1.一种基于全局与局部代理模型辅助的双区域协同优化方法,其特征在于,包括:通过拉丁超立方抽样方法在设计空间的上下界内进行取样以获得初始种群样本点,设计空间内包括多个设计变量,设计变量包括角钢边长整数设计变量以及节点高度连续设计变量,通过优化目标评估函数评估初始种群样本点的适应度值以形成初始样本种群,初始样本种群包括多个系列,每一序列包括设计空间内所有设计变量的取值;
基于径向基函数代理模型对历史有潜力区域进行局部搜索以定位历史高潜力区域,根据历史高潜力区域确定历史最优解,将所述历史最优解进行真实函数评估并结合可行性规则更新种群及历史最优解的位置;根据径向基函数代理模型的预筛选策略并结合历史最优解的位置进行全局预筛选以得到全局最优解,根据全局最优解更新种群及全局最优解位置,根据全局最优解位置定位全局的可能有潜力区域;
基于高斯过程代理模型对当前可能有潜力区域进行局部搜索以定位当前高潜力区域,根据当前高潜力区域确定当前最优解,将所述当前最优解进行真实函数评估并结合可行性规则更新种群及当前最优解的位置,根据高斯过程代理模型的预筛选策略并结合当前最优解的位置搜索不连通的可行区域以得到全局最优解,根据全局最优解获得设计空间内所有设计变量的取值以获得优化后的桁架平面结构;
判断优化后的桁架平面结构是否同时满足所有节点最大位移约束以及结构总质量降低;
若否,则返回执行基于径向基函数代理模型对历史有潜力区域进行局部搜索以定位历史高潜力区域的步骤,直至达到最大评估次数,其中,根据实际工程设计周期与优化精度要求设计最大评估次数,并初始化算法迭代过程中的关键迭代参数;
若是,则由优化后的桁架平面结构的所有角钢边长整数设计变量的取值以及所有节点高度连续设计变量的取值优化桁架平面结构以获得最优桁架平面结构;
其中,在基于径向基函数代理模型对历史有潜力区域进行局部搜索以定位历史高潜力区域,根据历史高潜力区域确定历史最优解,将所述历史最优解进行真实函数评估并结合可行性规则更新种群及历史最优解的位置的步骤中:通过优化目标评估函数计算得到的样本点所对应的所有节点最大位移约束以及结构总质量中的最佳Q个样本点确定历史有潜力区域,通过最佳Q个样本点构建得到第一个子数据集以形成历史有潜力区域,采用第一个子数据集中所有样本构建局部径向基函数;
其中,Q的计算公式为:
Q=round(20+rd*range);
range=min([20*(m+n),NFE-20,150]);
式中,round表示round函数,rd为随机数,m为角钢边长整数设计变量的个数,range表示变量,n为节点高度连续设计变量的个数,NFE为当前的函数评估次数;
其中,局部搜索的空间范围的计算公式为:
;
;i=1,…,Q;j=1,…,m+n;
式中:表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第j维的下限;表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第j维的上限;lbRBF表示在针对历史有潜力区域进行局部搜索的局部搜索空间中由设计变量所有维度下限构成的下边界向量;ubRBF表示在针对历史有潜力区域进行局部搜索的局部搜索空间中由设计变量所有维度上限构成的上边界向量;表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第1维的下限; 表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第1维的上限;表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第m+n维的下限; 表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第m+n维的上限; 表示第一个子数据集中第i个样本在第j个维度上的取值;
其中,历史有潜力区域的确定范围表达式为:
;
;
式中,j=1,…,m+n;minimize表示对构建的径向基函数代理模型进行最小化;表示针对桁架平面结构优化目标评估函数所构建的径向基函数代理模型;表示针对桁架平面结构优化约束评估函数所构建的径向基函数代理模型;s.t.表示需要满足的约束条件标签;
其中,在根据径向基函数代理模型的预筛选策略并结合历史最优解的位置进行全局预筛选以得到全局最优解,根据全局最优解更新种群及全局最优解位置,根据全局最优解位置定位全局的可能有潜力区域的步骤中:采用DE/best/2生成候选子代解;
根据径向基函数代理模型对目标函数和约束条件构建近似模型以近似评估候选子代解;
其中,在基于高斯过程代理模型对当前可能有潜力区域进行局部搜索以定位当前高潜力区域的步骤中,获取最接近当前解的Q个样本的位置信息以获得第二个子数据集;
根据第二个子数据集构建得到当前有潜力区域,采用第二个子数据集中所有样本构建局部高斯过程;
其中,局部搜索的空间范围的计算公式为:
;
;i=1,…,Q;j=1,…,m+n;
