一种适用于混合定性与定量因素的改进型惩罚克里金方法

《ADVANCED ENGINEERING INFORMATICS》:An improved penalty kriging method for mixed qualitative and quantitative factors

【字体: 大 中 小 】 时间:2026年02月13日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

  陈大豪|程志军 中国湖南长沙410074,国防科技大学系统工程学院 摘要 在武器系统测试问题中,构建武器系统替代模型面临三大挑战:样本有限、定性与定量因素混合以及高维分析。这些因素共同影响了建模的准确性和可行性以及解决方案的质量。为解决这些问题,本文提出了一种改进的惩罚克里金方法

  陈大豪|程志军 中国湖南长沙410074,国防科技大学系统工程学院 摘要 在武器系统测试问题中,构建武器系统替代模型面临三大挑战:样本有限、定性与定量因素混合以及高维分析。这些因素共同影响了建模的准确性和可行性以及解决方案的质量。为解决这些问题,本文提出了一种改进的惩罚克里金方法,该方法能够结合定性与定量因素。通过将回归系数及相关参数的惩罚项分别引入趋势函数和相关函数中,从而同时筛选定性与定量因素的变量。为了解决带有惩罚函数的极大似然估计问题,采用网格搜索与交叉验证来确定两个惩罚函数的正则化参数。随后,通过嵌套优化算法确定克里金模型的参数。所提出的模型通过九个数值函数以及导弹系统命中率建模案例进行了验证,并与其它现有方法进行了性能比较。结果表明,采用所提出的包含定性与定量混合因素的惩罚盲似然克里金方法(QQPBLK)构建的导弹命中概率替代模型的相对均方根误差为0.2587。这与现有模型相比,相对均方根误差降低了约30.88%,同时计算时间也减少了约70.01%。此外,在计算资源受限的情况下,该方法比不受限制的协方差、乘积协方差以及潜变量高斯过程等方法能获得更准确的预测结果。引言 近年来,包括设计优化[1]、[2]、模型探索[3]、[4]、不确定性量化[5]、[6]以及敏感性分析[7]、[8]在内的诸多领域的问题复杂性不断上升。构建高效的替代模型已成为一种重要的解决方案。通过有限的样本在设计变量与关键性能指标之间建立数学映射关系,这类模型显著提升了复杂工程问题的探索效率。然而,随着现实世界的日益复杂,替代模型面临着新的挑战。例如,武器系统测试需要高昂的成本和大量资源,这限制了可用的实际工程数据。因此,要全面覆盖武器系统测试中各种多因素耦合场景,如战场环境组合,变得十分困难。作为核心性能指标,武器系统的命中率受到多种耦合因素的影响,其中包括难以精确量化的多维非线性定量因素(如电子对抗措施)以及定性因素(如弹道类型)。目前最常用的替代模型包括多项式响应面[9]、径向基函数[10]、[11]、支持向量回归[12]、[13]以及克里金模型[14]、[15]。克里金方法最初由Krige[16]提出,用于矿产资源的插值估算。后来,Sacks[17]将该方法扩展到计算机实验的设计与分析中,使得克里金成为计算机实验中最流行的建模方法[18]、[19]、[20]。不过,传统的克里金方法在处理定性与定量因素混合输入时存在建模难题。此外,当样本量有限且输入数据为高维时,会导致参数估计不稳定,且模型的可解释性也会降低。为应对上述挑战,本文提出了一种适用于定性与定量混合因素的惩罚克里金方法,系统地解决了混合因素建模和变量选择的问题。首次在趋势函数中的回归系数以及相关函数中的结构参数上分别应用独立或联合惩罚机制,从而使模型构建与关键特征筛选能够在统一的流程中同步完成。本研究创新性地将Lasso和Ridge惩罚机制应用于趋势函数中的定量与定性因素。这一策略不仅利用Lasso的稀疏性来筛选关键的定量影响因素,还通过Ridge惩罚保留定性因素的完整类别信息,这符合该策略的数学本质,使得模型结果具有可解释性,便于工程专家使用。在相关函数中,采用SCAD函数对相关参数进行惩罚,有效避免了模型过拟合的风险,进一步提升了模型的准确性。本文的其余部分结构如下:第二部分回顾了相关的克里金模型以及定性与定量混合建模方法;第三部分提出了适用于定性与定量混合因素的改进型惩罚克里金建模方法;第四部分通过九个数值实验比较了本方法与其他方法的优缺点;第五部分探讨了本文所提方法在武器系统命中率建模方面的预测性能;第六部分对本文章进行了分析和总结。相关研究 已有大量成熟的理论研究致力于解决仅涉及多个定量因素的克里金建模问题,这些研究主要聚焦于趋势函数和相关函数的构建方法。Pardo-Igúzquiza等人[21]和Palar等人[22]使用已知变量来表示趋势函数,这类模型被称为通用克里金模型[19]。然而,如果响应过程中存在不重要的变量,替代模型的准确性可能会受到影响。模型与符号 在工程问题中,随着定量和定性因素数量的增加,趋势函数中的项数会大幅增加,需要估计的回归系数数量也会随之增多。在样本量有限的情况下,估计得到的回归系数可能会过大,从而导致极大似然估计结果不准确,进而降低模型的精度。此外,当存在众多……数值示例与结果分析 在本研究中,采用了不同方法构建了多种替代模型;通过将替代模型的预测值与测试集的真实值进行比较,利用相对均方根误差和拟合优度指标来衡量各模型的预测精度。其计算公式如下:RRMSE(y,y?)=1n∑i=1n(y?i-yi)21n∑i=1n(yˉi-yi)2R2=1-∑i=1n(yi-y?i)2∑i=1n(yi-yˉ)2其中y?i是第i个样本的替代模型响应值,yi是对应的真实值,yˉi是……武器系统效能指数响应建模 本章以某类武器系统的工程案例为例,旨在建立武器系统命中率及相关测试因素的数学模型。克里金模型中的趋势函数采用定性与定量二阶混合多项式构建,而相关函数则采用高斯过程和各向同性可交换相关函数的形式。结论 通过理论构建、算法实现以及系统验证,本研究成功解决了高维定性与定量混合因素替代模型的建模问题,实现了从“预测”到“诊断”的功能飞跃。实证研究表明,在大多数情况下,QQPBLK方法具有最佳的预测性能,与传统方法如LVGP相比,平均相对均方根误差可降低15%至40%。在高维混合……CRediT作者贡献声明 陈大豪:撰写——初稿、方法论、研究实施、概念构思。程志军:撰写——审稿与编辑、指导、资金获取。利益冲突声明 作者声明没有已知的财务利益或个人关系可能影响本文的研究工作。致谢 本项目得到了中国国家自然科学基金的支持(项目编号:72171231)。术语表 MLE:极大似然估计 QQPBK:包含定性与定量混合因素的惩罚盲克里金方法 QQPBLK:包含定性与定量混合因素的惩罚盲似然克里金方法 QQPLK:包含定性与定量混合因素的惩罚似然克里金方法 RRMSE:相对均方根误差
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号