論文の概要: Multi-stage, multi-swarm PSO for joint optimization of well placement
and control
- arxiv url: http://arxiv.org/abs/2106.01146v1
- Date: Wed, 2 Jun 2021 13:34:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 01:21:59.298266
- Title: Multi-stage, multi-swarm PSO for joint optimization of well placement
and control
- Title（参考訳）: ウェル配置と制御の協調最適化のための多段マルチスワームpso
- Authors: Ajitabh Kumar
- Abstract要約: 本研究は,多段マルチスワムPSO (MS2PSO) を提案する。
アルゴリズムの有効性を比較するために,Olympusベンチマークを用いて複数の実験を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Evolutionary optimization algorithms, including particle swarm optimization
(PSO), have been successfully applied in oil industry for production planning
and control. Such optimization studies are quite challenging due to large
number of decision variables, production scenarios, and subsurface
uncertainties. In this work, a multi-stage, multi-swarm PSO (MS2PSO) is
proposed to fix certain issues with canonical PSO algorithm such as premature
convergence, excessive influence of global best solution, and oscillation.
Multiple experiments are conducted using Olympus benchmark to compare the
efficacy of algorithms. Canonical PSO hyperparameters are first tuned to
prioritize exploration in early phase and exploitation in late phase. Next, a
two-stage multi-swarm PSO (2SPSO) is used where multiple-swarms of the first
stage collapse into a single swarm in the second stage. Finally, MS2PSO with
multiple stages and multiple swarms is used in which swarms recursively
collapse after each stage. Multiple swarm strategy ensures that diversity is
retained within the population and multiple modes are explored. Staging ensures
that local optima found during initial stage does not lead to premature
convergence. Optimization test case comprises of 90 control variables and a
twenty year period of flow simulation. It is observed that different algorithm
designs have their own benefits and drawbacks. Multiple swarms and stages help
algorithm to move away from local optima, but at the same time they may also
necessitate larger number of iterations for convergence. Both 2SPSO and MS2PSO
are found to be helpful for problems with high dimensions and multiple modes
where greater degree of exploration is desired.
- Abstract（参考訳）: 粒子群最適化(PSO)を含む進化的最適化アルゴリズムは、石油産業において生産計画と制御に成功している。
このような最適化研究は、多くの決定変数、生産シナリオ、不確実性のため、非常に難しい。
本研究では, 初期収束, 大域的最適解の過剰な影響, 発振など, 正準PSOアルゴリズムの特定の問題を修正するために, マルチステージマルチスワムPSO (MS2PSO) を提案する。
アルゴリズムの有効性を比較するために,Olympusベンチマークを用いて複数の実験を行った。
標準PSOハイパーパラメータは、初期探査と後期探査を優先するために最初に調整される。
次に、2段マルチスウォームPSO(2SPSO)を用い、第1段の多重スワームが第2段の単一スウォームに崩壊する。
最後に、複数のステージと複数のSwarmを持つMS2PSOを使用し、各ステージの後にSwarmが再帰的に崩壊する。
複数のスウォーム戦略は、多様性を人口内に保持し、複数のモードを探索することを保証する。
ステージングにより、初期段階の局所的なオプティマが早期収束に繋がらないことが保証される。
最適化テストケースは、90の制御変数と20年間のフローシミュレーションからなる。
異なるアルゴリズム設計には独自の利点と欠点があることが観察された。
複数のSwarmとステージはアルゴリズムが局所最適化から離れていくのに役立つが、同時に収束のためにもっと多くのイテレーションを必要とすることもある。
2SPSOとMS2PSOはどちらも高次元と高次探索が望まれる多重モードの問題に有用である。
関連論文リスト
