基于遗传算法的Kriging模型构造与优化

No. 2Feb.2021第2期2021年2月组合机床与自动化加工技术Modular Machine Tool & Automatic Manufacttring Techninue文章编号：1001 -2265(2021)02 -0062 -04DOI : 10.13462/j. cnki. mmtamt. 2021.02. 015基于Kriging 模型的圆锥动静压轴承优化设计张鹏飞，张泽斌，郭红（郑州大学机械与动力工程学院，郑州450001）摘要：为提高圆锥动静压轴承的综合性能，以单位承载力下功耗最小和平均温升最低为优化目标,考虑几何结构约束条件，采用最优拉丁超立方进行设计空间的布点，进行有限元数值计算。

基于计 算结果，采用K/ging 方法建立目标函数的近似代理模型。

在此模型基础上，使用非劣分层遗传算 法（NSGA 频）获得Pareto 最优解集；最后通过权重系数法求得最优非劣解。

结果表明：优化后方案1的两个目标函数值分别较优化前减小了 18.8%和10%，优化方案2分别降低了 10. 9%）32% ；轴承无量纲功耗有所降低、无量纲承载力得到提升，温升降低明显，轴承整体性能较优化前有较大提 升。

关键词：圆锥动静压轴承;Kriging 模型；非劣分层遗传算法；优化设计中图分类号:TH133.3 :TG506 文献标识码:AKriging Model Based Optimization of Conical Hybrid BearingZHANG Peng-fei , ZHANG Ze-bin , GUO Hong(Schooi of Mechanicai and Powes Engineering , Zhengzhou University & Zhengzhou 450001, China )Abstrad : To improve the global performance of conical hybad bearing & the “ friction-to-load i ratio and the average temperature rise ae taken as optimization objectives , which subjech to several consWai.nts inclu ­ding geometic strucaire and operating paameters. Kriging surrogate model was established based on a de ­sign of experimentr method & and Non-domi.nated Soiing Genetic Algocthm (NSGA-I I ) was used to obtain the Pareto front. Finiy , two optimal solutions are obtained by using a weight coefficient method. The re ­su U s show that two objective function values of scheme 1 are reduced by 18. 8% and 10% respectivelycompared with before optimization & and optimization scheme 3 is reduced by 10. 9% and 33% , respective ­ly. In addition & the non-dimensional power consumption of the beaing and temperature rise have been re ­duced ,the non-dimensional bearing capacity has been improved , and the global performance of the conical hybeid beaeing hasbeen succe s fu l y impeoved.Key wort ： conical hybad beaing ； Kriging model ； NSGA-I I ； optimization0引言圆锥动静压轴承集向心轴承与推力轴承于一体,具有摩擦功耗低、油膜间隙易于调整等优点，在旋转机 械设备中被广泛应用’为了更好的提高轴承的综合性 能，使轴承具有更高的承载能力、更小的摩擦功耗以及更好的稳定性等优点。

基于kriging模型和两目标约束应对策略的代理优化算法摘要：1.引言a.背景介绍b.代理优化算法的研究意义2.Kriging模型a.Kriging模型的基本原理b.Kriging模型的应用领域3.两目标约束应对策略a.两目标约束应对策略的定义b.两目标约束应对策略的优势4.代理优化算法a.代理优化算法的原理b.代理优化算法的步骤c.代理优化算法与其他优化算法的比较5.实证研究a.研究方法b.数据来源c.结果分析6.结论与展望a.研究结论b.研究的局限性c.未来的研究方向正文：基于Kriging模型和两目标约束应对策略的代理优化算法在许多领域具有广泛的应用和研究价值。

在本文中，我们将详细介绍这一算法的原理、步骤以及实证研究。

首先，我们需要了解Kriging模型。

Kriging模型是一种插值和预测方法，它通过协方差函数来描述空间数据的变异规律，从而实现对未知数据的预测。

Kriging模型具有较高的预测精度和可靠性，因此被广泛应用于资源勘探、环境监测、风险评估等领域。

其次，我们需要了解两目标约束应对策略。

两目标约束应对策略是指在优化问题中，同时考虑两个目标函数的约束条件，以实现更优的解。

这种策略能够有效地平衡多个目标之间的关系，提高优化效果。

代理优化算法是一种结合了Kriging模型和两目标约束应对策略的优化方法。

它通过Kriging模型来预测未知数据，并结合两目标约束应对策略来寻找最优解。

具体来说，代理优化算法包括以下步骤：1.定义目标函数和约束条件：明确优化问题的目标函数和约束条件，例如成本、风险等。

2.构建Kriging模型：根据已有数据，构建Kriging模型，用于预测未知数据。

3.确定权重：根据目标函数和约束条件的相对重要性，确定权重。

4.优化求解：利用Kriging模型和权重，结合两目标约束应对策略，求解优化问题。

代理优化算法在许多领域具有广泛的应用和研究价值。

例如，在供应链管理中，代理优化算法可以用于求解供应链的最优布局问题，以实现成本和效率的最优平衡。

77第2期周宇翀等：一种基于深度学习的多基线InSAR高程反演方法A multi-baseline InSAR elevation reconstruction method based ondeep learningZHOU Yuchong1,XIE Xianming*2（1.School of Automation,Guangxi University of Science and Technology,Liuzhou545616,China;2.School of Electronic Engineering,Guangxi University of Science and Technology,Liuzhou545006,China）Abstract:A multi-baseline interferometric synthetic aperture radar（InSAR）elevation reconstruction method based on deep learning and cluster analysis is proposed.This method uses deep learning neural network to classify the intercept information of the interferogram as the basis for judging the category attributes of the pixels,and accurately obtains the clustering center of the pixels,and then cluster analysis technique is used to obtain the elevation information of the observed scenes.The main steps are as follows:firstly,the intercept information of interferograms is obtained,and then the deep learning neural network is used to classify the intercept information of the interferograms.Secondly,the intercepts of the pixels classified into the same category predicted by the network are averaged as the clustering center of this category,which effectively avoids the misclassification caused by the traditional technique due to poor noise robustness.Finally,the cluster analysis technique is used to obtain the elevation information of the observed scenes.The simulation and measured experiment results show that the root-mean-square error of the proposed method is smaller and the reconstruction accuracy is higher than that of the traditional CA algorithm under different SNR.Keywords:multi-baseline InSAR;deep learning;cluster analysis（责任编辑：黎娅）第35卷第2期2024年6月广西科技大学学报JOURNAL OF GUANGXI UNIVERSITY OF SCIENCE AND TECHNOLOGY Vol.35No.2 Jun.2024基于Kriging模型的主轴箱多目标尺寸优化潘英广1，唐清春*1，袁秀坤2，张晨阳1，魏巍1，王太子1（1.广西科技大学机械与汽车工程学院，广西柳州545616；2.四川工程职业技术学院交通工程系，四川德阳618000）摘要：以自研五轴工具磨床为研究对象，利用Inventor建立其三维模型，导入ANSYS Workbench建立其整机有限元模型，通过对整机的模态分析与谐响应分析确定主轴箱为影响整机动态特性的关键部件。