Present metamodel based global optimization algorithms usually build an evolving metamodel using initial and updated sample points to speed up the search of the global optimum. In this research, we proposed an efficient and robust multiple meta-model-based global optimization method (EMMGO). The EMMGO starts with two different sets of initial points and two different sets of evolving metamodels to search the design space. One evolving set of meta-models are updated using all sample points at each iteration of the search. The other set of meta-models are constructed using the sample points without the set of points which contains the initial best. These two sets of evolving meta-models consist of three components: radial basis function, Kriging and quadratic function. In the iterative search process, an important region, likely to contain the global optimum, is first identified using a few expensive points, and the search of the global optimum is conducted over this region using both of the two sets of metamodels. Meanwhile, the evolving meta-models fitted using all obtained points are used in the search over the other area and the entire design space to avoid missing the global optimum. The new EMMGO algorithm is tested using several commonly-used benchmark functions. The search efficiency of the new algorithm is also illustrated by solving a practical, computationally intensive global optimization problem in designing a lightweight vehicle, employing finite element analysis and simulation. The results from efficient global optimization and multiple metamodels based design space differentiation are provided for search performance comparison.

当前基于元模型的全局优化算法通常使用初始样本点和更新的采样点来构建演化的元模型，以加快全局最优搜索的速度。在这项研究中，我们提出了一种有效且健壮的基于多元模型的全局优化方法（EMMGO）。EMMGO从两组不同的初始点和两组不同的演化元模型开始，以搜索设计空间。在每次搜索迭代时，使用所有样本点更新一组不断发展的元模型。使用样本点构建另一组元模型，而没有包含初始最佳点的点集。这两套演化的元模型由三个部分组成：径向基函数，Kriging和二次函数。在迭代搜索过程中，重要区域 首先使用一些昂贵的点来识别可能包含全局最优值的对象，然后使用两组元模型在该区域上进行全局最优搜索。同时，将使用所有获得的点拟合的演化元模型用于其他区域和整个设计空间的搜索，以避免错过全局最优值。新的EMMGO算法使用几种常用的基准函数进行了测试。通过使用有限元分析和仿真，在设计轻型车辆时解决了一个实际的，计算量大的全局优化问题，从而说明了新算法的搜索效率。来自高效全局优化和基于多个元模型的设计空间差异的结果可用于搜索性能比较。首先使用一些昂贵的点来确定，然后使用两组元模型在该区域内进行全局最优搜索。同时，在所有区域和整个设计空间中的搜索中都使用了使用所有获得的点拟合而成的演化元模型，以避免错过全局最优值。新的EMMGO算法使用几种常用的基准函数进行了测试。通过使用有限元分析和仿真，在设计轻型车辆时解决了一个实际的，计算量大的全局优化问题，从而说明了新算法的搜索效率。来自高效全局优化和基于多个元模型的设计空间差异的结果可用于搜索性能比较。首先使用一些昂贵的点来确定，然后使用两组元模型在该区域内进行全局最优搜索。同时，将使用所有获得的点拟合的演化元模型用于其他区域和整个设计空间的搜索，以避免错过全局最优值。新的EMMGO算法使用几种常用的基准函数进行了测试。通过使用有限元分析和仿真，在设计轻型车辆时解决了一个实际的，计算量大的全局优化问题，从而说明了新算法的搜索效率。来自高效全局优化和基于多个元模型的设计空间差异的结果可用于搜索性能比较。然后使用两组元模型在该区域上进行全局最优搜索。同时，将使用所有获得的点拟合的演化元模型用于其他区域和整个设计空间的搜索，以避免错过全局最优值。新的EMMGO算法使用几种常用的基准函数进行了测试。通过使用有限元分析和仿真，在设计轻型车辆时解决了一个实际的，计算量大的全局优化问题，从而说明了新算法的搜索效率。来自高效全局优化和基于多个元模型的设计空间差异的结果可用于搜索性能比较。然后使用两组元模型在该区域内进行全局最优搜索。同时，在所有区域和整个设计空间中的搜索中都使用了使用所有获得的点拟合而成的演化元模型，以避免错过全局最优值。新的EMMGO算法使用几种常用的基准函数进行了测试。通过使用有限元分析和仿真，在设计轻型车辆时解决了一个实际的，计算量大的全局优化问题，从而说明了新算法的搜索效率。来自高效全局优化和基于多个元模型的设计空间差异的结果可用于搜索性能比较。使用所有获得的点拟合而成的演化元模型将在其他区域和整个设计空间中进行搜索，以避免错过全局最优值。新的EMMGO算法使用几种常用的基准函数进行了测试。通过使用有限元分析和仿真，在设计轻型车辆时解决了一个实际的，计算量大的全局优化问题，从而说明了新算法的搜索效率。来自高效全局优化和基于多个元模型的设计空间差异的结果可用于搜索性能比较。使用所有获得的点拟合而成的演化元模型将在其他区域和整个设计空间中进行搜索，以避免错过全局最优值。新的EMMGO算法使用几种常用的基准函数进行了测试。通过使用有限元分析和仿真，在设计轻型车辆时解决了一个实际的，计算量大的全局优化问题，从而说明了新算法的搜索效率。来自高效全局优化和基于多个元模型的设计空间差异的结果可用于搜索性能比较。新的EMMGO算法使用几种常用的基准函数进行了测试。通过使用有限元分析和仿真，在设计轻型车辆时解决了一个实际的，计算量大的全局优化问题，从而说明了新算法的搜索效率。来自高效全局优化和基于多个元模型的设计空间差异的结果可用于搜索性能比较。新的EMMGO算法使用几种常用的基准函数进行了测试。通过使用有限元分析和仿真，在设计轻型车辆时解决了一个实际的，计算量大的全局优化问题，从而说明了新算法的搜索效率。来自高效全局优化和基于多个元模型的设计空间差异的结果可用于搜索性能比较。