專(zhuān)利名稱(chēng)：基于汽車(chē)耐撞性的并行支持向量機(jī)近似模型優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明主要涉及到車(chē)輛設(shè)計(jì)制造中的安全優(yōu)化設(shè)計(jì)領(lǐng)域，特指一種基于汽車(chē)耐撞性的并行支持向量機(jī)近似模型優(yōu)化方法。
背景技術(shù)：
耐撞性是汽車(chē)安全優(yōu)化設(shè)計(jì)中主要考慮的問(wèn)題，而影響汽車(chē)安全性的往往是設(shè)計(jì)過(guò)程中提供給汽車(chē)用于變形吸能的部件，如前縱梁、耐撞盒等，這些關(guān)鍵的吸能部件的特性和變形模式就決定了汽車(chē)在碰撞過(guò)程中的力或加速度，對(duì)乘員保護(hù)起至關(guān)重要的作用，所以薄壁吸能構(gòu)件一直以來(lái)都是汽車(chē)優(yōu)化設(shè)計(jì)的一個(gè)重點(diǎn)。早期對(duì)于耐撞性問(wèn)題的優(yōu)化是基于梯度經(jīng)典優(yōu)化算法，有從業(yè)人員將仿真技術(shù)和傳統(tǒng)優(yōu)化方法相結(jié)合用于耐撞性問(wèn)題的優(yōu)化，并結(jié)合多學(xué)科商業(yè)軟件iSight用于汽車(chē)碰撞設(shè)計(jì)。隨著近似模型方法的提出和發(fā)展，基于近似模型技術(shù)的優(yōu)化方法在汽車(chē)設(shè)計(jì)中廣泛應(yīng)用，逐漸取代基于梯度的傳統(tǒng)優(yōu)化方法而成為目前車(chē)輛安全設(shè)計(jì)中的主流技術(shù)。另有從業(yè)人員采用Successive RSM方法對(duì)簡(jiǎn)單的吸能梁和前撞問(wèn)題的耐撞性進(jìn)行了研究，并采用該方法對(duì)Chevrolet C2500的安全設(shè)計(jì)進(jìn)行了優(yōu)化，而這一方法也被商業(yè)軟件LS-OPT所采用。Koch等將6Sigma質(zhì)量控制方法結(jié)合近似模型技術(shù)，建立了針對(duì)汽車(chē)側(cè)碰的穩(wěn)健性的優(yōu)化設(shè)計(jì)方法，其優(yōu)化結(jié)果的穩(wěn)健性有一定程度的提高。此外，很多學(xué)者米用 T Stepwise Regression (SR)，MLS, Mutiquadric (MQ)、Kriging 和 Adaptive andInteractive Modeling System (AIMS)等主流方法分別對(duì)汽車(chē)的前碰問(wèn)題進(jìn)行了測(cè)試。結(jié)果表明現(xiàn)有并沒(méi)有一種方法能夠完全滿(mǎn)足碰撞問(wèn)題的建模需求，需要建立一種全新的數(shù)值方法對(duì)這類(lèi)問(wèn)題進(jìn)行研究。以上這些方法所構(gòu)造的近似模型是否能夠反映優(yōu)化目標(biāo)的實(shí)質(zhì)特征，如何對(duì)這些方法所構(gòu)建的近似模型進(jìn)行評(píng)價(jià)，這些問(wèn)題成為近似模型技術(shù)在工程實(shí)踐中應(yīng)用的阻礙。目前，針對(duì)近似模型優(yōu)劣的評(píng)價(jià)基本上建立在回歸分析、方差分析以及無(wú)偏估計(jì)等以統(tǒng)計(jì)學(xué)理論為依據(jù)的基礎(chǔ)之上，這類(lèi)判斷模型優(yōu)劣的標(biāo)準(zhǔn)實(shí)質(zhì)上可以歸結(jié)為所謂經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則。但經(jīng)驗(yàn)風(fēng)險(xiǎn)最小并不一定意味著期望風(fēng)險(xiǎn)最小，對(duì)于近似模型來(lái)說(shuō)，其原因主要是試圖用十分復(fù)雜的模型去擬合有限的樣本，導(dǎo)致喪失了推廣能力。近年來(lái)，隨著學(xué)科之間的不斷交叉、融合，一種基于統(tǒng)計(jì)學(xué)習(xí)理論的技術(shù)Support Vector Machine (SVM,支持向量機(jī))理論受到了廣泛關(guān)注。