基于Kullback-Leibler距离离散度的加权代理模型

发布时间：2021-04-17 11:47

　　复杂系统的仿真通常具有高维度、高计算量等特点,代理模型因其明晰的数学表达和良好的计算特性可用于逼近真实系统。加权模型对比单个代理模型来说,其稳定性和适应性更广。不同的代理模型其性能不一,根据特定指标,可以构造最优加权代理模型。基于代理模型预测分布以及Kullback-Leibler距离构造各子代理模型之间的离散度,并提出一种新的权函数构造方法。算例表明,该方法与最优子模型的精度相当,同时能提高对真实响应分布的逼近。 

【文章来源】：国防科技大学学报. 2019,41(03)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

类代理模型ＲMSE对比Fig．1ComparisonofＲMSEof9surrogatemodels

第3期晏良，等:基于Kullback-Leibler距离离散度的加权代理模型图29类代理模型ECDF对比Fig．2ComparisonofECDFof9surrogatemodels4．2Ｒastrigin函数假设xi～N(0，1)，i=1，2，同样利用拉丁超立方体抽样方法(LatinHypercubeSampling，LHS)生成包含20个样本的试验设计(X，Y)，并对每类代理模型总共进行50次独立试验，则其ＲMSE对比如图3所示。由图3可以看出，对于5类子代理模型来说，除了M1以外，M2～M5逼近精度类似，其中M2，M3的整体预测性能更加稳定;对于4类加权模型来说，其预测性能与M2～M5相当，M9的逼近精度略高，在某些试验设计条件下具有最高的精度。图4与图2类似，同样利用1000个样本的测试集生成经验累积分布函数，其结果如图4所示。图39类代理模型ＲMSE对比Fig．3ComparisonofＲMSEof9surrogatemodels图49类代理模型ECDF对比Fig．4ComparisonofECDFof9surrogatemodels·361·

第3期晏良，等:基于Kullback-Leibler距离离散度的加权代理模型图29类代理模型ECDF对比Fig．2ComparisonofECDFof9surrogatemodels4．2Ｒastrigin函数假设xi～N(0，1)，i=1，2，同样利用拉丁超立方体抽样方法(LatinHypercubeSampling，LHS)生成包含20个样本的试验设计(X，Y)，并对每类代理模型总共进行50次独立试验，则其ＲMSE对比如图3所示。由图3可以看出，对于5类子代理模型来说，除了M1以外，M2～M5逼近精度类似，其中M2，M3的整体预测性能更加稳定;对于4类加权模型来说，其预测性能与M2～M5相当，M9的逼近精度略高，在某些试验设计条件下具有最高的精度。图4与图2类似，同样利用1000个样本的测试集生成经验累积分布函数，其结果如图4所示。图39类代理模型ＲMSE对比Fig．3ComparisonofＲMSEof9surrogatemodels图49类代理模型ECDF对比Fig．4ComparisonofECDFof9surrogatemodels·361·


本文编号：3143399