基于Kriging元模型的优化方法通常存在优化效率较低、收敛速度较慢、昂贵估值次数较多且难以有效平衡Kriging模型的局部与全局搜索行为等弊端。为此,提出一种序列Kriging和距离因子辅助的全局优化方法。其实现过程主要包含两个阶段一是利用Kriging模型近似复杂昂贵的黑箱函数;二是利用Kriging模型与距离因子的乘积构造加点采样法则,并通过免于求导的DIRECT算法优化该法则,以获取新的昂贵估值点。六个数值函数测试和一个摆线泵仿真实例验证所提出方法的有效性。

通过深度学习来挖掘设计变量、目标参数与Kriging模型之间内在关系的序列Kriging仿真优化方法已成为基于元模型优化的研究前沿和热点。但仿真优化过程中存在建模效率较低、收敛精度不高、多点采样的并行仿真难以实现等问题。如何在少量昂贵仿真估值条件下提高优化效率和收敛精度是序列Kriging仿真优化方法研究的主要内容。为此,对序列Kriging的近似建模方法、无约束优化、多点并行优化以及约束优化进行综述,介绍经典优化方法、若干改进及相应工具包,并展望所面临的问题和挑战。