一种改进的RBF全局优化方法

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (15): 43-48.

一种改进的RBF全局优化方法

艾依斯1，张爱莲2，吴义忠1

1.华中科技大学机械学院国家CAD支撑软件工程技术研究中心，武汉 430074
2.武汉纺织大学机电学院，武汉 430074

出版日期:2012-05-21 发布日期:2012-05-30

Improved global optimization method using radial basis functions

AI Yisi1, ZHANG Ailian2, WU Yizhong1

1.National Enterprise Information Supported Software Engineering Centre, Mechanical School of Huazhong University of Science and Technology, Wuhan 430074, China
2.College of Mechanical and Electrical Engineering, Wuhan Textile University, Wuhan 430074, China

Online:2012-05-21 Published:2012-05-30

摘要/Abstract

摘要： 径向基函数（Radial Basis Functions）由于具有良好的近似效果和运算简单的特点，被应用于全局优化中，成为解决黑箱函数全局优化问题的有效方法。然而现有的基于RBF的全局优化算法存在迭代过程中RBF模型重构效率低下，以及采样方法不合理导致函数估值次数过多等问题。在此提出几个改进思路：采用基于矩阵分块的增量RBF方法以减少模型重构时间提高效率；采用增量LHD采样方法以确保具有更好的空间填充性；采用算法重启策略以降低估值次数。通过实验验证改进方法的优势。

关键词: 全局优化, 径向基函数, 增量重构响应面, 增量采样, 重启策略

Abstract: RBF（Radial Basis Functions） due to good effect on approximating and the characteristics of simple operation, is applied to global optimization in solving black-box functions as an effective method. However, the existing global optimization algorithms based on RBF have several shortcomings, such as the inefficiency on RBF surrogate reconstruction in iteration process, large number of evaluations caused by unreasonable sampling and so on. Several improvement ideas are proposed: a block matrix based method is used to reduce the time of the RBF surrogate reconstruction; an incremental LHD sampling is used to get a better space filling; a restart strategy is used to reduce the number of evaluations. The advantages of the improved algorithm are proved with experiments.

Key words: global optimization, Radial Basis Function（RBF）, incremental reconstruction of response surface, incremental sampling, restart strategy

艾依斯1，张爱莲2，吴义忠1. 一种改进的RBF全局优化方法[J]. 计算机工程与应用, 2012, 48(15): 43-48.

AI Yisi1, ZHANG Ailian2, WU Yizhong1. Improved global optimization method using radial basis functions[J]. Computer Engineering and Applications, 2012, 48(15): 43-48.

[1]	周友行，赵晗妘，刘汉江，李昱泽，肖雨琴. 采用DDPG的双足机器人自学习步态规划方法[J]. 计算机工程与应用, 2021, 57(6): 254-259.
[2]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[3]	方建文，黄钢，曹文明. 笔触风格化技术研究综述[J]. 计算机工程与应用, 2019, 55(9): 33-37.
[4]	连玮. 采用树表示的全局最优形状匹配算法[J]. 计算机工程与应用, 2019, 55(1): 217-225.
[5]	钱武文，柴军瑞，张子映，谈然. 基于反射变异策略的自适应差分进化算法[J]. 计算机工程与应用, 2018, 54(15): 161-168.
[6]	薛印玺，许鸿文，李羚. 基于样本密度的全局优化K均值聚类算法[J]. 计算机工程与应用, 2018, 54(14): 143-147.
[7]	李淑玲. 基于径向基点插值的Chan-Vese模型图像分割算法[J]. 计算机工程与应用, 2018, 54(11): 193-197.
[8]	曾辉1，王倩2，夏学文3，4，方霞1，5. 基于自适应多种群的粒子群优化算法[J]. 计算机工程与应用, 2018, 54(10): 59-65.
[9]	孙堂乐，李国辉. EEMD与RBF神经网络的太阳黑子月均值预测[J]. 计算机工程与应用, 2017, 53(24): 252-256.
[10]	陆亚男，南敬昌，高明明. 改进并行粒子群算法优化RBF神经网络建模[J]. 计算机工程与应用, 2017, 53(14): 45-50.
[11]	刘兵兵1，周伟平1，沈玲2. 灰色线性双层指派问题的智能全局优化方法[J]. 计算机工程与应用, 2016, 52(8): 38-42.
[12]	郑雪辉，王士同. 基于迁移学习的径向基函数神经网络学习[J]. 计算机工程与应用, 2016, 52(5): 6-10.
[13]	厉征鑫，刘建立，周建，高卫东. 基于二维经验模态分解的织疵分割算法改进[J]. 计算机工程与应用, 2016, 52(24): 217-222.
[14]	徐明亮1，2，赵吉3，唐玉兰1. FRBF神经网络分类器设计新方法[J]. 计算机工程与应用, 2016, 52(13): 157-161.
[15]	杨剑锋，张翠，张峰. 机械臂轨迹跟踪控制——基于EC-RBF神经网络的机械臂模型参考自适应控制[J]. 计算机工程与应用, 2015, 51(9): 82-86.