式中,表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第j维的下限; 表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第j维的上限;lbKriging表示在针对当前有潜力区域进行局部搜索的局部搜索空间中由设计变量所有维度下限构成的下边界向量;ubKriging表示在针对当前有潜力区域进行局部搜索的局部搜索空间中由设计变量所有维度上限构成的上边界向量;表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第1维的下限;表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第1维的上限;表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第m+n维的下限; 分别表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第m+n维的上限;表示第二个子数据集中第i个样本在第j个维度上的取值;
其中,当前有潜力区域的确定范围表达式为:
;
;
式中,j=1,…,m+n;minimize表示对构建的高斯过程代理模型进行最小化,表示采用第二个子数据集中所有样本数据针对桁架平面结构优化目标评估函数所构建的高斯过程代理模型;表示针对桁架平面结构优化约束评估函数所构建的高斯过程代理模型;s.t.表示需要满足的约束条件标签。
2.根据权利要求1所述的基于全局与局部代理模型辅助的双区域协同优化方法,其特征在于,通过拉丁超立方抽样方法在设计空间的上下界内进行取样以获得初始种群样本点的步骤包括:将设计空间的每个维度都均匀划分为N个区间,其中,N为初始种群大小;
针对每个维度随机选取一个区间,根据均匀分布在所选取的区间中产生一个均匀分布随机数;
将所有维度的随机数合并形成一个向量,该向量即为当前种群个体;
返回执行针对每个维度随机选取一个区间的步骤,直至循环次数达到N-1次,以获得N个种群个体,即获得N个种群样本。
3.根据权利要求1所述的基于全局与局部代理模型辅助的双区域协同优化方法,其特征在于,根据高斯过程代理模型的预筛选策略并结合当前最优解的位置搜索不连通的可行区域以得到全局最优解的步骤包括:基于变量类型的合作变异策略产生候选子代解;
根据高斯过程对目标函数和约束条件构建近似模型以近似评估候选子代解;
基于超体积的完整期望改进矩阵函数从评估后的候选子代解中选择出最优子代个体;
对选择出的最优子代个体进行真实函数评估,并更新种群及最优解的位置;
其中:
minimize F(x)={f (x),G(x)};
x∈off 2;
式中,minimize F(x)表示对通过目标函数与约束违反值函数组成的目标向量进行最小化;x表示个体;f (x)表示针对个体x的目标函数表达式;G(x)表示震度个体x的约束违反值函数表达式,G(x)=max(g(x),0);off 2是候选子代解;
包含k个非支配个体的当前帕累托前沿表示如下:
;
式中,k表示第k个非支配个体;f k表示针对第k个非支配个体的目标函数值;Gk表示针对第k个非支配个体的约束违反函数值;
其中,基于超体积的完整期望改进矩阵函数的表达式为:
;
式中,j表示第j个非支配个体;r=(rf, rG)是用户选择的参考点,rf表示参考点对应的目标函数值,rG表示参考点对应的约束违反函数值;f j表示第j个非支配个体的目标值;Gj表示j个非支配个体约束违反函数值;表示j个非支配个体的目标函数期望提升值;表示j个非支配个体的约束违反函数期望提升值;
和的计算公式分别为:
;
。
4.一种基于全局与局部代理模型辅助的双区域协同优化系统,其特征在于,所述系统包括:获取模块,用于通过拉丁超立方抽样方法在设计空间的上下界内进行取样以获得初始种群样本点,设计空间内包括多个设计变量,设计变量包括角钢边长整数设计变量以及节点高度连续设计变量,通过优化目标评估函数评估初始种群样本点的适应度值以形成初始样本种群,初始样本种群包括多个系列,每一序列包括设计空间内所有设计变量的取值;
第一优化模块,用于基于径向基函数代理模型对历史有潜力区域进行局部搜索以定位历史高潜力区域,根据历史高潜力区域确定历史最优解,将所述历史最优解进行真实函数评估并结合可行性规则更新种群及历史最优解的位置;根据径向基函数代理模型的预筛选策略并结合历史最优解的位置进行全局预筛选以得到全局最优解,根据全局最优解更新种群及全局最优解位置,根据全局最优解位置定位全局的可能有潜力区域;
第二优化模块,用于基于高斯过程代理模型对当前可能有潜力区域进行局部搜索以定位当前高潜力区域,根据当前高潜力区域确定当前最优解,将所述当前最优解进行真实函数评估并结合可行性规则更新种群及当前最优解的位置,根据高斯过程代理模型的预筛选策略并结合当前最优解的位置搜索不连通的可行区域以得到全局最优解,根据全局最优解获得设计空间内所有设计变量的取值以获得优化后的桁架平面结构;
判断模块,用于判断优化后的桁架平面结构是否同时满足所有节点最大位移约束以及结构总质量降低;
第一执行模块,用于若优化后的桁架平面结构无法同时满足所有节点最大位移约束以及结构总质量降低时,则返回执行基于径向基函数代理模型对历史有潜力区域进行局部搜索以定位历史高潜力区域的步骤,直至达到最大评估次数,其中,根据实际工程设计周期与优化精度要求设计最大评估次数,并初始化算法迭代过程中的关键迭代参数;
