1.基于神经网络对抗迁移学习的高维可靠性设计优化方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法,其特征在于,在s1中,基于可靠性的设计优化(rbdo),其数学公式可以表示为:
3.根据权利要求1所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法,其特征在于,在s2中,初始设计点所在的样本空间及其分布定义为源域,优化设计点所在样本空间及其分布定义为目标域,源域训练样本定义为从源域中收集的个源域样本点,其中,、;在源域训练样本的基础上构建前馈神经网络(fnn),表示为:
4.根据权利要求1所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法,其特征在于,在s3中,假设初始设计点的均值为,首先在源域根据输入变量的pdf随机采样出个源域训练样本,通过约束函数计算出个源域训练样本的真实响应,即:
5.根据权利要求4所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法,其特征在于,在s4中,根据s3采样出的个源域训练样本及其真实响应,构建标准的前馈神经网络(fnn)如下:
6.根据权利要求5所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法,其特征在于,在s5中,采用s4中构建好的标准的前馈神经网络(fnn)对个源域mcs样本的响应进行预测,即:
7.根据权利要求6所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法,其特征在于,在s6中,获取失效概率的敏感性信息,并确定一阶打分函数为:
8.根据权利要求7所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法,其特征在于,在s7中,使用s6中的一阶打分函数对s6得到的目标域分布信息进行随机敏感性分析,并检查是否收敛;如果收敛则优化设计结束,提前计算优化参数;否则更新设计,根据目标域的分布产生个mcs样本。
9.根据权利要求8所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法,其特征在于,在s8中,领域对抗神经网络darnn模型的构建为:
10.根据权利要求8所述的基于神经网络对抗迁移学习的高维可靠性设计优化方法,其特征在于,在s8中,根据个源域mcs样本及其预测响应和个目标域mcs样本训练所搭建的darnn模型,并直接预测出个目标域mcs样本的响应,