.png){kind=icon}
返回
Robust design optimization with gradient-based surrogates and adaptive sampling
.png){kind=icon}
PRE
AI
DOI：10.1007/s00158-025-04110-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
解决涉及不确定性的工程设计问题，对于高保真模型而言，由于需要进行昂贵模拟的采样以估计输出统计量，往往因计算成本过高而难以处理。我们提出了一种基于代理模型的方法，用于高效求解涉及高保真模拟输出集成统计矩的约束鲁棒设计优化问题。类似于多保真度确定性优化技术，该方法通过根据优化器收敛程度提高采样率，逐步提升统计矩的精度。优化过程和统计积分均利用了在设计与不确定参数空间上构建的分区单位、梯度增强代理模型。我们还开发了一种最优性误差估计及其对应的自适应采样算法，该算法在每个设计周期结束时用于提高代理模型的精度，进而提升统计矩的精度。我们将该方法应用于多种分析基准不确定性约束优化问题，结果表明，与无代理模型、单保真度方法相比，该方法在达到局部最小值时效率更高。此外，我们还应用该方法于涉及激波-边界层相互作用的鲁棒优化问题，其中每个样本都需要求解完全耦合的气动结构分析。
期刊
IF:
4
论文数:
4.9K
被引数:
1.7W
机构
引用论文
分享收藏Taking the Human Out of the Loop: A Review of Bayesian Optimization将人类带出循环: 贝叶斯优化的回顾.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏
查看更多内容