摘要：文章将拉丁超立方抽样试验设计方法,Kriging模型与优化方法结合发展了一套基于改进Kriging模型的优化设计算法。首先对Kriging模型的拟合精度进行了研究,针对一维函数以及气动问题进行了测试,验证了文中发展的Kriging模型能够较好地对函数进行拟合以及能够运用到气动问题中。为了提高Kriging模型的拟合精度,文章对原有的Kriging模型优化设计算法进行了改进,在引入ei方法的同时将优化搜索算法得到的最优点加入到原有的样本集中,每次增加2个样本点,然后再重新生成Kriging模型进行优化设计。为了验证该方法的正确性和有效性,使用该算法进行了RAE2822翼型减阻优化设计,优化后的RAE2822翼型的阻力系数降低了33.6%,算例表明采用该方法能够逐步提高Kriging模型的拟合精度,最终实现高效的翼型气动性能优化设计。

摘要：遗传算法具有良好的鲁棒性和全局优化等优点,但是需要进行大量目标特性的计算,因此计算量很大。针对这一问题,利用代理模型计算量小的优点,将代理模型引入到遗传算法中,建立了一种高效的代理遗传算法。在该算法中,以遗传算法为整体框架,在优化搜索中部分使用代理模型进行目标特性分析,大大减少了计算量。为防止代理模型不精确带来的影响,在优化过程中通过引入ei方法,较好地解决了算法中校正个体的选择问题。为了验证方法的有效性,使用该算法进行了翼型的气动外形优化设计,升阻比提高了40%。与基本遗传算法相比,该算法的优化结果与之相当,但计算时间减少了约75%。结果表明该算法对遗传算法的改进是有效的,适合进行气动外形优化设计。

摘要：基于Kriging模型的EGO算法是一种适用于黑箱函数求极值的全局最优化算法,但该算法忽略了对Kriging模型精度的控制。针对该算法的不足之处,提出了兼顾Kriging模型精度与模型寻优的迭代函数,并将改进后的EGO算法应用于五个检验函数及一个存货模型,从Kriging模型精度及优化结果两方面对改进前后的算法进行比较。结果表明,改进后的EGO算法提高了最终Kriging模型的精度,并在对目标函数进行少量估值的情况下获得了更为全局化的最优解。