| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 主要符号表 | 第21-23页 |
| 1 绪论 | 第23-37页 |
| 1.1 研究背景及意义 | 第23-25页 |
| 1.2 文献综述 | 第25-34页 |
| 1.2.1 试验设计 | 第25-29页 |
| 1.2.2 近似模型 | 第29-32页 |
| 1.2.3 基于近似模型的全局优化 | 第32-34页 |
| 1.2.4 研究问题的提出 | 第34页 |
| 1.3 本文的研究工作 | 第34-37页 |
| 2 基于空间缩减的快速均匀序列采样 | 第37-51页 |
| 2.1 MCSR序列采样方法 | 第37-40页 |
| 2.2 局部边界搜索：进一步提高采样质量 | 第40-42页 |
| 2.3 数值测试 | 第42-47页 |
| 2.3.1 采样特性比较 | 第43-46页 |
| 2.3.2 采样效率比较 | 第46-47页 |
| 2.4 单级涡轮盘减重优化设计 | 第47-50页 |
| 2.5 本章小结 | 第50-51页 |
| 3 利用误差信息的自适应序列采样 | 第51-84页 |
| 3.1 自适应最大熵序列采样 | 第51-55页 |
| 3.1.1 贝叶斯模型和ME均匀采样简介 | 第51-52页 |
| 3.1.2 AME自适应序列采样 | 第52-54页 |
| 3.1.3 AME采样步骤描述 | 第54-55页 |
| 3.2 AME采样方法数值测试 | 第55-64页 |
| 3.2.1 一维数值测试 | 第55-57页 |
| 3.2.2 其它数值测试 | 第57-64页 |
| 3.2.3 搜索模式的影响 | 第64页 |
| 3.3 基于误差追踪的自适应序列采样 | 第64-67页 |
| 3.3.1 CV-Voronoi自适应序列采样 | 第64-66页 |
| 3.3.2 CV-Voronoi采样步骤描述 | 第66-67页 |
| 3.4 CV-Voronoi采样方法数值测试 | 第67-73页 |
| 3.4.1 一维数值测试 | 第67-69页 |
| 3.4.2 其它数值测试 | 第69-73页 |
| 3.5 处理多响应系统的CV-Voronoi自适应序列采样 | 第73-75页 |
| 3.5.1 多响应系统定义 | 第73页 |
| 3.5.2 mCV-Voronoi自适应采样 | 第73-75页 |
| 3.6 mCV-Voronoi多响应采样方法数值测试 | 第75-83页 |
| 3.6.1 测试结果与讨论 | 第75-81页 |
| 3.6.2 空心风扇叶片设计 | 第81-83页 |
| 3.7 本章小结 | 第83-84页 |
| 4 最优权重逐点组合近似建模 | 第84-101页 |
| 4.1 RBF插值模型介绍 | 第84-85页 |
| 4.2 RBF模型的最优权重逐点组合 | 第85-90页 |
| 4.2.1 确定已有点的权重 | 第86-87页 |
| 4.2.2 确定未知点的权重 | 第87-89页 |
| 4.2.3 组合RBF模型 | 第89-90页 |
| 4.3 OWPE逐点组合方法数值测试 | 第90-100页 |
| 4.3.1 一维数值测试 | 第90-92页 |
| 4.3.2 其它数值测试 | 第92-96页 |
| 4.3.3 采样尺度的影响 | 第96-97页 |
| 4.3.4 组分RBF模型数目的影响 | 第97-98页 |
| 4.3.5 形状参数c的影响 | 第98-99页 |
| 4.3.6 GMSE的影响 | 第99-100页 |
| 4.4 本章小结 | 第100-101页 |
| 5 处理随机数据的高维近似建模 | 第101-118页 |
| 5.1 RBF-HDMR高维建模方法 | 第101-103页 |
| 5.2 处理随机数据的GRBF-HDMR建模方法 | 第103-109页 |
| 5.2.1 误差模型策略 | 第103页 |
| 5.2.2 误差分配策略 | 第103-105页 |
| 5.2.3 二维演示算例 | 第105-109页 |
| 5.3 GRBF-HDMR数值测试 | 第109-116页 |
| 5.3.1 测试算例和测试方案 | 第109-111页 |
| 5.3.2 结果和讨论 | 第111-114页 |
| 5.3.3 随机点数目和维度的影响 | 第114-115页 |
| 5.3.4 运行时间比较 | 第115-116页 |
| 5.4 单级涡轮盘设计 | 第116-117页 |
| 5.5 本章小结 | 第117-118页 |
| 6 基于Lipschitz优化和近似模型的全局无约束优化 | 第118-147页 |
| 6.1 Lipschitz优化算法简介 | 第118-119页 |
| 6.2 基于潜在最优Lipschitz常数的全局优化算法 | 第119-125页 |
| 6.2.1 新的近似方程 | 第119-120页 |
| 6.2.2 潜在最优Lipschitz常数 | 第120-123页 |
| 6.2.3 PLRS优化流程描述 | 第123-125页 |
| 6.2.4 收敛性证明 | 第125页 |
| 6.3 PLRS优化算法数值测试 | 第125-130页 |
| 6.3.1 测试函数 | 第125-126页 |
| 6.3.2 结果和讨论 | 第126-129页 |
| 6.3.3 优化参数的影响 | 第129-130页 |
| 6.4 高速储能飞轮优化设计 | 第130-133页 |
| 6.5 基于扩展DIRECT策略的全局优化算法 | 第133-139页 |
| 6.5.1 DIRECT算法简介 | 第133-134页 |
| 6.5.2 eDIRECT全局优化算法 | 第134-137页 |
| 6.5.3 eDIRECT优化流程描述 | 第137-138页 |
| 6.5.4 收敛性证明 | 第138-139页 |
| 6.6 eDIRECT优化算法数值测试 | 第139-143页 |
| 6.6.1 结果和讨论 | 第139-141页 |
| 6.6.2 优化参数的影响 | 第141-143页 |
| 6.7 轴流压气机叶片罩量调节 | 第143-145页 |
| 6.8 本章小结 | 第145-147页 |
| 7 基于扩展DIRECT策略的全局约束优化 | 第147-166页 |
| 7.1 eDIRECT-C全局约束优化算法 | 第147-154页 |
| 7.1.1 约束问题描述 | 第148页 |
| 7.1.2 识别潜在最优多边形 | 第148-150页 |
| 7.1.3 细分潜在最优多边形 | 第150-151页 |
| 7.1.4 基于自适应近似模型策略的纯粹贪心搜索 | 第151-152页 |
| 7.1.5 处理不可行初始样本集 | 第152-153页 |
| 7.1.6 eDIRECT-C优化流程描述 | 第153-154页 |
| 7.2 eDIRECT-C约束优化算法数值测试 | 第154-161页 |
| 7.2.1 测试算例和测试方案 | 第154-156页 |
| 7.2.2 结果和讨论 | 第156-160页 |
| 7.2.3 约束处理技术和自适应近似模型策略的影响 | 第160-161页 |
| 7.3 多级涡轮盘减重优化设计 | 第161-164页 |
| 7.4 本章小结 | 第164-166页 |
| 8 结论与展望 | 第166-169页 |
| 8.1 结论 | 第166-167页 |
| 8.2 创新点摘要 | 第167-168页 |
| 8.3 未来研究展望 | 第168-169页 |
| 参考文献 | 第169-181页 |
| 攻读博士学位期间科研成果及科研项目 | 第181-184页 |
| 致谢 | 第184-185页 |
| 作者简介 | 第185页 |
