田 杰 ，譚 瑛 ，孫超利 ，曾建潮

（1．太原科技大學(xué) 機械工程學(xué)院，山西 太原 030024；2．山東女子學(xué)院 數(shù)據(jù)科學(xué)與計算機學(xué)院，山東 濟南 250300；3．太原科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，山西 太原 030024；4．中北大學(xué) 計算機與控制工程學(xué)院，山西 太原 030051）

1 引言

目前，進化算法已經(jīng)在復(fù)雜系統(tǒng)的設(shè)計中得到廣泛應(yīng)用[1]。通常這些問題都擁有大量的決策變量，因此被稱為高維或大規(guī)模優(yōu)化問題。而在這些復(fù)雜優(yōu)化問題中，通常面臨計算耗時問題，由于進化算法在每一代進化均需要大量的適應(yīng)值計算，受限于算法對計算資源的要求，進化算法難以繼續(xù)在復(fù)雜費時優(yōu)化問題中發(fā)揮作用。因此，使用計算廉價的代理模型代替實際的計算費時的目標(biāo)函數(shù)是進化算法用于解決復(fù)雜優(yōu)化問題的一種有效策略。文獻[2]通過基于多種近似模型的PSO算法對汽車吸能盒結(jié)構(gòu)進行了抗撞性優(yōu)化。文獻[3]提出基于信賴域的采樣空間更新策略，進而發(fā)展了一種基于信賴域的動態(tài)徑向基函數(shù)代理模型優(yōu)化策略。目前，常用的代理模型有響應(yīng)面法，文獻[4]，徑向基法（RBF）以及支持向量機法（SVM）等?；诖砟Ｐ偷倪M化算法中仍然存在一些重要的問題需要解決，如模型管理[5]，模型保真度的改善，如何利用更合適的加點規(guī)則來選取哪些解該被實際計算等。目前多種加點規(guī)則已用于模型管理，如期望改進（EI）、統(tǒng)計下限最小值準(zhǔn)則（LCB）、改進概率最大值準(zhǔn)則（PI）。文獻[6]在20維問題上比較了以上三種常用規(guī)則的性能，得出EI及LCB性能略優(yōu)。但由于GP模型給出的解之間的不確定性差異會隨著維數(shù)的增大而迅速降低，因此也降低了現(xiàn)有加點規(guī)則的有效性。

2 多目標(biāo)加點準(zhǔn)則

從模型管理的角度出發(fā)，提出了一種新的多目標(biāo)加點準(zhǔn)則用于高維問題，將加點準(zhǔn)則定義為一個兩目標(biāo)問題，將期望改進準(zhǔn)則EI及統(tǒng)計下限最小值準(zhǔn)則LCB作為兩個目標(biāo)，選取第一個Pareto面上的樣本點進行實際計算，目的是為了可以從不同的加點準(zhǔn)則中受益，提升算法性能，從而使加點規(guī)則能夠適用于高維問題。在這里，多目標(biāo)加點準(zhǔn)則被定義為一個兩目標(biāo)的最小化問題，數(shù)學(xué)描述如下：

式中：S—決策空間，且 S：=［xmin，xmax］，xmin和 xmax分別用來定義決策空間的上下界；EI（x）—期望改進函數(shù)如公式所示，因期望改進函數(shù)本身是求期望改進最大化的函數(shù)，因此，我們將該函數(shù)前加負號，作為最小化函數(shù)處理；LCB（x）—統(tǒng)計下限最小值準(zhǔn)則，如式（4）、式（5）所示：

式中：fmin—當(dāng)前最優(yōu)適應(yīng)值、y?（x）、s（x）—由 GP 模型得出的關(guān)于解x的預(yù)測值及其不確定性度量值；ω—常數(shù)，在實驗中，該數(shù)值為2。

