一种用于高计算代价优化的生成式逆向网络辅助进化算法
信号处理
2019-12-11 v1
摘要
基于仿真的优化是处理实际设计问题的有用方法。然而，由于高昂的计算成本，对于复杂问题而言十分困难。克服此问题的一种流行方法是使用代理模型以节省成本。尽管如此，输入传统代理模型的有限设计参数难以表征整个设计问题，可能导致意想不到的误差。本研究采用仿真得到的物理云图像，并尝试构建代理模型。同时，基于深度学习模型强大的模式识别与生成能力，提出了一种用于高代价设计问题的新颖生成式逆向网络辅助进化算法（GRN-EA）。本研究以变刚度（VS）复合材料孔板的数值算例来获取曲纤维的最优分布。此外，为评估 GRN-EA 在实际工程问题中的性能，对一个更复杂的板材成形案例进行了优化。根据这两个问题，本研究能够很好地处理一些高代价仿真。
引用
@article{arxiv.1912.04843,
title = {A novel generative reverse net assisted evolution algorithm for expensive-computational optimizations},
author = {Yu Li and Hu Wang and Ziming Wen and Xin Wang},
journal= {arXiv preprint arXiv:1912.04843},
year = {2019}
}