面向高维不确定性下的类别化结构设计的贝叶斯锚定潜在信任区域优化

aleatoric 不确定性下的类别化结构优化具有挑战性，因为每个设计变量必须从有限的可接受实例目录中选择，而每个候选设计可能需要昂贵的随机有限元求值。现有的潜在空间优化策略可降低目录属性的维数，但常将缩减后的空间视为连续搜索域。 resulting continuous optimum 必须然后舍入到附近的目录实例，这可能改变目标值、约束状态或设计的物理解释。为解决此问题，本文提出了面向高维类别化优化的 Categorical Optimization with Bayesian Anchored Latent Trust Regions (COBALT) 框架。COBALT 首先将物理目录嵌入低维潜在表示并将映射实例锁定为离散锚定图。随后采用数据独立的随机树分解为高维类别变量提供有界复杂度的加法建模。在该锚定域上，拟合加法 SAAS-GP 代理模型以拟合异方差 MC-FEA 观测，信任区域离散图获取搜索选择下一个可接受目录配置，无需连续松弛或舍入。该策略应用于复杂梁结构的鲁棒设计优化，考虑结构重量、应变能和局部屈曲性能。通过仅评估有效目录设计，COBALT 在主动学习循环中保持物理可行性，提高了鲁棒类别化结构优化的效率。