以MATLAB GUI為平臺的代理模型優化設計工具箱

高玉瓊，呂利葉，李建飛，宋學官

（大連理工大學機械工程學院，遼寧 大連 116023）

1 引言

代理模型是一種被廣泛應用于工程設計及優化問題中的數學近似方法［1］。在復雜系統的設計空間中，能夠以較少樣本點為基礎擬合出系統輸入參數和輸出值之間的關系，具有擬合精度好、成本低、工作效率高等特點。常用的代理模型技術包括多項式擬合曲面（Polynomial Regression Surface，PRS）［2］、徑向基函數（Radial Basis Function，RBF）［3］、克里金（Kriging，KRG）［4］等，基于代理模型技術的優化設計流程一般，如圖1所示。i SIGHT和MATLAB具有強大的計算及優化能力，但操作門檻較高，對于用戶的專業知識能力和計算機的硬件水平要求較高。借助可視化工具GUI可以降低代理模型技術的使用難度，在解決問題的過程中為用戶提供現有任務和解決方案之間的用戶行為交互及數據傳輸，用戶在界面上的操作結果可以被展現在MATLAB的圖形窗口中［5］基于MATLAB的用戶圖形界面工具開發應用十分廣泛：文獻［6］開發出基于MATLAB GUI的圖像處理平臺，文獻［7］設計出全局敏感度分析工具箱，文獻［8］開發出數據驅動的相似分類法（SIMCA）用戶界面。

提出了一種基于MALTAB用戶圖形界面的代理模型優化設計工具箱，該工具箱主要包含試驗設計、建立代理模型、預測及優化三個模塊。通過數值分析實例證明該工具箱的實用性，能夠很好的幫助用戶解決常見工程設計優化問題，同時也能夠推廣代理模型技術的應用。

圖1基于代理模型的設計及優化流程圖Fig.1 The Flow Chart of Surrogate-Based Design and Optimization

2界面框架

SBDO工具箱包含四個模塊。用戶打開主界面后，依據窗口提示首先打開試驗設計窗口進行隨機抽樣取點。該界面囊括了四種常用抽樣方法，分別是拉丁超立方試驗設計（Latin Hyper?cube Design，LHD）、全析因試驗設計（Full-factorial Design，FFD）、Box-Behnken試驗設計（Box-Behnken Design，BBD）和中心復合試驗設計（Central Composite Design，CCD）。用戶只需要按提示在界面輸入框中輸入自變量的數目和取值范圍，便可以選擇任意一種抽樣方法對自變量進行取點，由于代理模型的建立和精度檢測需要訓練點及檢測點，用戶需要進行兩次抽樣，抽樣結果通過保存按鈕保存在DOE_Points.xlsx表格中，相應的響應值需要用戶通過仿真計算得到。

完成抽樣取點后關閉DoE界面，可在主界面上按提示點擊按鈕打開建立代理模型窗口。該界面包含三種常用的代理模型理論，分別為PRS、RBF和KRG。用戶導入訓練點和測試點信息后，通過切換代理模型方法，便可以建立代理模型并檢測其精度，檢測指標的計算結果將會以數值方式顯示。界面還包含有基于期望的加點方法，若模型精度為達到要求，用戶可更換代理模型類型、重新抽樣或通過添加訓練點來增加模型擬合精度。

完成上述工作后，最后打開預測及優化窗口，在該界面中用戶可通過優化算法找到最優解，待優化問題的目標函數既可以是通過上一步建立的代理模型擬合值，也可以是用戶自定義函數。此界面包含常用的遺傳算法（Genetic Algorithm，GA）、多目標遺傳算法（Multi-Objective Genetic Algorithm）和粒子群算法（Parti?cle Swarm Optimization，PSO）等。各模塊的結果將會以數值或圖形顯示在用戶界面中，SBDO工具箱的框架圖，每一個模塊都包含了若干理論方法，如圖2所示。

圖2 SBDO工具箱的框架圖Fig.2 The System Block Diagram of SBDO Toolbox

2.1試驗設計模塊

抽樣通常是基于代理模型的設計及優化方法的第一步，是一種用計算機模擬實驗取樣過程的數理統計方法，在試驗設計模塊中能夠隨機生成建立代理模型所需要的訓練點和檢測點。為了使代理模型更加貼近真實的變量和響應值之間的關系，樣本點應隨機分布并盡量布滿設計空間。該模塊主要包含四種試驗設計方法，其中LHD常用于自變量多維分布的設計空間，它能快速生成大量近似隨機分布的樣本點［9］，是一種應用廣泛的抽樣方法；FFD是一種多因素交叉分組設計方法，所得到的樣本點與真實抽樣實驗結果相同，展現出每個變量的所具有的全部水平組合方式，得到的樣本點信息量較多；BBD常適用于響應面分析，它是一類基于三層不完全因子設計的可旋轉或近似可旋轉二階設計，適合自變量因素（維度）較少時使用。CCD是二階二次型設計方法，與BBD的適用范圍類似，但在相同因素下的實驗次數比BBD更多。

