摘要：针对响应共变特性的稳健参数设计问题,在多任务高斯过程(multi-task Gaussian processes,MTGP)建模框架下,结合质量损失函数和考虑响应不确定性的优化函数构建了一个考虑输出响应不确定性的MTGP(uncertainty of MTGP,UNMTGP)优化模型。首先,利用MTGP模型拟合实验数据,构建考虑响应间共变特性对优化结果影响的多元高斯模型。其次,提出考虑输出响应不确定性的优化目标函数,构建多响应稳健优化模型。最后,结合全局优化方法,获得最优参数设计。此外,结合真实案例,利用质量损失函数的相关评价指标,论证所提方法的有效性。结果表明,所提方法考虑了响应共变特性和输出响应不确定性对优化结果的影响,有效改善了模型的预测质量,提升了输出响应的稳健性。

摘要：针对模型响应不确定性的稳健参数设计问题,在高斯过程回归(Gaussian process regression, GPR)建模的框架下,结合贝叶斯超参数最大后验(Maximum a posteriori estimation, MAP)估计和多目标线性加权方法构建一个新的优化模型.首先,利用MAP方法获得最优超参数组合,构建高斯回归模型;然后,考虑响应不确定性与响应之间的交互效应,采用线性加权准则,构建多响应稳健优化模型;最后,利用聚类分析方法获得最优参数解.该方法考虑了输出响应不确定性对优化结果的影响,权衡了最优因子水平与多元质量特性之间的关系.结合实际案例和软件仿真对所提出方法进行实证研究,结果表明,该方法能够较好地兼顾输出响应的最优性和稳健性,从而实现稳健参数设计.

摘要：针对多响应的质量设计问题,本文结合似不相关回归(seemingly unrelated regression,SU R)模型与因子效应原则提出了一种新的建模与优化方法.该方法不仅结合S U R模型与因子效应原则筛选出各响应模型的显著性变量,而且运用多变量过程能力指数衡量了过程能力满足规格要求程度的水平.此外,该方法还通过贝叶斯抽样技术考虑了模型参数不确定性和预测响应值波动对优化结果的影响.首先,在S U R模型中针对每个变量设置了一个二元变量指示器以考虑因子效应原则,通过所构建的混合二元变量指示器修正了过程响应和试验因子之间的函数关系;其次,通过计算混合二元变量指示器和模型结构的后验概率以识别显著性变量,从而确定最佳的模型结构;然后,在此基础上结合贝叶斯抽样技术构建了一种新的多变量过程能力指数,并通过最大化所构建的多变量过程能力指数获得了最佳的参数设计值;最后,实际案例研究表明:本文所提方法不仅能够有效地筛选出多响应过程的显著性变量,而且能够获得最佳的参数设计值.

摘要：针对高维试验数据的稳健参数设计问题,在高斯过程(Gaussian process,GP)的建模框架下,采用部分平行的GP(parallel partial GP,PPGP)模型来构建试验因子与多质量特性之间的响应曲面,在此基础上运用多元质量损失函数作为优化指标来获得可控因子的最佳参数设计值。并且以一个经典仿真算例和两个实际案例验证了所提方法的有效性和优劣性。研究结果表明,与独立建模的单变量GP模型或Kriging模型比较而言,所提方法不仅能够有效地处理高维试验数据的建模与参数优化问题,而且能够获得更为稳健的优化结果,运行效率更高。

摘要：针对多响应三水平部分因子试验,当筛选试验中候选变量个数大于试验样本数时,本文提出了一种考虑因子效应原则的建模与优化方法.首先,构建三水平对照试验,并结合二元变量指示器构建Bayesian Lasso模型;其次,根据因子效应原则,分三个阶段逐步更新二元变量指示器的先验信息,并利用变量指示器的后验概率来识别显著性变量,确定模型结构;然后,在此基础上结合贝叶斯抽样技术构建多变量过程能力指数函数,并通过最大化该函数获得最佳的参数设计值;最后,实际案例的结果表明:本文所提方法不仅能够有效地筛选出多响应三水平部分因子试验的显著性变量,而且能够获得最佳的参数设计值.

