鲁棒性。 通过具体的算例验证，文章展示了多级代理模型的优越性。实验结果证明，这种多级模型不仅具有优秀的逼近能力，即能够准确地模拟复杂的仿真过程，而且所提出的基于多级代理模型的仿真优化算法在解决优化问题时表现出良好的鲁棒性，即算法对初始条件或参数变化的敏感度较低，以及优秀的寻优性能，即能找到接近最优解的解决方案。 这篇论文贡献了一种新的优化策略，它有效地解决了仿真优化中的精度和效率问题，为复杂工程问题的优化提供了有价值的工具。其理论和实践意义在于，通过多级代理模型的构建和在线更新，可以在保持较高优化质量的同时，显著减少计算成本，这对于需要大量计算的工程和科研领域具有重要意义。