2.2代理模型構建模塊

該模塊旨在引導用戶通過界面操作，建立一個代理模型以近似模擬自變量與目標函數之間的關系并檢驗模型精度，界面中還提供了一種加點準則以增強模型的擬合精度。該模塊主要包含三種典型代理模、精度檢驗和加點策略。

2.2.1多項式響應曲面代理模型

多項式響應曲面代理模型也被稱作為多項式回歸分析，是一種基于最小二乘法的回歸分析方法，擬合結果具有良好的連續性和可導性，能較好的去除數字噪聲的影響，易于后續尋找最優解。對于n維變量，它的多項式公式基本形式為：

2.2.2徑向基函數代理模型

徑向基函數是一種用于離散多變量數據的插值擬合方法，它的計算速度較快，擬合精度及魯棒性較好。其響應值可以看作各種徑向基函數的線性組合，基本數學表達式為：

在建立代理模型的過程中，為了得到唯一解，徑向基函數中的矩陣應為方陣，因此指定徑向基函數代理模型基本公式可以表示為ΨW=Y，W的計算公式為W=Ψ-1Y。常用的徑向基函數有線性函數，立方型函數，高斯函數，多重二次曲面函數，倒多重二次曲面函數等類型。

2.2.3 Kriging代理模型

Kriging模型是一種估計方差最小的無偏估計模型，是基于高斯過程的內插擬合方法，在處理局部數據突變的問題時擬合精度較高，可以較好的處理各類各向同性或各向異性問題，但它的數學公式較為復雜，建立代理模型時的計算工作量較大。Kriging代理模型的基本數學公式為：

式中：f（x）—已知的近似模擬模型；z（x）—高斯隨機過程。

高斯過程的期望為0，協方差矩陣為：

式中：σ2—z（x）的方差；R—相關系數矩陣相關函數，最常用的是高斯函數。

則基于Kriging的最佳預測估計響應值計算式為：

式中：f—由n個樣本點的輸出值組成的列向量；r—未知點x與樣本點之間的相關向量。

方差的最大似然估計（Maximum Likelihood Estimates，MLEs）為：

高斯函數中的未知參數θ的計算公式為：

2.3預測及優化模塊

在本模塊中，用戶可選擇優化算法在整個設計及優化空間中尋找最優解決方案。該模塊內置2種優化算法用于解決無約束最小值問題，1種優化算法用于解決帶約束的非線性規劃問題，以及遺傳算法GA、多目標遺傳算法和粒子群算法PSO。GA是一種基于自然選擇和生物進化的尋優算法，在尋優過程中，通過模擬自然生物界的選擇、交叉和變異過程找到最優解；多目標遺傳算法可以針對多個目標值得到Pareto最優解；PSO是一種從隨機初始值開始，通過迭代來搜尋最優解的進化算法。對于算法中的目標函數，用戶既可選擇使用在上一步中建立的代理模型進行預測，也可以自定義目標函數數學關系式。在搜尋最優解的過程中，全局敏感度分析結果也將以表格形式展現在本模塊界面上，它體現了各個變量對于輸出值的影響程度。

3用戶界面設計及顯示效果

基于上述的理論及系統框架，接下來就可以借助MALAB GUI來設計并完成用戶界面的搭建和應用。首先根據用戶的操作習慣和界面功能設計出界面的理論框架布局，隨后在GUIDE中設計好控件分布和排列，最終在MATLAB編輯器中編寫功能函數、數據傳遞、控件補完、邏輯調配和錯誤警示等功能。完成上述工作后可以開始運行程序并驗證SBDO工具箱的實用性。經過測試后的SBDO工具箱可用于工程實踐。在開發SBDO工具箱的過程中，最主要的工作是對于用戶界面的設計和代碼編寫。為了更好的用戶體驗，工具箱的界面設計嚴格遵循簡單性、一致性、習常性的原則。各模塊的顯示窗口被分為多個區域展現輸入、設置項切換、結果顯示等功能。在用戶操作的過程中會檢測用戶輸入項是否完整、格式是否正確而及時彈出警示框，數據能夠及時存檔，不會因突發異常而丟失，具有很好的連續性和用戶體驗。

工具箱主界面包含軟件的圖標、三大模塊按鈕和最終結果顯示框等內容，如圖3所示。用戶可按照提示依次點擊試驗設計、建立代理模型、優化等按鈕來打開各模塊的窗口并得到相應的結果，未操作過的面板底色為灰色，操作過的面板為白色。最終的設計及優化結果也將呈現在主界面下方的文字框中。

圖3 SBDO工具箱主界面框架設計及窗口顯示Fig.3 The Frame Design and Display of SBDO Toolbox’s Main Window

