大规模变精度代理建模

工程师广泛使用高斯过程回归框架来构建代理模型，以在探索设计空间时替代计算昂贵的物理模型。得益于高斯过程的特性，我们在构建代理模型时可以使用由高保真函数（物理现象昂贵而精确的表示）和低保真函数（同一物理现象廉价而粗糙的近似）生成的样本。然而，若样本量超过几千个点，高斯过程回归的计算成本在学习和预测计算两方面都变得令人望而却步。我们提出两种方法来规避这一计算负担：一种方法基于样本协方差矩阵的Nyström近似，另一种基于对黑箱的智能使用，该黑箱能在设计空间任意点上即时评估低保真函数。我们利用若干人工和实际问题检验了所提方法的性能，包括旋转盘形状的工程优化。