《隨機和認知不確定性條件下多學科穩健性設計最佳化研究》是依託華中科技大學，由肖蜜擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：隨機和認知不確定性條件下多學科穩健性設計最佳化研究
- 項目類別：青年科學基金項目
- 項目負責人：肖蜜
- 依託單位：華中科技大學
中文摘要,結題摘要,
中文摘要
本項目對隨機和認知不確定性條件下多學科穩健性設計最佳化（MRDO）進行研究。通過對稀疏數據和區間數據形式的隨機和認知變數進行不確定性分析，估算其均值和方差，然後構建MRDO問題的數學模型；通過對Kriging近似模型構建中存在的認知不確定性進行研究，提出基於基因表達式編程的Kriging穩健性近似模型構建方法；針對MRDO問題多目標、多學科耦合、涉及多學科穩健性分析的特點，提出基於物理規劃和機率目標級聯分析的MRDO求解策略；在多學科設計最佳化軟體iSIGHT平台上，利用MDOL語言開發MRDO原型系統。本項目可為隨機和認知不確定性條件下MRDO問題的建模與求解提供有效方法，一方面可以豐富現有關於MRDO問題的理論研究體系，另一方面可以降低實際工程產品設計最佳化中隨機和認知不確定性對設計最佳化結果及產品設計質量的影響，獲得總體最優的穩健性設計方案。因此，本項目具有重要的理論價值和套用前景。
結題摘要
本項目圍繞隨機和認知不確定性條件下多學科穩健性設計最佳化（Multidisciplinary Robust Design Optimization，MRDO）開展了深入研究： （1）在穩健性近似模型方面：針對近似模型選擇過程中存在的認知不確定性，提出了基於貝葉斯理論的近似模型認知不確定性量化方法，實現了相同採樣數據不同近似模型構建方法和相同近似模型構建方法不同採樣數據兩種情況下，近似模型選擇過程中認知不確定性的量化；提出了基於貝葉斯理論和修正因子的近似模型不確定性處理方法，有效減少了近似模型選擇過程中有用信息的遺失，降低了近似模型選擇過程中存在的認知不確定性，提高了近似模型的穩健性；針對Kriging近似模型構建過程中趨勢函式項選擇時存在的認知不確定性，提出了基於基因表達式編程的Kriging穩健性近似模型構建方法。 （2）在MRDO求解策略方面：構建了面向MRDO的基於指數罰函式協調策略的機率目標級聯分析（Probabilistic Analytical Target Cascading，PATC）求解框架；考慮目標和約束穩健性，提出了基於性能矩積分法（Performance Moment Integration，PMI）和性能測度法（Performance Measure Approach，PMA）的序貫PATC方法，提高了PATC方法中不確定性傳遞的準確性及最佳化的高效性；針對工程產品MRDO中存在的計算複雜性和不確定性傳遞複雜性，提出了基於Kriging和PATC的MRDO方法，保證所獲得的穩健性最佳化解具有較高精度的基礎上，可以有效地提高求解MRDO問題的效率。 基於上述理論研究成果，本項目共發表學術論文10篇，其中SCI收錄期刊論文4篇，國際期刊論文1篇，EI收錄國際會議論文4篇，中文核心期刊論文1篇，取得計算機軟體著作權2項。這些研究成果為隨機和認知不確定性條件下MRDO問題的建模與求解提供了有效方法，豐富了現有關於MRDO問題的理論研究體系，推動了不確定性MDO領域相關技術的發展與套用。另一方面，這些研究成果可以為降低實際工程產品設計最佳化中隨機和認知不確定性對設計最佳化結果及產品設計質量的影響、獲得總體最優的穩健性設計方案提供較好的理論基礎。
