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:S1.根据原始物理模型的参数输入以及极限面状态方程搭建基于可靠性的设计优化算法,并定义可靠性分析需要计算的可靠性;
S2.在训练样本的基础上构建一个前馈神经网络,用于预测测试样本的响应;其中,将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多个源域训练样本点;
S3.源域随机采样;其中,假设初始设计点的均值,首先在源域根据输入变量的PDF随机采样出多个源域训练样本,通过约束函数计算出多个源域训练样本的真实响应;然后在源域根据输入变量的PDF随机采样出多个源域MCS样本用于后续在源域进行可靠性分析;
S4.根据S3采样出的多个源域训练样本及其真实响应,构建标准的前馈神经网络;
S5.计算源域概率约束的失效概率;采用S4中构建好的标准的前馈神经网络对源域的多个源域MCS样本的响应进行预测,并计算每一个概率约束的失效概率;
S6.获取失效概率的随机敏感性信息,并确定一阶打分函数;将源域失效概率及其随机敏感性信息和预设的高维目标函数送入优化器,获得目标域的分布信息;
S7.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多个目标域MCS样本,并进入下一步;
S8.构建领域对抗神经网络DARNN模型,根据多个源域MCS样本及其预测响应和多个目标域MCS样本训练DARNN模型,直接预测出多个目标域MCS样本的响应并使用S1中所定义的可靠性算法进行可靠性分析,同时使用S6中的一阶打分函数进行随机敏感性分析;
S9.检查是否收敛;如果收敛则优化设计结束,输出优化参数;如果不收敛则回到S7,并将上一个目标域的失效概率及其随机敏感性信息和目标函数放入优化器获得下一个目标域的分布信息,并重复上述过程,直到达到优化器的收敛条件为止;
其中,在S1中,基于可靠性的设计优化RBDO,其数学公式表示为:其中,
可靠性分析中需要计算的可靠性定义为:
其中,
由于随机输入
其中,在S2中,初始设计点所在的样本空间及其分布定义为源域其中,
其中,在S3中,假设初始设计点的均值为
其中,
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S4中,根据S3采样出的其中,
3.根据权利要求2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对并计算每一个概率约束的失效概率
4.根据权利要求3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,获取失效概率取失效概率关于第
根据莱布尼茨微分法则,积分算子和微分算子能够进行互换,公式(8)能够写为:将源域失效概率及其随机敏感性信息和预设的高维目标函数送入优化器,获得目标域
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
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S8中,领域对抗神经网络DARNN模型的构建为:模型的输入空间由
将提取的特征
特征提取器
其中,输出值估计的回归损失定义如下:
域分类的损失定义如下:
其中,训练后的特征提取器
参数
其中,
DARNN模型采用梯度下降GD算法进行训练,通过神经网络的对抗训练解决优化问题;其参数的更新值计算如下:其中,
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S8中,根据其中,
并进行S1中所定义的可靠性分析,同时使用S6中的一阶打分函数进行随机敏感性分析。