試驗設計模塊的用戶界面包含多個顯示和功能區域，如圖4所示。

圖4試驗設計模塊的框架設計和窗口顯示Fig.4 The Frame Design and Display of DOE Module Window

用戶可在左上角選擇抽樣方法，輸入自變量的維度和取值范圍，在右側切換抽樣方法的設置項后點擊相應按鈕，則樣本點數據將會展現在右下角的表格中，用戶可點擊畫圖選擇查看各樣本點在空間分布的情況。在該界面中，抽樣方法的選項均有默認值，若用戶無需選擇其他選項，保持默認狀態即可。樣本點產生后，用戶可選擇將樣本點保存到excel表格，或默認在空間中保存為mat文件，以便于根據樣本點仿真計算得到對應的響應值。在該模塊中，用戶可以以少量簡單操作完成抽樣并直觀查看抽樣結果。

建立代理模型模塊的理論框架和最終展示效果，如圖5所示。窗口主要分為兩個區域：模型選項及顯示區域、模型數據操作區域。用戶可在左上角的彈出式菜單中選擇需要建立的代理模型的類型并設置相應的選項。建立和檢測代理模型所需的訓練點和測試點可以直接采用上一步的DoE結果，也可以從excel表格中導入，顯示在右下角的表格中。模型的精度檢測結果將會顯示在右下角的表格中，用戶也可以在右上角選擇變量來查看代理模型的插值擬合圖形。若模型檢測結果精度不足，可以點擊加點按鈕進行加點重新建立代理模型并檢測精度。本模塊中的PRS、RBF和KRG代理模型源代碼來源于Felipe A.C.Viana［10］。

圖5 建立模型模塊的框架設計和窗口顯示Fig.5 The Frame Design and Display of Construction of Surrogate Model Module

預測及優化模塊的用戶界面，如圖6所示。在該模塊中，用戶可根據選擇不同的優化算法，提示輸入優化問題中自變量和約束等相關信息，優化過程中的目標函數可以選擇由上一步建立的代理模型根據最優解近似預測，也可以自行定義函數或數學關系式。最終的優化結果將會顯示在左下角的白色文本框中，全局敏感度分析結果則以表格形式展現。右側的優化算法參數設置項在不同的算法時也不一樣，用戶可根據實際情況進行切換調整或保持默認狀態。在進行設計和優化過程中，用戶操作不當或輸入參數不完整時將會及時彈出錯誤警示框進行提示。

圖6 預測及優化模塊的框架設計和窗口顯示Fig.6 The Frame Design and Display of Prediction∕Optimization Module Window

4 數值算例分析

為了驗證SBDO工具箱的實用性，本章將利用SBDO工具箱完成一系列數值算例，用于測試工具箱的功能、用戶體驗和展示效果。在進行數值算例驗證的過程中，按照基于代理模型的工程設計及優化流程，首先在試驗設計模塊進行抽樣得到若干訓練點和檢測點信息，隨后在建立代理模型模塊建立代理模型并檢測模型精度，最后在預測及優化模塊利用優化算法尋找最優解。考慮到不同代理模型的原理和擬合效果不同，單一測試函數的結果并不具有代表性，因此本次采用25組不同特性的測試函數進行檢測。這些函數既有非線性也有線性，自變量維度在（2～16）之間。樣本點對應的真實響應值由測試函數求得，預測值則分別由PRS、RBF、KRG三種代理模型求得，以此看出各代理模型的擬合精度，RMSE的值，如表1所示。r2的值，如圖7所示。值得一提的是，檢測結果與代理模型技術本身的特點有關，SBDO工具箱意在為用戶提供簡單實用的代理模型技術的工具，而不能更改代理模型的擬合結果。

表1 25個測試函數在三種代理模型中的RMSE值Tab.1 RMSE of Three Surrogate Models in 25 Test Functions

圖7 SBDO工具箱中三種代理模型的r2值Fig.7 r2 of Three Surrogate Models in SBDO Toolbox

通過數值算例的操作及結果展示，SBDO工具箱可以完成簡單的工程設計及優化的全部過程。對同一個測試函數，不同代理模型的擬合精度不同，而不同性質的測試函數則體現了代理模型廣闊的應用范圍和優缺點。通過SBDO工具箱，用戶可以通過輸入變量信息、切換選項設置、點擊按鈕等操作得到建模和優化的結果。若建立的代理模型精度不符合要求，用戶可以通過加點操作、切換代理模型類型或重新抽樣取點等操作取得改善。

5 結論

主要提出了一種基于代理模型的設計及優化MATLAB工具箱SBDO，主要通過試驗設計、建立代理模型、預測及優化界面引導普通用戶解決常見工程設計及優化問題。該系統具有很強的實用性、交互性和開放性。用戶的操作門檻低，且不需要掌握專業的機械結構、優化算法、編程等專業知識即可使用，有助于推廣代理模型理論的使用范圍。

在今后的工作過程中，SBDO工具箱將被應用于實際工程設計優化問題，并將在不斷的實踐和反饋過程中進行改善和升級。目前工具箱中所包含的理論方法還不夠多，界面設計仍有完善空間。我們期待為用戶提供一個方法更加多元、界面更加美觀、使用更加方便的基于代理模型的工程設計及優化工具箱。