面向探索的全局代理建模采样策略：单阶段与自适应方法的比较

通过进行真实实验来详细研究复杂现象通常是一项不可行的任务。通常使用基于仿真的虚拟实验来支持开发过程。然而，数值仿真受其计算成本的限制。元建模技术常用于模拟未知求解器函数的行为，特别是对于昂贵的黑箱优化。如果代理模型与黑箱函数之间获得良好的相关性，则可以显著减少昂贵的数值仿真。采样策略选择能够充分预测昂贵黑箱函数行为的样本子集，在代理模型的保真度中起着重要作用。以尽可能少的求解器调用次数达到所需的元模型精度，是全局代理建模的主要目标。本文将以探索为导向的自适应采样策略与常用的单阶段采样方法（如拉丁超立方设计（LHD））进行比较。在从 2 到 30 个变量的基准函数上测试了近似质量的差异。将提出两种获取细粒度准 LHD 的新采样算法，并讨论对一种已知的、已有的序贯输入算法的改进。最后，将这些方法应用于碰撞盒设计，以研究在近似高度非线性的耐撞性问题时的性能。研究发现，在大多数测试中，自适应采样方法无论在数学性质还是元模型精度方面都优于单阶段方法。还应采用适当的停止算法与自适应方法配合使用，以避免过采样。