基于改进的 m-h 方法的流场入口边界条件反向识别
DESCRIPTION
基于改进的 M-H 方法的流场入口边界条件反向识别. 胡祥龙. 本次内容. 利用改进的 Metropolis-Hastings (MH) 算法求解流场入口边界条件 基本思路:利用多项式拟合的方法估算接受概率,对于拒绝掉的迭代点不进行计算,而对于接受的迭代点进行精确计算 。. Metropolis-Hastings ( MH )算法. 1. 设定参数初始值 x ,设定 i=1 ; 2. 从 proposal 分布 q( x , y ) 中生成 y ,计算接受概率. 3. 生成 [0,1] 之间均匀分布的随机数 t ; 4. 如果. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: 基于改进的 M-H 方法的流场入口边界条件反向识别](https://reader031.vdocuments.site/reader031/viewer/2022012305/56812ddf550346895d933665/html5/thumbnails/1.jpg)
基于改进的 M-H 方法的流场入口边界条件反向识别
胡祥龙
1
![Page 2: 基于改进的 M-H 方法的流场入口边界条件反向识别](https://reader031.vdocuments.site/reader031/viewer/2022012305/56812ddf550346895d933665/html5/thumbnails/2.jpg)
本次内容
利用改进的 Metropolis-Hastings (MH) 算法求解流场入口边界条件
基本思路:利用多项式拟合的方法估算接受概率,对于拒绝掉的迭代点不进行计算,而对于接受的迭代点进行精确计算。
2
![Page 3: 基于改进的 M-H 方法的流场入口边界条件反向识别](https://reader031.vdocuments.site/reader031/viewer/2022012305/56812ddf550346895d933665/html5/thumbnails/3.jpg)
Metropolis-Hastings (MH )算法
1. 设定参数初始值 x ,设定 i=1 ;2. 从 proposal 分布 q( x , y ) 中生成 y ,计算接受概率
,, min 1,
,i
ii i
y q y xx y
x q x y
,ix y t
3. 生成 [0,1] 之间均匀分布的随机数 t ;
4. 如果
就设置 xi+1=y ,否则 xi+1=xi
5. 重复以上步骤直到预设的迭代次数
每一步搜索过程,都要求解一次正向模型方程,计算量很大
3
![Page 4: 基于改进的 M-H 方法的流场入口边界条件反向识别](https://reader031.vdocuments.site/reader031/viewer/2022012305/56812ddf550346895d933665/html5/thumbnails/4.jpg)
改进的 Metropolis-Hastings (MH)算法1. 设定参数初始值 x ,设定 i=1 ;2. 从 proposal 分布 q( x , y ) 中生成 y ,计算接受概率
,, min 1,
,i
ii i
y q y xx y
x q x y
,ix y t
3. 生成 [0,1] 之间均匀分布的随机数 t ;
接受 xi+1=y ,否则 xi+1=xi
5. 重复以上步骤直到预设的迭代次数
,, min 1,
,i
ii i
y q y xx y
x q x y
以概率 改进后的方法是先选择,后精确计算,只对接受的迭代点进行精确计算。
4
4. 如果
![Page 5: 基于改进的 M-H 方法的流场入口边界条件反向识别](https://reader031.vdocuments.site/reader031/viewer/2022012305/56812ddf550346895d933665/html5/thumbnails/5.jpg)
算例
如右图所示,房间长 5m ,宽 3m , A 、 B 为两个监测点。入口处风速为 0.25m/s
利用 COMSOL 软件求得 A 、B 两点处的速度,作为“监测数据”
Proposal 分布采取对称区间上的均匀分布
接受概率的估计是采用三次方拟合
马尔可夫链的搜索步数设为5000 步
5
![Page 6: 基于改进的 M-H 方法的流场入口边界条件反向识别](https://reader031.vdocuments.site/reader031/viewer/2022012305/56812ddf550346895d933665/html5/thumbnails/6.jpg)
计算结果分析
6
a. 一般情形 b. 快速收敛的情形 c. 缓慢收敛的情形
图中,横坐标均为迭代次数,纵坐标为入口速度值
由于搜索方向的随机性以及初始迭代点的不同,同种计算方法,收敛速度也不一样。但是最终的计算结果都能达到精度要求。
![Page 7: 基于改进的 M-H 方法的流场入口边界条件反向识别](https://reader031.vdocuments.site/reader031/viewer/2022012305/56812ddf550346895d933665/html5/thumbnails/7.jpg)
情形 c的统计分析结果入口速度 真实值 平均值 概率极值点 标准差
U_in(m/s) 0.2500 0.2498 2.5016 8.8767e-04
7
![Page 8: 基于改进的 M-H 方法的流场入口边界条件反向识别](https://reader031.vdocuments.site/reader031/viewer/2022012305/56812ddf550346895d933665/html5/thumbnails/8.jpg)
结论
改进后的 MH 算法增加了接受概率的预估过程,可以减少计算量,节省计算时间。
由于搜索方向的随机性以及初始迭代点的不同,即使是同种计算方法,收敛速度也不一样。但是最终的计算结果都能达到精度要求。
8
![Page 9: 基于改进的 M-H 方法的流场入口边界条件反向识别](https://reader031.vdocuments.site/reader031/viewer/2022012305/56812ddf550346895d933665/html5/thumbnails/9.jpg)
下一步的研究计划
1. 缩小参数的先验范围 a. 与其他优化方法结合,如先利用神经网
络确定一个大致的范围。 b. “ 多个短链 + 一个长链” 2. 减少收敛步数 Proposal 分布的选择
9
![Page 10: 基于改进的 M-H 方法的流场入口边界条件反向识别](https://reader031.vdocuments.site/reader031/viewer/2022012305/56812ddf550346895d933665/html5/thumbnails/10.jpg)
谢 谢
10