貝葉斯優(yōu)化
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時間：2026-01-04
貝葉斯優(yōu)化的視頻教程
優(yōu)化軟件modeFRONTIER優(yōu)化氣道流程介紹
本次直播將介紹使用優(yōu)化軟件modeFRONTIER進行發(fā)動機流動優(yōu)化的方法和注意事項，包括幾何變形方式的選取、CFD軟件的選取及集成方法、DOE/優(yōu)化算法的選擇和設(shè)置、后處理的方法等等。 課程大綱： 1. 優(yōu)化背景說明 2. 常見優(yōu)化流程 3. 軟件集成方法 4. 算法選擇及設(shè)置 5. 后處理方法及注意事項 6. 優(yōu)化案例介紹 7. 總結(jié)
免費 1小時27分鐘 635播放
查看
1-63基于matlab的生物地理的優(yōu)化器（BBO）被用作多層感知器（MLP）的訓(xùn)練器。粒子群優(yōu)化（PSO）、蟻群優(yōu)化（ACO）、遺傳算法（GA）、進化策略（ES）和基于概率的增量學(xué)習(xí)（PBIL）
基于matlab的生物地理的優(yōu)化器（BBO）被用作多層感知器（MLP）的訓(xùn)練器。粒子群優(yōu)化（PSO）、蟻群優(yōu)化（ACO）、遺傳算法（GA）、進化策略（ES）和基于概率的增量學(xué)習(xí)（PBIL）。計算了BBO-MLP、PSO、ACO、ES、GA和PBIL的分類精度并相互比較。輸出每種算法的收斂曲線和分類精度。程序已調(diào)通，可直接運行。 購買后可下載視頻中的源程序文件。
￥55.9 2分鐘 6播放
查看
貝葉斯優(yōu)化的實例教程
在本推文中介紹四類常用參數(shù)自動標(biāo)定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優(yōu)化ego方案。
單純形方案實現(xiàn)最簡單，適用于少參數(shù)，更窄的初始區(qū)間
粒子群方案，遺傳算法方案適用于多參數(shù)更大的空間適合全局搜索
ego方案相比于其余三類方案的優(yōu)勢體現(xiàn)為
EGO使用代理模型（如高斯過程回歸）來預(yù)測目標(biāo)函數(shù)，極大減少了實際函數(shù)評估次數(shù)。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態(tài)平衡比GA中盲目變異與交叉更具理論指導(dǎo)。
由于EGO最大化信息利用率，在樣本數(shù)量極少的情況下表現(xiàn)優(yōu)于GA。
當(dāng)樣本數(shù)量少，且有約束優(yōu)化時適合使用ego方法。例如在評估晶體塑性模型參數(shù)時
不過這些優(yōu)化算法經(jīng)常容易陷入局部最優(yōu)，即優(yōu)化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區(qū)間的優(yōu)化，最后使用NM方案進行小區(qū)間尋找，如果陷入局部最優(yōu)解，引入全局?jǐn)_動方案或者爆炸方法跳出局部區(qū)間重新搜索即可。
基于該思路編寫對應(yīng)的程序，實現(xiàn)參數(shù)的自動標(biāo)定過程：
這里實現(xiàn)對vpsc模型的復(fù)雜參數(shù)自動標(biāo)定；
這里使用相對復(fù)雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統(tǒng)考慮tau_0,tau_s,h_0,一共12個待標(biāo)定參數(shù)給定參數(shù)區(qū)間如下
設(shè)置最大迭代次數(shù)為2000次，初始優(yōu)化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優(yōu)化算法。