3 MICGP-SLPSO算法

在所提出的MICGP-SLPSO中，社會學(xué)習(xí)微粒群算法（SLPSO）作為優(yōu)化器產(chǎn)生候選解，用高斯過程（GP）模型對候選解進行預(yù)測，通過預(yù)測信息利用提出的多目標(biāo)加點準(zhǔn)則，選取個別候選解進行實際計算并更新GP模型。首先，初始種群用拉丁超立方體的方法生成，初始種群的適應(yīng)值用實際函數(shù)進行計算，將初始個體的位置及適應(yīng)值存入數(shù)據(jù)庫，用于構(gòu)建GP模型。下一步用公式和更新種群位置及速度，當(dāng)需要實際計算的代數(shù)執(zhí)行過后，進入使用GP代理模型的迭代，用實際計算過的個體信息構(gòu)建GP模型，然后用GP模型給出種群中所有個體的適應(yīng)值及其不確定性，然后根據(jù)這兩個值用公式和計算每個個體的EI及LCB，利用多目標(biāo)加點準(zhǔn)則選擇第一個Pareto面上的樣本點重新用原函數(shù)進行實際計算，然后將實際計過的個體繼續(xù)存入數(shù)據(jù)庫，當(dāng)數(shù)據(jù)庫中的樣本大于GP模型的訓(xùn)練樣本個數(shù)n時，只從數(shù)據(jù)庫中選n個最新的樣本進行訓(xùn)練模型。

3.1 社會微粒群算法

社會學(xué)習(xí)粒子群優(yōu)化算法（SLPSO）在高維問題上表現(xiàn)表現(xiàn)良好[7]，SL-PSO種群中的個體會按照它們的適應(yīng)值排序，除了適應(yīng)值最好的個體外，每個個體都將從適應(yīng)值比自己好的個體中隨機選擇一個個體進行學(xué)習(xí)。如種群中第j個個體在第t+1代的進化公式如下：

式中：1≤j＜m，個體k是個體j隨機選擇的學(xué)習(xí)者，所以j＜k≤m，m是種群數(shù)m=100+D/10；xkd（t）—個體k的第d維元素（1≤d≤D，D是決策空間的維數(shù)）；—與個體j的適應(yīng)值成反比的學(xué)習(xí)概率值；pj（t）—個體 j的隨機數(shù)；r1，r2、r3—［0，1］區(qū)間內(nèi)的隨機數(shù)；（t）—當(dāng)前種群在 d 維上的均值；

ε—影響因子。

3.2 構(gòu)建GP模型

盡管GP模型已經(jīng)在用于解決優(yōu)化費時問題中得到廣泛應(yīng)用，但在高維費時問題的解決上卻遇到了一些瓶頸，除了引言中所提到的GP模型的現(xiàn)有加點規(guī)則不能很好的適用于高維問題之外，隨著訓(xùn)練樣本的增加，構(gòu)建GP模型的時間也會相對增加，而在高維問題上構(gòu)建GP模型與低維問題相比，需要更多的訓(xùn)練樣本，因此，高維問題上的GP模型構(gòu)建變得更加耗時。因此，作者前期在如何構(gòu)建GP模型能夠滿足精度的同時盡量提高效率上做了一定的研究與嘗試，具體可參考文獻[8]?；谝陨戏治?，GP模型的具體構(gòu)建方式描述如下：

創(chuàng)建含有 n 個樣本（xi，yi），i=1，2，k，n 的數(shù)據(jù)庫 DB，對任一候選解x的適應(yīng)值y在GP模型中被看作為μ+ε（x）式中ε（x）服從分布 N（0，σ2）：

K 為矩陣，其中矩陣元素為 Kij=C（xi，xj），k（x）=［C（x，x1），…，C（x，xn）］T，X＝（x1，…，xn）為樣本點的輸入值，κ（x）=C（x，x）是x自身的協(xié)方差。C（·，·）為協(xié)方差函數(shù)，具體使用Matérn32函數(shù)作為協(xié)方差函數(shù)：

4 測試算例

為測試MICGP-SLPSO算法的有效性，選取了3個常用測試函數(shù)，具體函數(shù)詳，如表1所示。函數(shù)公式參見文獻[7]。分別針對這3個函數(shù)的30、50、100維，與目前性能較優(yōu)的文獻[4]及文獻[9]算法進行性能比較，每個算法獨立運行20次后進行結(jié)果統(tǒng)計。

