30维以上昂贵黑箱优化新突破：DA-EGO动态聚合策略，1500次评估搞定高维涡轮设计！
A Dynamic Aggregation Strategy Enhanced Efficient Global Optimization Algorithm for Solving High-Dimensional Turbomachinery Design Problems
📖 AI 总结
本文提出一种带动态聚合策略的高效全局优化算法DA-EGO，用于在有限计算预算下求解维度不低于30的高维昂贵黑箱问题，典型应用场景为叶轮机械设计。该方法将原始高维设计空间分解为多个低维子空间，分别进行代理模型优化搜索，再将各子空间最优解组合为精英点用于全局搜索。其核心创新在于子空间并非固定不变，而是依据子空间与全空间中的变量交互分析逐代更新，交互检测采用扰动法与方差分析，同时子空间的搜索范围也根据上一代优化结果自适应调整。在21个基准测试实例（7个函数，维度分别为30、60、90）上的实验表明，DA-EGO在可分离与部分可分离问题上于1500次函数评估预算内表现有效，但其优势具有问题依赖性，在不可分离的shifted Rosenbrock函数上，GSGA在60和90维表现更优，30维结果与IKAEA、GSGA统计相当。此外，该方法在28变量的跨声速转子叶片气动优化和60变量的压气机级优化中均展现出优势，验证了其工程实用性。
🔑 关键词速览
| DA-EGO | 一种采用动态聚合策略的高效全局优化算法，用于求解高维昂贵黑箱问题。 |
| 动态聚合策略 | 将高维设计空间分解为低维子空间，并动态更新子空间变量和搜索范围以加速优化的方法。 |
| 变量交互分析 | 通过扰动法和方差分析检测变量之间的相互作用，用于指导子空间变量的更新。 |
| 代理模型优化 | 使用计算成本低的代理模型替代昂贵仿真模型进行优化搜索的方法。 |
| 跨声速转子叶片气动优化 | 针对跨声速流动条件下的转子叶片进行气动外形优化，以提升性能。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