EGO方法的训练算法及应用

计算物理 ›› 2012, Vol. 29 ›› Issue (3): 326-332.

EGO方法的训练算法及应用

邓枫^1,2, 覃宁^1,2, 伍贻兆¹

1. 南京航空航天大学航空宇航学院, 江苏南京, 210016;
2. Department of Mechanical Engineering, University of Sheffield, Sheffield, S1 3JD, UK

收稿日期:2011-07-15 修回日期:2011-11-26 出版日期:2012-05-25 发布日期:2012-05-25
作者简介:邓枫(1982-),男,博士生,主要从事计算流体力学、气动优化研究,E-mail:dengfengl@yahoo.cn

Training Algorithms for EGO Method and Applications

DENG Feng^1,2, QIN Ning^1,2, WU Yizhao¹

1. College of Aerospace Engineering, Nanjing University of Aeronautics & Astronautics, Nanjing 210016, China;
2. Department of Mechanical Engineering, University of Sheffield, Sheffield, S1 3JD, UK

Received:2011-07-15 Revised:2011-11-26 Online:2012-05-25 Published:2012-05-25

摘要/Abstract

摘要： 针对高效全局优化(Efficient Global Optimization,简称EGO)方法的训练问题,选择元启发式(Meta-heuristic)算法、随机取样算法以及低频序列算法,并选用三个无约束、两个带约束解析优化算例以及两个气动优化算例,对这三类训练算法进行详细地比较研究,发现在元启发式算法中差分进化算法最具应用潜力,而低频序列算法可以有效降低EGO方法的随机性,其中Faure序列平均性能最优.

关键词: 计算流体力学, 气动外形优化, 克里金模型, 全局优化

Abstract: Three kinds of training algorithms for efficient global optimization(EGO) method are investigated.A kind of training algorithm based on low-discrepancy sequences is proposed to reduce randomness of EGO method.Performance of EGO method depends on a good training algorithm.Since training problems in EGO are non-convex and non-smooth,meta-heuristic algorithms,random algorithm and low-discrepancy sequences are chosen to address five benchmark optimization problems and two aerodynamic shape optimization problems.In these problems,differential evolution algorithm was found the best in meta-heuristic algorithms.Training algorithm based on low-discrepancy sequences can effectively reduce randomness of EGO method and Faure sequence has the best performance.

Key words: computational fluid dynamic, aerodynamic shape optimization, Kriging model, global optimization

中图分类号:

V211.3

邓枫, 覃宁, 伍贻兆. EGO方法的训练算法及应用[J]. 计算物理, 2012, 29(3): 326-332.

DENG Feng, QIN Ning, WU Yizhao. Training Algorithms for EGO Method and Applications[J]. CHINESE JOURNAL OF COMPUTATIONAL PHYSICS, 2012, 29(3): 326-332.

[1]	肖聪, 张士诚, 马新仿, 周彤, 侯腾飞. 基于模型降维和递归神经网络的油藏参数反演[J]. 计算物理, 2022, 39(5): 564-578.
[2]	倪小威, 徐思慧, 冯加明, 刘迪仁. 基于自适应差分进化算法的阵列侧向测井快速反演[J]. 计算物理, 2019, 36(4): 465-473.
[3]	张珑慧, 由长福. 基于有限体积虚拟区域方法的两相流动直接模拟[J]. 计算物理, 2019, 36(3): 291-297.
[4]	陈荣钱, 伍贻兆, 夏健. 应用随机模型方法预测汽车风噪声[J]. 计算物理, 2013, 30(1): 98-104.
[5]	陈荣钱, 伍贻兆, 夏健. 基于SNGR方法的后缘噪声数值模拟[J]. 计算物理, 2011, 28(5): 698-704.
[6]	索奇峰, 吴晴, 钟易成, 李明水. 振动桥梁CFD数值模拟的网格运动算法[J]. 计算物理, 2011, 28(4): 547-553.
[7]	吴晴, 钟易成, 余少志, 胡骏. 基于LU-SGS的非结构弹簧网格迭代算法[J]. 计算物理, 2009, 26(6): 806-812.
[8]	成娟, 舒其望. 计算流体力学中的高精度数值方法回顾[J]. 计算物理, 2009, 26(5): 633-655.
[9]	王逸斌, 伍贻兆, 刘学强. 耦合辐射的三维热化学非平衡流数值模拟[J]. 计算物理, 2008, 25(4): 421-426.
[10]	招启军, 徐国华, 王适存. 基于CFD/Kirchhoff方法的直升机旋翼高速脉冲噪声模拟分析[J]. 计算物理, 2006, 23(2): 137-143.
[11]	汪建兵, 康宁. 粘性不可压流体流动问题用直角坐标网格的贴体解法[J]. 计算物理, 2004, 21(4): 290-298.
[12]	高智, 向华, 申义庆. 摄动有限体积法重构近似高精度的意义[J]. 计算物理, 2004, 21(2): 131-136.
[13]	白文, 刘国俊, 周天孝. 飞机构型Euler绕流结构网格方法计算的可信度[J]. 计算物理, 2000, 17(S1): 149-155.
[14]	吕晓斌, 兰黔章, 朱自强. 求解Euler方程的区域分解方法与并行算法[J]. 计算物理, 2000, 17(4): 360-366.
[15]	徐涛, 水鸿寿. 一种二维自适应网格构造方法及其实现[J]. 计算物理, 1999, 16(1): 66-76.