展開 采用元模型和貝葉斯推斷等技術(shù)方法進行葉輪設(shè)計優(yōu)化，其中，元模型基于拉丁超立方抽樣法（LHS）數(shù)據(jù)庫，通過高斯過程回歸（GPR）構(gòu)建。研究工作最終改善了高流速工況下的空化問題，優(yōu)化方案在設(shè)計點處揚程提高了25%，在操作范圍的其他工況點處提升更高。
若使用代理模型
，則使用各種機器學(xué)習(xí)方法進行模型建立，并利用貝葉斯優(yōu)化思想設(shè)計算法，開展基于該代理模型的采樣。
「成本函數(shù)」
對安全分析而言，直接的成本函數(shù)價值一般是危險或風(fēng)險（如最常用的TTC、THW等）；
從計算的空間范圍上看，比較常見的是一維（沿車輛行駛方向）和二維（道路空間內(nèi)）的度量方式；
算法的操作層面上，還會需要考慮對得到的無效場景進行自動化合理排除的方法。
其中，以貝葉斯優(yōu)化算法作為關(guān)鍵場景的搜索算法，做一示例，偽代碼如下圖所示：
以一個標(biāo)準(zhǔn)化測試函數(shù)（Hoelder Table）為例，初步分析一下采用貝葉斯優(yōu)化搜索方法的可行性與潛力，即是否符合上述提出的覆蓋率和效率的兩大原則。
目標(biāo)函數(shù)值在搜索空間上的分布如圖9所示，圖中用紅色線框標(biāo)出了目標(biāo)關(guān)鍵場景占據(jù)的子空間（分別在四個角的位置附近）。真值結(jié)果是通過細粒度的均勻柵格掃掠測試獲得的，用于作為基準(zhǔn)對隨機采樣和貝葉斯優(yōu)化搜索兩種方法進行對比。
圖9. Hoelder Table測試任務(wù)的真值
貝葉斯優(yōu)化（Bayesian Optimization, BO）和隨機采樣（Random）在該問題上的表現(xiàn)如圖10所示。為了降低結(jié)果的隨機性，對于每種算法我們都重復(fù)進行了10次實驗，圖中展示了10次試驗的最小值、最大值以及平均值。以90%覆蓋率作為目標(biāo)，貝葉斯優(yōu)化方法相比隨機采樣可實現(xiàn)約10倍的加速效果（50000:5000），并且重復(fù)實驗之間的方差較小，優(yōu)化算法的穩(wěn)定性更好。
圖10.
展開 若使用代理模型
，則使用各種機器學(xué)習(xí)方法進行模型建立，并利用貝葉斯優(yōu)化思想設(shè)計算法，開展基于該代理模型的采樣。
「成本函數(shù)」
對安全分析而言，直接的成本函數(shù)價值一般是危險或風(fēng)險（如最常用的TTC、THW等）；
從計算的空間范圍上看，比較常見的是一維（沿車輛行駛方向）和二維（道路空間內(nèi)）的度量方式；
算法的操作層面上，還會需要考慮對得到的無效場景進行自動化合理排除的方法。
其中，以貝葉斯優(yōu)化算法作為關(guān)鍵場景的搜索算法，做一示例，偽代碼如下圖所示：
以一個標(biāo)準(zhǔn)化測試函數(shù)（Hoelder Table）為例，初步分析一下采用貝葉斯優(yōu)化搜索方法的可行性與潛力，即是否符合上述提出的覆蓋率和效率的兩大原則。
目標(biāo)函數(shù)值在搜索空間上的分布如圖9所示，圖中用紅色線框標(biāo)出了目標(biāo)關(guān)鍵場景占據(jù)的子空間（分別在四個角的位置附近）。真值結(jié)果是通過細粒度的均勻柵格掃掠測試獲得的，用于作為基準(zhǔn)對隨機采樣和貝葉斯優(yōu)化搜索兩種方法進行對比。
圖9. Hoelder Table測試任務(wù)的真值
貝葉斯優(yōu)化（Bayesian Optimization, BO）和隨機采樣（Random）在該問題上的表現(xiàn)如圖10所示。為了降低結(jié)果的隨機性，對于每種算法我們都重復(fù)進行了10次實驗，圖中展示了10次試驗的最小值、最大值以及平均值。以90%覆蓋率作為目標(biāo)，貝葉斯優(yōu)化方法相比隨機采樣可實現(xiàn)約10倍的加速效果（50000:5000），并且重復(fù)實驗之間的方差較小，優(yōu)化算法的穩(wěn)定性更好。
圖10.