SVM與神經(jīng)網(wǎng)絡(luò)類(lèi)似，都是學(xué)習(xí)型的機(jī)制，但與神經(jīng)網(wǎng)絡(luò)不同的是SVM使用的是數(shù)學(xué)方法和優(yōu)化技術(shù)，SVM的關(guān)鍵技術(shù)在于核函數(shù)。低維空間向量集通常難以劃分，解決的方法是將它們映射到高維空間。但這個(gè)辦法帶來(lái)的后果就是計(jì)算復(fù)雜度的增加，而核函數(shù)正好巧妙地解決了這個(gè)問(wèn)題。也就是說(shuō)，只要選用適當(dāng)?shù)暮撕瘮?shù)，就可以得到高維空間的分類(lèi)函數(shù)。在SVM理論中，采用不同的核函數(shù)將導(dǎo)致不同的SVM算法。目前，國(guó)際上對(duì)該理論的討論和研究逐漸加強(qiáng)，并初步應(yīng)用于復(fù)雜非線(xiàn)性問(wèn)題的擬合。上述SVM方法的主要缺陷在于其優(yōu)化效率，由于需要大量樣本構(gòu)建穩(wěn)健的近似模型，因此對(duì)于復(fù)雜的汽車(chē)耐撞性問(wèn)題，SVM方法所需要的計(jì)算樣本龐大，難以應(yīng)用于工程實(shí)際。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問(wèn)題就在于針對(duì)現(xiàn)有技術(shù)存在的技術(shù)問(wèn)題，本發(fā)明提供一種采用對(duì)SVM進(jìn)行并行化處理的模式、可大幅度提升建模的速度和優(yōu)化的效率、提高精度的基于汽車(chē)耐撞性的并行支持向量機(jī)近似模型優(yōu)化方法。為解決上述技術(shù)問(wèn)題，本發(fā)明采用以下技術(shù)方案一種基于汽車(chē)耐撞性的并行支持向量機(jī)近似模型優(yōu)化方法，其步驟為(I)根據(jù)設(shè)計(jì)空間建立稀疏網(wǎng)絡(luò)，初始樣本點(diǎn)位于網(wǎng)絡(luò)節(jié)點(diǎn)；
(2)通過(guò)超級(jí)拉丁方實(shí)驗(yàn)設(shè)計(jì)方法生成初始樣本，樣本自動(dòng)轉(zhuǎn)移到網(wǎng)格節(jié)點(diǎn)；(3)將生成的初始樣本分配到各個(gè)計(jì)算節(jié)點(diǎn)；(4)在各個(gè)計(jì)算節(jié)點(diǎn)上用蒙特卡洛方法隨機(jī)生成樣本點(diǎn)；(5)根據(jù)當(dāng)前計(jì)算節(jié)點(diǎn)內(nèi)生成的樣本,在各個(gè)計(jì)算節(jié)點(diǎn)上分別建立基于SVM的近似模型；(6)獲取各個(gè)計(jì)算節(jié)點(diǎn)上分別構(gòu)建的SVM近似模型的誤差標(biāo)準(zhǔn)，判斷是否達(dá)到收斂水平；如果在該計(jì)算節(jié)點(diǎn)達(dá)到收斂水平，則初步設(shè)定該區(qū)域的樣本區(qū)間，進(jìn)行存儲(chǔ)，將步驟(4)在各個(gè)計(jì)算節(jié)點(diǎn)內(nèi)用于構(gòu)造近似模型的樣本傳至主進(jìn)程，采用所有生成的節(jié)點(diǎn)構(gòu)建全局的SVM模型；(7)判斷全局的SVM模型是否收斂；如果收斂，則進(jìn)程結(jié)束，反之，則跳轉(zhuǎn)至步驟
(8)；(8)對(duì)于針對(duì)各個(gè)不收斂的SVM模型所在的區(qū)域，則根據(jù)誤差的大小，初步并找到最大誤差區(qū)；比較收斂SVM模型所在的區(qū)域，搜尋其非重合區(qū)域，確定最大誤差區(qū)域；(9)將各個(gè)區(qū)間獲取的誤差區(qū)信息發(fā)到主進(jìn)程并求和，在求和后的區(qū)域內(nèi)隨機(jī)生成樣本，并平均分配到各個(gè)計(jì)算節(jié)點(diǎn)，并跳轉(zhuǎn)至步驟(4)，直至進(jìn)程結(jié)束。作為本發(fā)明的進(jìn)一步改進(jìn)在步驟(6)和(7)中采用了以下三個(gè)近似模型的評(píng)價(jià)準(zhǔn)則，設(shè)Xi (i = 1，2…m)是在設(shè)計(jì)域內(nèi)隨機(jī)生成的m個(gè)服從均勻分布的測(cè)試樣本點(diǎn)(I)R2;
權(quán)利要求
