加速DACE的EGO算法

摘要：

在函数最优点求解问题中,如果函数表达式很复杂(或黑箱问题),很难利用常用的优化算法求解全局最优点.这时需要先用插值或拟合函数去逼近原函数,然后对新的逼近函数求最优点,进而得到原函数的最优点.基于上述思想,Jones等人于1989提出了EGO(Efficient Global Optimization)算法.EGO算法不足之处在于:它浪费了一个采样点判断EGO算法是否满足终止条件,寻求EI最大值点的收敛速率不高,算法终止条件选择不佳,不能保证估计值的最小点(即EI最大值点)是原函数的内点.针对EGO算法的不足之处,提出了改进的加速EGO算法.仿真实验表明,SEGO极大地节省了运算时间,并且能获得任意精度的全局最优点.

关键词：期望增量、拉丁超立方体抽样、最大有效优化(Efficient Global Optimization、EGO)、加速最大有效优化

所属期刊栏目：10

分类号：TP311.11(计算技术、计算机技术)

在线出版日期：2010-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：1418-1424