黄泽英，李海艳，林景亮

广东工业大学 机电工程学院，广州510006

基于代理模型的优化方法是现代复杂工程设计的重要技术手段，已被广泛应用于工程设计优化中[1-3]。此类方法中，仿真模型被视为“黑箱函数”，多次调用数值仿真分析工具获取“黑箱函数”的足量样本，并通过代理建模技术构建逼近模型替代“黑箱函数”。但是对于复杂工程，数值求解通常是一个昂贵的过程，例如文献[4]对沃尔沃D5柴油发动机的一次仿真过程就高达42小时。为了缩短设计周期，应当尽可能减少仿真次数，使用少量样本构建代理模型。然而，以往方法主要侧重于在当前产品的仿真模型上规划数据来建模，例如多项式响应面模型、Kriging 模型、稀疏响应面等，对以往同类型产品已有的大量仿真数据关注不够，这些数据中蕴含的大量特征没有得到重用。因此，对于复杂模型的逼近，此类建模方法对数据量要求较大，并且往往泛化性能不佳。

在统计学习领域，迁移学习已被证明能够通过引入其他建模任务的知识，改善当前预测模型的泛化性能。如张晨曦等依据YF77 新型发动机和YF75 发动机在构造原理上的一致性，以k近邻(k-Nearest Neighbor，kNN)和支持向量机（Support Vector Machine，SVM）作为分类器，提出了基于实例和基于模型的迁移策略，大幅度减低了发动机参数的漏报率和误报率[5]；廖一鹏等对卷积神经网络（Convolutional Neural Network，CNN）进行预训练，并使用极限学习机（Extreme Machine Learning，ELM）对CNN提取的特征进行分类，使用较少样本训练得到高精度浮选工况识别模型[6]；Zhu等通过……