表1 三個標(biāo)準(zhǔn)測試函數(shù)Tab.1 Description of Three Benchmark Functions

與GPEME的比較結(jié)果，如表2所示。實際評價次數(shù)設(shè)定為1000次與文獻[4]相同，由表2我們可以看出，提出的MIC-GPSLPSO在F1，F(xiàn)2和F3身上均獲得了明顯優(yōu)于GPEME的結(jié)果，另外值得注意的是，在GPEME中使用的是LCB加點規(guī)則，因此，MIC-GPSLPSO常采用的將EI和LCB作為多目標(biāo)設(shè)計的加點規(guī)則，要優(yōu)于僅使用LCB的加點規(guī)則。

表2 MICGP-SLPSO與GPEME在30維問題上的結(jié)果比較Tab.2 Comparative Results Between GPEME and MICGP-SLPSOon 30D

圖1 50維F1迭代進化圖Fig.1 The Convergence Trends for F1 on 50D

圖2 50維F2迭代進化圖Fig.2 The Convergence Trends for F2 on 50D

在高維問題上，選用性能優(yōu)于GPEME，使用多模型且同時使用SLPSO和PSO產(chǎn)生候選解的SA-COSO[9]算法，以及GP-EI及GP-LCB這兩個分別單獨以EI規(guī)則及LCB規(guī)則來進行加點的算法在50及100維的問題上進行比較，實際計算次數(shù)減少到10D，D為候選解的維數(shù)。由圖1～圖6的比較結(jié)果可得，提出的MICGP-SLPSO無論在50維函數(shù)還是100維函數(shù)中，均取得了明顯的優(yōu)勢，且在每一步都明顯優(yōu)于其他算法。

圖3 50維F3迭代進化圖Fig.3 The Convergence Trends for F3 on 50D

圖4 100維F1迭代進化圖Fig.4 The Convergence Trends for F1 on 100D

圖5 100維F2迭代進化圖Fig.5 The Convergence Trends for F2 on 100D

圖6 100維F3迭代進化圖Fig.6 The Convergence Trends for F3 on 100D

5 實例分析

5.1 實例的基本參數(shù)

選用的工程實例為一個d段階梯軸端位移δ的最小化約束問題。該優(yōu)化問題為一個30維的約束優(yōu)化問題，其中，d=10，在階梯軸的每一段，都需要優(yōu)化三個參數(shù)：長（li）寬（bi）高（hi）。該階梯軸的軸端受力為P=5×104N，材料性能參數(shù)為E=2×105N及σallow=350MPa，該問題的數(shù)學(xué)描述如下：

其中，σallow為所有階梯軸的彎曲應(yīng)力約束，AR=25為階梯軸各截面的縱橫比約束，Vmax=1.2×109為材料體積約束，Lmin=5為階梯軸的長度約束。

5.2 實例結(jié)果比較

方法與優(yōu)化方法在實例問題上的性能比較，如表3所示。針對該問題，在與現(xiàn)有文獻算法GA，MPS結(jié)果（其優(yōu)化結(jié)果來自文獻[10]）比較的同時，增加了三個傳統(tǒng)優(yōu)化算法的結(jié)果比較，分別是內(nèi)點法（IP），有效集法（AS）以及序列二次規(guī)劃法（SQP）。從表3中我們可以看出，這里算法在更少的計算次數(shù)下取得了更優(yōu)的結(jié)果。

表3 方法與優(yōu)化方法在實例問題上的性能比較Tab.3 Comparative Resultson 30D Cases

6 總結(jié)

設(shè)計了多目標(biāo)加點規(guī)則，并將其應(yīng)用到代理模型輔助的進化算法中，用于工程實踐的復(fù)雜優(yōu)化問題上，無論從測試函數(shù)還是實例問題的應(yīng)用中，該方法都取得了較好的效果，且在高維問題上的優(yōu)勢更加明顯。下一步可將所提的多目標(biāo)加點規(guī)則輔助于其他進化算法并應(yīng)用于CFD、FEA等其他更多復(fù)雜工程設(shè)計優(yōu)化實例中，進一步檢驗MGP-SLPSO在工程問題中的實用性。