Resumen

Un conjunto de modelos sustitutos de gran solidez y precisin puede evitar eficazmente la difcil eleccin del modelo sustituto. Sin embargo, la mayora de los conjuntos de modelos sustitutos existentes se construyen con mtodos de muestreo estticos. En este trabajo, proponemos un conjunto de modelos sustitutos adaptativos aplicando una estrategia de muestreo adaptativo basada en los errores locales esperados. En el mtodo propuesto, se calculan las expectativas de error local de los modelos sustitutos. A continuacin, de acuerdo con las expectativas de error local, se aaden los nuevos puntos de muestreo dentro del radio dominante de las muestras. Construido a partir de los modelos RBF y Kriging, el conjunto de modelos sustitutos adaptativos se propone combinando la estrategia de muestreo adaptativo. Las funciones de prueba de referencia y un problema de aplicacin relacionado con la base del brazo motriz de un robot paletizador demuestran que el mtodo propuesto puede mejorar eficazmente la precisin de prediccin global y local del modelo sustituto.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Ensemble; Modelos sustitutos; Estrategia de muestreo adaptativa; Errores locales; RBF; Kriging
• Keywords:Ensemble; Surrogate models; Adaptive sampling strategy; Local errors; RBF; Kriging