机构名称：
¥ 3.0
摘要在此贡献中，我们提供了对连续的梯度（CSG）方法的数值分析，包括来自拓扑优化和收敛速率的应用。与标准随机梯度优化方案相反，CSG不会从以前的迭代中丢弃旧梯度样品。相反，计算了依赖设计的集成权重以形成凸组合，以作为与当前设计下真正梯度的近似值。随着近似误差在迭代过程中消失，CSG代表了一种混合方法，就像纯粹随机方法一样开始，并且在极限中像完整的梯度方案一样行事。在这项工作中，CSG的效率是针对拓扑优化的实际相关应用的。这些设置的特征是大量的优化变量和一个目标函数，其评估需要以非线性方式串联的多个积分的数值计算。以前无法通过任何现有的优化方法解决此类问题。最后，关于收敛速率，提供了第一个估计值并在数值实验的帮助下确认。
连续的随机梯度方法：第二部分
主要关键词
相关文件推荐
