本发明涉及人工智能,特别涉及一种基于克里金模型的自适应并行采样方法。
背景技术:
1、基于数据驱动所构建的代理模型,是工程设计优化及系统决策的有效手段,尤其针对计算密集型仿真模型的高计算成本问题,代理模型业已成为解决此类问题的有效途径。其中,克里金(kriging)模型因其具有良好的全局近似性能、较低的计算量等优点,在工程设计和优化领域备受关注。由此,鉴于实际中有限的计算资源,选择有效的样本点并减少预测均值和方差估计的计算耗时,开发设计基于克里金模型的自适应采样策略成为当前研究的焦点。
2、克里金模型的构建需要有效且足够多的离散数据点,而现有的自适应采样方法多为串行计算结构,即在每一次迭代中仅选取一个更新点进行实验或仿真计算,然后利用更新点的真实值或模拟结果来更新代理模型,继而进行下一次迭代并选取下一个更新点,以此执行迭代循环直到满足设定的收敛标准。然而,在当前的工程设计领域,基于克里金模型的设计优化通常涉及耗时的仿真计算。若采用串行计算结构的序列采样方法,则基于克里金全局近似模型的构建,将是一项极其耗时和资源密集型的过程,且该方法的计算耗时还会随着项目的规模和复杂性而迅速增加。因此,构建自适应“并行”采样策略,即在一次迭代过程中选取多个更新点,并充分利用已有的计算机资源换取计算时间,解决代理模型构建过程中的仿真计算耗时问题,显得十分必要。
技术实现思路
1、针对采用串行计算结构序列采样方法来构建代理模型,所涉及的实验或仿真计算耗时问题,本发明提出了一种基于克里金模型的自适应并行采样方法,实现单次迭代获得多个潜力更新点的目的,以提高克里金模型的采样和建模效率。
2、本发明提出了一种基于克里金模型的自适应并行采样方法,该方法包括以下步骤:
3、步骤1、在设计空间内采用均匀抽样方法获得初始样本集,并通过“昂贵”函数(或实验手段)获得,或通过模拟仿真计算解得初始样本的响应值(称为真实响应值),再由初始样本集及其响应值拟合构建初始克里金模型;
4、步骤2、评估克里金模型的近似精度,或其他满足设计要求的收敛标准,若符合收敛标准,则输出最终的克里金模型,代理模型的构建过程结束,否则继续执行;
5、步骤3、通过最大化单点序列采样准则,获得当前并行采样迭代循环的第一个新增样本点,同时使用当前拟合构建的克里金模型预测该新增样本点的响应值,将该新增样本点及其响应值与原样本集合并,记为x0,并计算该更新样本集的交叉验证误差,记为ecv1;
6、步骤4、通过最大化并行采样准则,获得当前并行采样迭代循环的第二个新增样本点,同时使用当前拟合构建的克里金模型预测该新增样本点的响应值,将该新增样本点及其响应值与x0合并,记为xtemp,并计算该更新样本集的交叉验证误差,记为ecv2并计算该样本点的交叉验证误差;
7、步骤5、比较ecv1和ecv2的大小关系,若ecv1大于ecv2,且当前迭代循环采集的新增样本总数不大于设定的阈值,则返回执行步骤4,同时采集的新增样本点序号累计加1,否则终止并跳出步骤4执行步骤6;
8、步骤6、将步骤4和步骤5获得的新增样本点(x0或xtemp中的新增样本),通过“昂贵”函数(或实验手段)获得,或通过模拟仿真计算解得其真实响应值,并完成样本集的更新,再由该更新完的样本集拟合构建克里金模型,即实施克里金模型的更新,并返回步骤2。
9、与现有技术相比,本发明提出的基于克里金模型的自适应并行采样方法,充分利用有限的计算机资源,解决了单次迭代挖掘多个潜力更新点的目的,极大地提高了采样或建模效率。同时,该方法为基于代理模型的多变量多目标的工程问题,实现快速设计优化,及其他系统工程的快速决策问题,提供了切实可行的技术措施。
1.一种基于克里金模型的自适应并行采样方法,其特征在于,该方法包括以下步骤: