混合優(yōu)化策略的必要性

全局算法具有全局搜索最優(yōu)的能力，但其缺點是優(yōu)化效率低；梯度優(yōu)化算法雖然優(yōu)化效率高，但其缺點是對于復雜的優(yōu)化模型往往會陷入局部最優(yōu)解。為了快速的獲得高精度的全局最優(yōu)解，我們可以組合兩類優(yōu)化算法，就可以既發(fā)揮全局算法的全局性，同時又兼顧了數(shù)值算法的高效性。

DOE抽樣與梯度優(yōu)化混合策略

首先應用DOE組件在設計空間均勻采樣，捕捉整個設計空間中最有效的設計區(qū)域，然后應用參數(shù)化模塊在有效設計區(qū)域中進行優(yōu)化設計，最終獲得最佳設計結果。

 

全局優(yōu)化和梯度優(yōu)化組合

首先應用全局優(yōu)化算法定位目標極值在設計空間中所處的區(qū)域，再應用梯度優(yōu)化算法對該區(qū)域進行精確尋優(yōu)，最終獲得最佳設計結果。

• 發(fā)揮了全局優(yōu)化算法在整體設計空間遍歷方面的優(yōu)勢，能夠快速對設計敏感區(qū)域定位

• 僅用全局算法進行粗略定位，避免了全局算法在細節(jié)優(yōu)化方面的低效率問題

• 發(fā)揮了梯度優(yōu)化算法在局部優(yōu)化方面的優(yōu)勢

• 避免了梯度優(yōu)化算法在高度非線性或離散設計空間中直接尋優(yōu)帶來的誤導

 

基于近似模型更新的全局優(yōu)化

首先建立局部設計空間的近似模型，并在近似模型上進行優(yōu)化計算，獲得局部最優(yōu)的估計值，并通過驗證計算不斷更新近似模型位置繼續(xù)優(yōu)化，最終獲得全局最優(yōu)解；基于近似模型更新的全局優(yōu)化策略適用于非線性設計空間以及單次計算耗時較長的問題，而不適用于不連續(xù)、非凸或高度約束的設計空間。

 

基于Pointer-2智能算法的策略

Pointer-2算法只能讓Isight軟件自動選擇最佳優(yōu)化算法進行組合優(yōu)化設計。

算法適用于多數(shù)線性及非線性設計空間，以及連續(xù)與不連續(xù)設計空間。同時也適用于解決單次計算耗時較長的問題。

下面用DOE抽樣與梯度優(yōu)化混合策略為例簡述這一優(yōu)化方法

輸入文件及模型放在同一目錄下：

Isight優(yōu)化模型如下：

求min z=20+x.^2+y.^2-10*(cos(0.4*pi*x)+cos(0.4*pi*y))

其中：-5≤x≤5；-5≤y≤5

這是一個多峰多谷問題，理論最優(yōu)解為：x=0，y=0，z=0.

導入Excel文件，設置輸入、輸出：

設置任務為混合優(yōu)化策略，DOE和Optimization：

設置DOE抽樣方法、樣本數(shù)、變量、響應：

設置Optimization算法、變量、目標：

數(shù)據(jù)流如下：

混合策略流程結構如下：

運行計算任務，DOE抽樣計算結果如下：

Optimization將DOE的最優(yōu)解作為優(yōu)化的初始位置點：

最終求解的最優(yōu)解為：

x=2.41E-6，y=6.33E-6，z=4.1E-10.

與理論最優(yōu)解x=0，y=0，z=0一致。

x，y，z 解算歷程如下：

結果表明混合策略是成功的，達到了預期的效果。

下載地址：iSIGHT工程優(yōu)化實例分析