一种基于集成学习技术的协作式替代建模方法，结合改进的粒子群优化算法，用于结构可靠性评估

《COMPUTERS IN INDUSTRY》：An ensemble learning-enhanced collaborative surrogate modeling approach with improved particle swarm optimization for structural reliability assessment

本研究提出分布式协作IPSLG代理建模框架，整合LASSO特征选择、梯度提升回归及改进粒子群优化算法，解决导弹舱结构多场耦合下的高维输入与计算效率难题，显著提升蠕变变形可靠性分析的精度与效率。

　　
香港中文大学、清华大学、上海交通大学等联合团队针对复杂工程系统的可靠性评估难题，提出了分布式协同增强型LASSO-GBR-IPSO（DCIPSLG）建模框架。该研究通过多学科交叉创新，有效解决了传统可靠性分析方法在高维输入空间和计算效率之间的核心矛盾。

在研究背景方面，现代武器装备系统普遍存在多场耦合的劣化机制。以导弹舱体系统为例，其结构性能退化涉及材料时变特性、环境载荷叠加效应以及电子元件参数漂移等多重耦合因素。传统可靠性分析方法如经典响应面法、Kriging模型等，在处理这类具有高维随机输入（通常包含温度、应力、时间等10-20个关键参数）和强非线性相互作用（如热-力耦合效应）问题时，存在显著的计算瓶颈和模型泛化能力不足的缺陷。

研究团队创新性地构建了三级协同建模体系：首先通过LASSO特征筛选机制，在原始高维输入空间（通常维度超过15）中自动识别关键影响因子。实验表明，该过程可使有效输入维度降低约60%，同时保留85%以上的原始数据信息量。其次，采用改进的粒子群优化算法（IPSO）对GBR模型进行超参数自适应调优，相比传统PSO算法搜索效率提升约40%，模型收敛速度提高2个数量级。最后，通过分布式协同计算架构，将模型预测任务分解为多个子模型并行处理，在保证精度的前提下使计算效率提升3-5倍。

在方法创新方面，研究团队重点突破三个技术瓶颈：其一，开发基于LASSO的动态特征筛选算法，能够实时识别具有显著影响的多尺度特征变量，解决传统GBR模型在高维场景下易过拟合的问题。其二，设计双闭环粒子群优化机制，内环优化GBR基尼不纯度参数，外环调节特征子空间维度，形成特征选择与模型训练的协同优化。其三，构建分布式计算框架，通过任务分解与结果融合技术，将单节点计算耗时从72小时压缩至19.6小时，同时保持95%以上的预测精度。

验证环节采用两种典型工程案例： cantilever tubes强度可靠性评估和导弹 bracket-cabin系统蠕变变形可靠性分析。在细长杆件强度评估中，DCIPSLG模型成功将预测误差控制在3.2%以内，相比传统Kriging模型精度提升18.7%，计算效率提高4.3倍。在导弹舱体蠕变分析中，通过建立多物理场耦合的有限元模型，结合概率云驱动的特征筛选机制，实现了对10年服役周期内结构性能退化的精准预测，预测方差较基线模型降低42.6%。

值得关注的是该框架的扩展性设计。通过模块化接口，DCIPSLG能够兼容多种可靠性评估方法，包括Weibull分布拟合、蒙特卡洛仿真等。在导弹舱体系统的实际应用中，团队构建了包含材料属性退化、环境载荷时变、电子元件漂移的三维耦合分析模型，通过分布式协同计算将单次评估耗时从24小时缩短至5.2小时，同时将系统级可靠性评估精度提升至97.8%。

该研究对工程可靠性评估领域产生重要影响：首先，提出的特征筛选-模型训练-协同计算三级架构，为复杂系统可靠性分析提供了标准化解决方案；其次，开发的动态超参数优化算法，在保证模型精度的同时使计算资源消耗降低35%-50%；最后，建立的分布式协同计算框架，有效解决了多机构、多学科联合攻关中的数据孤岛和计算壁垒问题。这些创新成果已成功应用于某型导弹的可靠性验证，相关技术标准被纳入中国航天工业可靠性评估白皮书（2025版）。

研究团队后续计划在三个方面进行深化：一是开发基于边缘计算的分布式协同架构，实现现场设备实时数据采集与云端模型预测的智能联动；二是拓展多尺度建模能力，将现有方法从宏观结构评估延伸到微观材料退化分析；三是构建数字孪生驱动的动态可靠性评估系统，实现装备全生命周期的可靠性监测。这些发展方向将为智能制造和智能装备可靠性评估提供关键技术支撑。