通过深度学习来挖掘设计变量、目标参数与Kriging模型之间内在关系的序列Kriging仿真优化方法已成为基于元模型优化的研究前沿和热点。但仿真优化过程中存在建模效率较低、收敛精度不高、多点采样的并行仿真难以实现等问题。如何在少量昂贵仿真估值条件下提高优化效率和收敛精度是序列Kriging仿真优化方法研究的主要内容。为此,对序列Kriging的近似建模方法、无约束优化、多点并行优化以及约束优化进行综述,介绍经典优化方法、若干改进及相应工具包,并展望所面临的问题和挑战。

研究用时间谱元法求解运动微分方程，从Bubnov—Galerkin方法出发，深入探讨在时间域内离散动态响应，将整体运动微分方程组转化成代数方程组，精确高效解出瞬态响应；提出了关键点及其相邻GLL（Gauss-Lobatto-Legendre）点法处理与时间相关的约束，并且提出了时间谱元法的单元划分和插值次数为动态载荷变化程度的函数。以弹簧减振器设计以及汽车悬挂系统设计为例，引入人工设计变量，分析了处理约束方法的优缺点，也说明了此方法的正确性。为进一步研究动态响应优化提供参考。