数据驱动的智能计算及其应用研究综述

戴瑞,介婧,王万良,叶倩琳,吴菲

Review of data-driven intelligent computation and its application

Rui DAI,Jing JIE,Wanliang WANG,Qianlin YE,Fei WU

表 1 几种流行的元模型比较与分析

Tab.1 Comparison and analysis of several popular metamodels

元模型 应用范围 特点 PR/RSM[10] 连续问题 适合低阶非线性和小规模EOPs；不需要指定参数 GP/Kriging[29] 连续问题 只适合中低维EOPs；能够提供预测的不确定性 ANN[30] 连续问题 评估精度高，但需要人为大量试错；训练时间长；鲁棒性差 RBFN[31] 连续问题 适合中高维EOPs；具有较高的非线性逼近能力；鲁棒性好；可伸缩性强 RF[32] 连续问题和离散问题 需要调整的参数少；评估精度有待提高 KNN[33] 连续问题和离散问题 适合高维和多模态EOPs；对异常值不敏感；计算量大；不适合数据不平衡的问题 SVM[34] 连续问题和离散问题 适合中低维EOPs；鲁棒性差 CNN[35] 连续问题和离散问题 适合大规模多目标EOPs；能够实现模型并行 GAN[36] 离散问题 作为分类器，将候选解分为真实和虚假数据，适合大规模的稀疏EOPs；结构复杂，可能存在过拟合问题 EDN[37] 连续问题 适合高维EOPs；具有很强的可伸缩性；能够提供不确定性