1.一種基于汽車(chē)耐撞性的并行支持向量機(jī)近似模型優(yōu)化方法，其特征在于，步驟為 (1)根據(jù)設(shè)計(jì)空間建立稀疏網(wǎng)絡(luò)，初始樣本點(diǎn)位于網(wǎng)絡(luò)節(jié)點(diǎn)； (2)通過(guò)超級(jí)拉丁方實(shí)驗(yàn)設(shè)計(jì)方法生成初始樣本，樣本自動(dòng)轉(zhuǎn)移到網(wǎng)格節(jié)點(diǎn)； (3)將生成的初始樣本分配到各個(gè)計(jì)算節(jié)點(diǎn)； (4)在各個(gè)計(jì)算節(jié)點(diǎn)上用蒙特卡洛方法隨機(jī)生成樣本點(diǎn)； (5)根據(jù)當(dāng)前計(jì)算節(jié)點(diǎn)內(nèi)生成的樣本，在各個(gè)計(jì)算節(jié)點(diǎn)上分別建立基于SVM的近似模型；(6)獲取各個(gè)計(jì)算節(jié)點(diǎn)上分別構(gòu)建的SVM近似模型的誤差標(biāo)準(zhǔn)，判斷是否達(dá)到收斂水平；如果在該計(jì)算節(jié)點(diǎn)達(dá)到收斂水平，則初步設(shè)定該區(qū)域的樣本區(qū)間，進(jìn)行存儲(chǔ)，將步驟(4)在各個(gè)計(jì)算節(jié)點(diǎn)內(nèi)用于構(gòu)造近似模型的樣本傳至主進(jìn)程，采用所有生成的節(jié)點(diǎn)構(gòu)建全局的SVM模型； (7)判斷全局的SVM模型是否收斂；如果收斂，則進(jìn)程結(jié)束，反之，則跳轉(zhuǎn)至步驟(8)； (8)對(duì)于針對(duì)各個(gè)不收斂的SVM模型所在的區(qū)域，則根據(jù)誤差的大小，初步并找到最大誤差區(qū)；比較收斂SVM模型所在的區(qū)域，搜尋其非重合區(qū)域，確定最大誤差區(qū)域； (9)將各個(gè)區(qū)間獲取的誤差區(qū)信息發(fā)到主進(jìn)程并求和，在求和后的區(qū)域內(nèi)隨機(jī)生成樣本，并平均分配到各個(gè)計(jì)算節(jié)點(diǎn)，并跳轉(zhuǎn)至步驟(4)，直至進(jìn)程結(jié)束。
2.根據(jù)權(quán)利要求1所述的基于汽車(chē)耐撞性的并行支持向量機(jī)近似模型優(yōu)化方法，其特征在于，在步驟(6)和(7)中采用了以下三個(gè)近似模型的評(píng)價(jià)準(zhǔn)則，設(shè)Xi是在設(shè)計(jì)域內(nèi)隨機(jī)生成的m個(gè)服從均勻分布的測(cè)試樣本點(diǎn),其中i = 1，2夂111;
3.根據(jù)權(quán)利要求1所述的基于汽車(chē)耐撞性的并行支持向量機(jī)近似模型優(yōu)化方法，其特征在于 ，在所述步驟(I)中將網(wǎng)格的密度控制在樣本空間的1/10，即網(wǎng)格的密度pm=10。
全文摘要
一種基于汽車(chē)耐撞性的并行支持向量機(jī)近似模型優(yōu)化方法，其步驟為(1)建立網(wǎng)絡(luò)；(2)生成初始樣本并自動(dòng)轉(zhuǎn)移到網(wǎng)格節(jié)點(diǎn)；(3)將初始樣本分配到各個(gè)計(jì)算節(jié)點(diǎn)；(4)隨機(jī)生成樣本點(diǎn)；(5)建立基于SVM的近似模型；(6)獲取SVM近似模型的誤差標(biāo)準(zhǔn)，判斷是否達(dá)到收斂水平；如果是，則采用所有生成的節(jié)點(diǎn)構(gòu)建全局的SVM模型；(7)判斷全局的SVM模型是否收斂；如果收斂，則進(jìn)程結(jié)束，反正，則跳轉(zhuǎn)步驟(8)；(8)找到最大誤差區(qū)；(9)將誤差區(qū)信息求和，在求和后的區(qū)域內(nèi)隨機(jī)生成樣本，并平均分配到各個(gè)計(jì)算節(jié)點(diǎn)，并跳轉(zhuǎn)至步驟(4)，直至進(jìn)程結(jié)束。本發(fā)明采用對(duì)SVM進(jìn)行并行化處理的模式、可大幅度提升建模的速度和優(yōu)化的效率、提高精度。
文檔編號(hào)G06F17/50GK102999672SQ20121050109
公開(kāi)日2013年3月27日 申請(qǐng)日期2012年11月30日 優(yōu)先權(quán)日2012年11月30日
發(fā)明者王琥, 蔡勇, 李光耀, 鄭剛 申請(qǐng)人:湖南大學(xué)