首页|期刊导航|电机与控制应用|基于迁移代理模型的黑盒优化算法

基于迁移代理模型的黑盒优化算法OA

中文摘要

【目的】黑盒优化算法广泛应用于各类复杂工程设计场景,但其固有的运算过程复杂、内部逻辑不透明,导致算力消耗大。在电机优化设计过程中,黑盒优化算法通过反复迭代运算和有限元仿真筛选最优结构参数,大幅拉长了设计周期,制约工程应用效率。传统代理模型虽能降低算力成本,但适配性较差,难以搭建适用于多工况的通用数据库,设计需求和应用场景出现小幅变动后,需重新采集数据、训练模型,存在泛化能力弱、数据复用率低的工程缺陷。【方法】针对上述问题,本文提出一种基于迁移代理模型(TSM)的黑盒优化算法。首先,依托迁移学习理论搭建全新TSM,通过模型自主筛选源域优质有效样本,深度挖掘数据内在特征,提升模型在目标域小样本条件下的预测精度与泛化能力。然后,将优化后的TSM与迭代优化算法深度融合,删减优化过程中的冗余计算步骤,进一步提升目标优化任务的执行效率。最后,通过仿真测试所提算法的实际应用效果。【结果】仿真结果表明,相较于传统优化算法,本文所提基于TSM的优化算法可有效降低算力损耗,显著提升电机参数优化的整体工作效率,同时能够加快模型迭代收敛速度,在多变的电机设计工况中具备更稳定的表现。【结论】本文所提基于TSM的优化算法,从数据利用与算法融合层面解决了传统黑盒优化算法和常规代理模型的固有短板,突破了传统模型场景适配性差、重复训练成本高的局限。所提算法能高效适配实际工程的多变设计需求,为电机智能优化设计以及同类复杂工程黑盒优化问题提供可靠、高效的技术支撑,具备极高的工程落地价值与推广前景。

王志强;乔振阳;张云鹏;傅为农

中国科学院深圳先进技术研究院,广东深圳518055 中国科学院大学,北京101408深圳理工大学计算机科学与控制工程学院,广东深圳518107中国科学院深圳先进技术研究院,广东深圳518055深圳理工大学计算机科学与控制工程学院,广东深圳518107

信息技术与安全科学

黑盒优化代理模型迁移学习电机优化设计

《电机与控制应用》 2026 (9)

P.873-882,10

国家自然科学基金(52407010)。

10.12177/emca.2026.211

评论