摘要：针对模型预测偏差和波动的稳健参数设计问题,在多变量高斯过程(multivariate Gaussian process,MGP)建模的框架下,结合质量损失函数和非线性优化约束方法构建一个新的多响应优化模型.首先,利用成对估计方法获得超参数近似值,构建多变量高斯模型;其次,结合MGP模型特征,构造充分考虑响应波动因素的质量损失函数.利用蒙特卡罗模拟方法,获得响应落入指定区间的期望概率;然后,以期望概率为约束,结合本文所提质量损失函数建立优化模型;最后,利用全局优化算法进行寻优,获得考虑响应期望概率的优化结果.实际案例和软件仿真表明,该方法综合权衡了预测偏差和预测波动引起的不确定性对优化结果的影响.获得了兼顾质量损失和期望概率最优均衡解,从而实现稳健参数设计.

摘要：响应曲面模型的构建对多响应优化设计结果的影响至关重要.传统的响应曲面模型会事先对模型结构做出一系列的假设.然而,在面向复杂产品的质量设计时往往会出现模型结构错误设定的情况.结合半参数方法和贝叶斯抽样技术提出了一种新的多响应优化设计方法,以解决多目标之间的冲突、模型结构的不确定以及预测响应值的波动性问题.首先,利用半参数方法建立可控因子与响应之间的响应曲面模型;其次,基于贝叶斯抽样技术对模型误差进行修正,建立基于误差修正的响应曲面模型,并在此基础上构建多目标优化函数;然后,利用混合遗传算法进行寻优,获得最佳的参数设计值.另外,基于贝叶斯抽样技术对优化结果进行稳健性评估,以考察优化结果的可靠性.最后,通过一个案例分析说明所提方法的有效性.结果表明,所提方法能有效地解决模型结构不确定以及小样本数据对研究结果的影响,获得更加稳健可靠的优化结果.

摘要：针对模型参数不确定性问题,提出了一种考虑质量损失和制造成本的多响应参数和容差并行设计策略。首先,根据模型参数不确定与设计变量容差,构建多响应的质量损失函数;其次,通过试验数据建立容差成本模型,进而构建参数和容差并行设计的优化目标函数;然后,根据多目标优化算法得到最优参数和容差的Pareto解集,并采用单因素多元方差分析进行容差配置;最后,通过实际案例分析表明,该方法不仅改善了模型的预测性和稳健性能,而且获得了质量损失与制造成本之间的最佳平衡点,与传统的方法相比,能够在显著降低总成本的同时提高产品质量。

摘要：针对具有黑箱特性的昂贵约束优化问题及工程中计算资源利用率不高问题,提出了新的基于均值改进控制策略的并行代理优化算法.该算法为了减少仿真建模计算负担,选取Kriging近似模型对目标函数和约束函数进行近似估计.在Kriging模型基础上,利用均值改进与新增试验样本间的不等关系构建具有距离特性的控制函数.算法的均值改进控制策略通过控制函数调整最大改进值,实现样本设计空间的多点填充.算法适用范围:1)计算成本主要来自于仿真估计而非优化;2)复杂的工程或商业软件内部无法修改的昂贵仿真问题.数值算例和仿真案例表明:该算法可有效获取近似最优解,减少仿真试验次数的同时弱化均值改进准则的贪婪特性.相比于其他多点填充策略,均值改进控制策略可有效提升算法计算效率.此外,算法获取优化问题近似最优解的稳定性和精度均具有一定优势.

摘要：传统的稳健设计一般假定试验数据为正态分布且无污染,然而在实践中,由于缺乏足够的试验数据以及数据中存在污染等因素,导致用传统的点估计方法无法准确获得某设计点下真实过程的输出值。因此,提出了基于bootstrap重抽样技术估计数据污染下最优参数置信区间的稳健设计方法。首先,采用Hodges-Lehman估计量和Shamos估计量分别估计位置参数和尺度参数;其次,构建过程均值和方差双响应曲面模型,实现稳健设计;然后,利用分位数bootstrapping (Percentile Bootstrapping,PB)、偏差校正分位数bootstrapping (Bias-Corrected Percentile Bootstrapping,BCPB)和偏差校正及加速分位数bootstrapping (Bias-Corrected and accelerated Percentile Bootstrapping,BCaPB)方法分别估计最优参数的bootstrap置信区间;最后,引入欧式距离和广义方差分别度量不同置信区间抵抗污染值的稳健性。通过仿真表明,在解决数据污染的稳健设计中BCPB和BCaPB方法估计的精确度明显高于PB方法,同时BCaPB方法在抵抗污染值干扰方面优于BCPB方法。