一种基于机器学习的新型优化算法 (ActivO) 用于加速仿真驱动的发动机设计
机器学习
2021-01-06 v2
摘要
本文提出一种采用机器学习算法集成的新颖设计优化方法 (ActivO)。该方案基于代理模型，在一个主动学习循环中利用了弱学习器与强学习器的预测。弱学习器用于识别设计空间中值得探索的有前景区域，而强学习器用于确定有前景区域内最优点的精确位置。对于每次设计迭代，通过在弱学习器预测适应度较高的区域内随机选取评估点来进行探索。将由强学习器作为代理模型得到的全局最优点也进行评估，以便在识别出最具前景区域后实现快速收敛。首先，在具有 25 个局部最优点与一个全局最优点的余弦混合函数上，将 ActivO 的性能与其余五种优化器进行比较。在第二问题中，目标是在满足缸内压力与排放相关约束的前提下，最小化压燃式内燃 (IC) 发动机的指示比油耗。此处，将所提方法的有效性与遗传算法（内燃机领域广泛用于发动机优化的算法）进行比较，表明 ActivO 减少了达到全局最优所需的函数评估次数，从而将设计时间缩短了 80%。此外，发动机设计参数的优化带来了约 1.9% 的能耗节省，同时保持了可操作性与可接受的污染物排放。
引用
@article{arxiv.2012.04649,
title = {A novel machine learning-based optimization algorithm (ActivO) for accelerating simulation-driven engine design},
author = {Opeoluwa Owoyele and Pinaki Pal},
journal= {arXiv preprint arXiv:2012.04649},
year = {2021}
}