基于Kriging代理模型的EGO(Efficient Global Optimization)算法的优化精度不高,并且当构建模型的样本数量较大时,算法优化变得耗时。对此提出了结合全局代理模型与局部代理模型的改进优化算法。使用Kriging作为全局代理模型,RBF作为局部代理模型,通过构建、优化多个局部代理模型来获取多个局部较优点,并在线更新Kriging模型,提高模型精度。针对优化耗时问题,提出了样本点遗忘法以及样本点渐进式增加法,使优化时间较EGO大大缩短。通过4个典型测试函数验证,并在收敛精度、稳定性两方面与EGO,PSO算法比较,结果显示两者都优于EGO与PSO,说明该算法具有强寻优性能、强鲁棒性。
