Isight混合优化策略：方法与实践的全方位解析

混合优化策略的必要性

全局算法具有全局搜索最优的能力，但其缺点是优化效率低；梯度优化算法虽然优化效率高，但其缺点是对于复杂的优化模型往往会陷入局部最优解。为了快速的获得高精度的全局最优解，我们可以组合两类优化算法，就可以既发挥全局算法的全局性，同时又兼顾了数值算法的高效性。

DOE抽样与梯度优化混合策略

首先应用DOE组件在设计空间均匀采样，捕捉整个设计空间中最有效的设计区域，然后应用参数化模块在有效设计区域中进行优化设计，最终获得最佳设计结果。

全局优化和梯度优化组合

首先应用全局优化算法定位目标极值在设计空间中所处的区域，再应用梯度优化算法对该区域进行精确寻优，最终获得最佳设计结果。

• 发挥了全局优化算法在整体设计空间遍历方面的优势，能够快速对设计敏感区域定位
• 仅用全局算法进行粗略定位，避免了全局算法在细节优化方面的低效率问题
• 发挥了梯度优化算法在局部优化方面的优势
• 避免了梯度优化算法在高度非线性或离散设计空间中直接寻优带来的误导

基于近似模型更新的全局优化

首先建立局部设计空间的近似模型，并在近似模型上进行优化计算，获得局部最优的估计值，并通过验证计算不断更新近似模型位置继续优化，最终获得全局最优解；基于近似模型更新的全局优化策略适用于非线性设计空间以及单次计算耗时较长的问题，而不适用于不连续、非凸或高度约束的设计空间。

基于Pointer-2智能算法的策略

Pointer-2算法只能让Isight软件自动选择最佳优化算法进行组合优化设计。

算法适用于多数线性及非线性设计空间，以及连续与不连续设计空间。同时也适用于解决单次计算耗时较长的问题。

下面用DOE抽样与梯度优化混合策略为例简述这一优化方法

输入文件及模型放在同一目录下：

Isight优化模型如下：

求min z=20+x.^2+y.^2-10*(cos(0.4*pi*x)+cos(0.4*pi*y))

其中：-5≤x≤5；-5≤y≤5

这是一个多峰多谷问题，理论最优解为：x=0，y=0，z=0.

导入Excel文件，设置输入、输出：

设置任务为混合优化策略，DOE和Optimization：

设置DOE抽样方法、样本数、变量、响应：

设置Optimization算法、变量、目标：

数据流如下：

混合策略流程结构如下：

运行计算任务，DOE抽样计算结果如下：

Optimization将DOE的最优解作为优化的初始位置点：

最终求解的最优解为：

x=2.41E-6，y=6.33E-6，z=4.1E-10.

与理论最优解x=0，y=0，z=0一致。

x，y，z 解算历程如下：

结果表明混合策略是成功的，达到了预期的效果。

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删