【摘要】：基于Kriging模型的参数优化方法目前主要有两种：直接优化和迭代优化。直接优化是直接利用实验设计样本及其响应值构建Kriging代理模型，并检验模型的精度，当满足精度要求之后，便直接用此代理模型作为真实模型进行优化设计。Kriging代理模型实际上是一种拟合插值技术，因此提高构建模型是的样本点数目可以有效提升模型的精确度。
基于Kriging模型的参数优化方法目前主要有两种：直接优化和迭代优化。直接优化是直接利用实验设计样本及其响应值构建Kriging代理模型，并检验模型的精度，当满足精度要求之后，便直接用此代理模型作为真实模型进行优化设计。这种优化方法过程中只需构建一次代理模型，并且不需要提高模型的近似精度。由于模型肯定存在一定的近似误差，所以基于该模型所优化得到的结果也会存在误差［78］。此外，该方法对初始是实验设计的样本依赖性很强，在对象问题未知的情况下，初始实验设计样本的数目也是难以确定。
Kriging代理模型实际上是一种拟合插值技术，因此提高构建模型是的样本点数目可以有效提升模型的精确度。不同于直接优化方法，迭代优化是考虑预测值和预测方差的基础上不断增加样本数量，提高近似模型的精度，同时进行序列优化设计的方法。迭代优化方法的优化流程如图9-5所示，首先是根据初始实验设计样本构建代理模型，选择合适的优化算法［79-81］和加点准则进行优化设计，之后检验收敛准则。如满足收敛准则要求，则优化结束，得到对象问题的最优解；反之，则是将此次优化得到的解加入样本库中重新构建代理模型并进行下一次序列优化。该方法在优化过程中可以不断提高代理模型的精度，并且通过合适的加点准则可以很好的提高优化结果的全局性，对初始样本的依赖性也有所降低。
图9-5 基于Kriging模型的迭代优化流程
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