- Adaptive Knowledge-based Multi-Objective Evolutionary Algorithm for Hybrid Flow Shop Scheduling Problems with Multiple Parallel Batch Processing Stages [5.851739146497829]
本研究では,ユーザが任意の段階を並列バッチ処理段階として任意に設定できる問題モデルを一般化する。
Adaptive Knowledge-based Multi-Objective Evolutionary Algorithm (AMOEA/D) は、makepanとTotal Energy Consumptionの両方を同時に最適化するように設計されている。
実験の結果, AMOEA/D は PBHFSP の解法において比較アルゴリズムよりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-09-27T08:05:56Z) - Two-Stage ML-Guided Decision Rules for Sequential Decision Making under Uncertainty [55.06411438416805]
SDMU (Sequential Decision Making Under Uncertainty) は、エネルギー、金融、サプライチェーンといった多くの領域において、ユビキタスである。
いくつかのSDMUは、自然にマルチステージ問題(MSP)としてモデル化されているが、結果として得られる最適化は、計算の観点からは明らかに困難である。
本稿では,2段階の一般決定規則(TS-GDR)を導入し,線形関数を超えて政策空間を一般化する手法を提案する。
TS-GDRの有効性は、TS-LDR(Two-Stage Deep Decision Rules)と呼ばれるディープリカレントニューラルネットワークを用いたインスタンス化によって実証される。
論文 参考訳（メタデータ） (2024-05-23T18:19:47Z) - BiSLS/SPS: Auto-tune Step Sizes for Stable Bi-level Optimization [33.082961718280245]
既存のアルゴリズムは、ハイパーグラディエントを計算する際に近似誤差の影響を受け得る2つの結合学習率を含んでいる。
線形探索(SLS)とポリアクステップサイズ(SPS)という適応的なステップサイズ法を用いて,上層と下層の両方の学習率の計算を行う。
SGDとAdamの両バージョンで利用できる新しいアルゴリズムは、最小限のチューニングで大きな学習率を見つけ、対応するバニラBOアルゴリズムよりも高速に収束させることができる。
論文 参考訳（メタデータ） (2023-05-30T00:37:50Z) - Numerical Methods for Convex Multistage Stochastic Optimization [86.45244607927732]
最適化プログラミング(SP)、最適制御(SOC)、決定プロセス(MDP)に焦点を当てる。
凸多段マルコフ問題の解決の最近の進歩は、動的プログラミング方程式のコスト対ゴー関数の切断面近似に基づいている。
切削平面型法は多段階問題を多段階的に扱えるが、状態(決定)変数は比較的少ない。
論文 参考訳（メタデータ） (2023-03-28T01:30:40Z) - Lower Bounds and Optimal Algorithms for Smooth and Strongly Convex
Decentralized Optimization Over Time-Varying Networks [79.16773494166644]
通信ネットワークのノード間を分散的に保存するスムーズで強い凸関数の和を最小化するタスクについて検討する。
我々は、これらの下位境界を達成するための2つの最適アルゴリズムを設計する。
我々は,既存の最先端手法と実験的な比較を行うことにより,これらのアルゴリズムの理論的効率を裏付ける。
論文 参考訳（メタデータ） (2021-06-08T15:54:44Z) - Two-Stage Stochastic Optimization via Primal-Dual Decomposition and Deep
Unrolling [86.85697555068168]
2段階のアルゴリズム最適化は、様々な工学や科学的応用において重要な役割を果たす。
特に長期変数と短期変数が制約の中で結合されている場合、アルゴリズムは効率的ではない。
PDD-SSCAが既存のソリューションよりも優れたパフォーマンスを達成できることを示します。
論文 参考訳（メタデータ） (2021-05-05T03:36:00Z) - Hybrid Evolutionary Optimization Approach for Oilfield Well Control
Optimization [0.0]
油田生産の最適化は、地下モデルの複雑さと関連する非線形性のために困難である。
本稿では,2つのハイブリッドな進化的最適化手法の有効性について述べる。
論文 参考訳（メタデータ） (2021-03-29T13:36:51Z) - Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth
Nonlinear TD Learning [145.54544979467872]
本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。
本研究の結果は, 同時一次および二重側収束の形で表される。
論文 参考訳（メタデータ） (2020-08-23T20:36:49Z) - Primal-Dual Sequential Subspace Optimization for Saddle-point Problems [3.9582154141918964]
大規模サドル点問題に対する逐次部分空間最適化手法を提案する。
低次元部分空間における補助的サドル点問題(英語版)を、原始整数双対変数上の一階情報から導かれる方向によって解決する。
実験結果は、一般的な一階法と比較して、かなり良い収束性を示した。
論文 参考訳（メタデータ） (2020-08-20T18:19:19Z) - Fast Objective & Duality Gap Convergence for Non-Convex Strongly-Concave
Min-Max Problems with PL Condition [52.08417569774822]
本稿では,深層学習(深層AUC)により注目度が高まっている,円滑な非凹部min-max問題の解法に焦点をあてる。
論文 参考訳（メタデータ） (2020-06-12T00:32:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。