展開 1、貝葉斯優(yōu)化（BO）：通過學(xué)習(xí)優(yōu)化的智能測試
貝葉斯優(yōu)化將全量搜索場景的方法轉(zhuǎn)換成由數(shù)據(jù)驅(qū)動的智能方案，與隨機取樣等方案不同：
（1）BO方案將會預(yù)測最有可能暴露失敗風(fēng)險的新測試用例。
（2）BO方案采用替代模型Surrogate model，比如采用高斯過程Gaussian Processes，然后通過已有的數(shù)據(jù)來逼近測試場景參數(shù)與關(guān)鍵性指標(biāo)的映射目標(biāo)函數(shù)。
（3）然后結(jié)合采集函數(shù)Acquisition Function，比如通過下置信屆LCB或者期望改進EI等方法，有效平衡“探索”和“利用”之間的取舍，在有限次數(shù)測試下，有效找到目標(biāo)函數(shù)的最優(yōu)解。
2、映射目標(biāo)函數(shù)之關(guān)鍵性指標(biāo)
貝葉斯優(yōu)化依靠關(guān)鍵性指標(biāo)（KPI）決定了是否為目標(biāo)場景，aiFab中常見的KPI包括：
（1）碰撞時間TTC：決定車輛距離碰撞有多近
（2）入侵后時間PET：交通沖突后剩余時間間隔
（3）速度變化Delta-v：車輛碰撞過程中的速度變化
通過不同的KPI更新模型，我們的泛化方案能夠?qū)⒂嬎阗Y源集中在最需要的地方，從而更高效的發(fā)現(xiàn)關(guān)鍵邊緣場景，而不是在常規(guī)場景上耗費時間。
3、仿真記錄演示
為說明aiFab自適應(yīng)泛化場景，以下通過一系列仿真記錄來演示自車在不同臨界指標(biāo)下左轉(zhuǎn)的場景，每次迭代將會始終關(guān)注更為嚴(yán)苛的邊緣案例，以確保能夠發(fā)現(xiàn)潛在風(fēng)險。
原始記錄：
速度變化（Delta-v）：當(dāng)Ego車輛與 Exo1車輛進行正面高速碰撞時，通過最大化它們的速度，可以使碰撞時的 Delta-v達到最大，從而增加碰撞的嚴(yán)重性。
入侵后時間（PET）：用于評估潛在碰撞或接近碰撞的風(fēng)險，即那些可能由于交通流或信號變化而產(chǎn)生的高風(fēng)險情形。
展開 
貝葉斯優(yōu)化的相關(guān)專題、標(biāo)簽、搜索
貝葉斯優(yōu)化的最新內(nèi)容
OAS 仿真優(yōu)化來解困4小時前
OAS 光學(xué)軟件 | 菲林式投影燈案例分析
01/前言
菲林式投影燈是一種基于透鏡成像原理的投影設(shè)備，廣泛應(yīng)用于汽車迎賓、品牌標(biāo)識投射等場景，其結(jié)構(gòu)與膠片電影放映機相似，核心由聚光系統(tǒng)、菲林片載體與成像鏡頭組構(gòu)成。傳統(tǒng)設(shè)計常存在成像模糊、圖案畸變、亮度不均及雜散光干擾等問題，影響投影質(zhì)量。
02/案例描述
本案例基于 OAS 光學(xué)軟件，通過序列與非序列光線追跡
本文原刊登于Ansys.com：《Boost Your Ansys Workflow: 5 Tips for Faster, More Accurate Structural Checks》
編輯整理：邱成宇 | Ansys 高級應(yīng)用工程師
在結(jié)構(gòu)工程中，精度和效率是必須滿足的目標(biāo)。由于項目變得越來越復(fù)雜，能夠在確保符合行業(yè)標(biāo)準(zhǔn)的同時簡化工作流程，對于取得成功的結(jié)果非常關(guān)鍵。
本文將介紹使用
概述
汽車控制臂（Control Arm）是懸架系統(tǒng)的關(guān)鍵部件，其核心作用是將車輪與車架連接，并在車輛行駛過程中承受并傳遞來自車輪的多方向力和力矩。拓撲優(yōu)化的目標(biāo)是在給定的設(shè)計空間、材料和工況下，找到材料的最優(yōu)分布，使結(jié)構(gòu)在滿足多種性能要求（如剛度、強度、頻率）的同時，實現(xiàn)輕量化。