第二执行模块,用于若优化后的桁架平面结构同时满足所有节点最大位移约束以及结构总质量降低时,则由优化后的桁架平面结构的所有角钢边长整数设计变量的取值以及所有节点高度连续设计变量的取值优化桁架平面结构以获得最优桁架平面结构;
其中,在基于径向基函数代理模型对历史有潜力区域进行局部搜索以定位历史高潜力区域,根据历史高潜力区域确定历史最优解,将所述历史最优解进行真实函数评估并结合可行性规则更新种群及历史最优解的位置的步骤中:通过优化目标评估函数计算得到的样本点所对应的所有节点最大位移约束以及结构总质量中的最佳Q个样本点确定历史有潜力区域,通过最佳Q个样本点构建得到第一个子数据集以形成历史有潜力区域,采用第一个子数据集中所有样本构建局部径向基函数;
其中,Q的计算公式为:
Q=round(20+rd*range);
range=min([20*(m+n),NFE-20,150]);
式中,round表示round函数,rd为随机数,m为角钢边长整数设计变量的个数,range表示变量,n为节点高度连续设计变量的个数,NFE为当前的函数评估次数;
其中,局部搜索的空间范围的计算公式为:
;
;i=1,…,Q;j=1,…,m+n;
式中:表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第j维的下限;表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第j维的上限;lbRBF表示在针对历史有潜力区域进行局部搜索的局部搜索空间中由设计变量所有维度下限构成的下边界向量;ubRBF表示在针对历史有潜力区域进行局部搜索的局部搜索空间中由设计变量所有维度上限构成的上边界向量;表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第1维的下限; 表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第1维的上限;表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第m+n维的下限; 表示设计变量在针对历史有潜力区域进行局部搜索的局部搜索空间中第m+n维的上限; 表示第一个子数据集中第i个样本在第j个维度上的取值;
其中,历史有潜力区域的确定范围表达式为:
;
;
式中,j=1,…,m+n;minimize表示对构建的径向基函数代理模型进行最小化;表示针对桁架平面结构优化目标评估函数所构建的径向基函数代理模型;表示针对桁架平面结构优化约束评估函数所构建的径向基函数代理模型;s.t.表示需要满足的约束条件标签;
其中,在根据径向基函数代理模型的预筛选策略并结合历史最优解的位置进行全局预筛选以得到全局最优解,根据全局最优解更新种群及全局最优解位置,根据全局最优解位置定位全局的可能有潜力区域的步骤中:采用DE/best/2生成候选子代解;
根据径向基函数代理模型对目标函数和约束条件构建近似模型以近似评估候选子代解;
其中,在基于高斯过程代理模型对当前可能有潜力区域进行局部搜索以定位当前高潜力区域的步骤中,获取最接近当前解的Q个样本的位置信息以获得第二个子数据集;
根据第二个子数据集构建得到当前有潜力区域,采用第二个子数据集中所有样本构建局部高斯过程;
其中,局部搜索的空间范围的计算公式为:
;
;i=1,…,Q;j=1,…,m+n;
式中,表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第j维的下限; 表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第j维的上限;lbKriging表示在针对当前有潜力区域进行局部搜索的局部搜索空间中由设计变量所有维度下限构成的下边界向量;ubKriging表示在针对当前有潜力区域进行局部搜索的局部搜索空间中由设计变量所有维度上限构成的上边界向量;表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第1维的下限;表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第1维的上限;表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第m+n维的下限; 分别表示设计变量在针对当前有潜力区域进行局部搜索的局部搜索空间中第m+n维的上限;表示第二个子数据集中第i个样本在第j个维度上的取值;
其中,当前有潜力区域的确定范围表达式为:
;
;
式中,j=1,…,m+n;minimize表示对构建的高斯过程代理模型进行最小化,表示采用第二个子数据集中所有样本数据针对桁架平面结构优化目标评估函数所构建的高斯过程代理模型;表示针对桁架平面结构优化约束评估函数所构建的高斯过程代理模型;s.t.表示需要满足的约束条件标签。
5.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-3任一所述的基于全局与局部代理模型辅助的双区域协同优化方法。
6.一种数据处理设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-3任一所述的基于全局与局部代理模型辅助的双区域协同优化方法。