典型文献
基于不确定度采样准则的费时问题优化算法
文献摘要：
在实际工程和控制领域中,许多优化问题的性能评价是费时的,由于进化算法在获得最优解之前需要大量的目标函数评价,无法直接应用其求解这类费时问题.引入代理模型以辅助进化算法是求解计算费时优化问题的有效方法,如何采样新个体对其进行真实的目标函数评价是影响代理模型辅助的进化算法寻优性能的重要因素.鉴于此,利用径向基函数神经网络作为代理模型辅助进化算法,提出一种新的不确定度计算方法,同时结合模型估值构造一种新的填充采样准则以自主地选择新的采样点,从而引导算法在评价次数有限的情况下尽可能地找到目标函数值较好的解.所提出算法与近年来针对计算费时问题的优化算法在7个高达100维的基准问题上进行测试比较,实验结果表明所提出算法在相同评价次数下可以获得更好的优化结果.
文献关键词：
代理模型;进化算法;计算费时问题;不确定度;填充采样准则;径向基函数神经网络
中图分类号：
作者姓名：
孙超利;李婵;秦淑芬;张国晨;李晓波
作者机构：
太原科技大学计算机科学与技术学院,太原030024;太原科技大学电子信息工程学院,太原030024
文献出处：
引用格式：
[1]孙超利;李婵;秦淑芬;张国晨;李晓波-.基于不确定度采样准则的费时问题优化算法)[J].控制与决策,2022(06):1541-1549
A类：
计算费时优化问题,填充采样准则
B类：
不确定度,问题优化,控制领域,性能评价,进化算法,最优解,接应,代理模型,模型辅助,算法寻优,寻优性能,径向基函数神经网络,估值,采样点,评价次数,目标函数值,计算费时问题,基准问题
AB值：
0.250737
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