“多工況加權(quán)柔度響應(yīng)”指的是將結(jié)構(gòu)在多種不同載荷工況下的柔度（Compliance） 進行加權(quán)求和，作為拓撲優(yōu)化的目標(biāo)函數(shù)或約束條件
關(guān)鍵詞：COMSOL；U形渡槽；拓撲優(yōu)化；流固耦合
【模型信息】U形過水?dāng)嗝姘霃胶驮O(shè)計水深為3m，斷面二維效果圖如下。
圖1 U形渡槽過水?dāng)嗝?【荷載&邊界設(shè)置】耦合接口選擇層流和固體力學(xué)，耦合類型為結(jié)構(gòu)上的流體荷載，設(shè)置水流速為0.1m/s，在渡槽底面固結(jié)。
圖2 流固耦合類型設(shè)置
【優(yōu)化目標(biāo)函數(shù)設(shè)置】
摘要
光纖是現(xiàn)代光學(xué)中最通用的組件之一。它們最具價值的特性之一是能夠以極低的損耗在極遠的距離(甚至幾公里)傳輸光能。另一方面，以盡可能高效率地將光耦合到光纖中往往是一項非常微妙的工作:在其他方面，光纖耦合透鏡必須精心設(shè)計，以確保焦點與光纖的傳播模式盡可能緊密地匹配。通過快速物理光學(xué)模擬VirtualLab Fusion中的參數(shù)優(yōu)化，我們設(shè)計了一個圓錐表面的平凸透鏡，用于將光耦合到單模光纖中
摘要
光纖是現(xiàn)代光學(xué)中最通用的組件之一。它們最具價值的特性之一是能夠以極低的損耗在極遠的距離(甚至幾公里)傳輸光能。另一方面，以盡可能高效率地將光耦合到光纖中往往是一項非常微妙的工作:在其他方面，光纖耦合透鏡必須精心設(shè)計，以確保焦點與光纖的傳播模式盡可能緊密地匹配。通過快速物理光學(xué)模擬VirtualLab Fusion中的參數(shù)優(yōu)化，我們設(shè)計了一個圓錐表面的平凸透鏡，用于將光耦合到單模光纖中
現(xiàn)代塑料產(chǎn)品設(shè)計為了追求功能集成與美觀，模具結(jié)構(gòu)變得日益復(fù)雜。對嵌入件（Part Insert）而言，前處理—特別是網(wǎng)格制作—面臨巨大挑戰(zhàn)。多材質(zhì)射出成型（Multi-Component Molding，MCM）模擬最困難的地方在于不同材質(zhì)（如雙色模、金屬嵌件）之間的接觸面處理，其模擬的準(zhǔn)確度往往取決于組件交界面的處理。
以往工程師常面臨兩難：選擇非匹配網(wǎng)格（Non-matching Mesh
能源成本與可持續(xù)發(fā)展已成為企業(yè)競爭力的核心要素，作為流體自動化領(lǐng)域的全球領(lǐng)導(dǎo)者，諾冠（IMI Norgren）知道，提升閥系統(tǒng)不僅是精準(zhǔn)控制的執(zhí)行單元，更是系統(tǒng)節(jié)能的關(guān)鍵突破口，傳統(tǒng)的“恒定高壓”與粗放式控制策略，正導(dǎo)致著巨大的能量浪費。
那么如何對現(xiàn)有的提升閥系統(tǒng)進行節(jié)能優(yōu)化，讓每一帕壓力都轉(zhuǎn)化為有效動力？諾冠為您提供從核心元件到系統(tǒng)集成的全方位解答。
諾冠官網(wǎng)IMI Norgren：https
今日16:00，Ansys官方『Ansys 結(jié)構(gòu)輕量化優(yōu)化設(shè)計解決方案及案例分析』介紹Ansys Mechanical拓撲優(yōu)化仿真解決方案，以及輕量化結(jié)構(gòu)設(shè)計的工程案例分析，感興趣的下滑預(yù)約學(xué)習(xí)??
時間：5月12日（星期二），16:00-17:00
內(nèi)容簡介：
1. Ansys Mechanical 拓撲優(yōu)化仿真解決方案
2.輕量化結(jié)構(gòu)設(shè)計案例分析
講師：
（2）貝葉斯優(yōu)化對準(zhǔn)：精準(zhǔn)優(yōu)化透鏡組傾斜
透鏡組傾斜靈敏度與內(nèi)部軸向誤差強耦合，線性度差，傳統(tǒng)靈敏度方法失效。
