論文の概要: Multi-objective robust optimization using adaptive surrogate models for
problems with mixed continuous-categorical parameters
- arxiv url: http://arxiv.org/abs/2203.01996v1
- Date: Thu, 3 Mar 2022 20:23:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-07 16:27:03.295444
- Title: Multi-objective robust optimization using adaptive surrogate models for
problems with mixed continuous-categorical parameters
- Title（参考訳）: 混合連続カテゴリーパラメータ問題に対する適応サーロゲートモデルを用いた多目的ロバスト最適化
- Authors: M. Moustapha, A. Galimshina, G. Habert, B. Sudret
- Abstract要約: ロバスト設計の最適化は、不確実性が主に目的関数に影響を与える場合、伝統的に考慮されている。
結果として生じるネスト最適化問題は、非支配的ソート遺伝的アルゴリズム(NSGA-II)において、汎用的な解法を用いて解決することができる。
提案手法は、適応的に構築されたKrigingモデルを用いて、NSGA-IIを順次実行し、量子を推定する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Explicitly accounting for uncertainties is paramount to the safety of
engineering structures. Optimization which is often carried out at the early
stage of the structural design offers an ideal framework for this task. When
the uncertainties are mainly affecting the objective function, robust design
optimization is traditionally considered. This work further assumes the
existence of multiple and competing objective functions that need to be dealt
with simultaneously. The optimization problem is formulated by considering
quantiles of the objective functions which allows for the combination of both
optimality and robustness in a single metric. By introducing the concept of
common random numbers, the resulting nested optimization problem may be solved
using a general-purpose solver, herein the non-dominated sorting genetic
algorithm (NSGA-II). The computational cost of such an approach is however a
serious hurdle to its application in real-world problems. We therefore propose
a surrogate-assisted approach using Kriging as an inexpensive approximation of
the associated computational model. The proposed approach consists of
sequentially carrying out NSGA-II while using an adaptively built Kriging model
to estimate of the quantiles. Finally, the methodology is adapted to account
for mixed categorical-continuous parameters as the applications involve the
selection of qualitative design parameters as well. The methodology is first
applied to two analytical examples showing its efficiency. The third
application relates to the selection of optimal renovation scenarios of a
building considering both its life cycle cost and environmental impact. It
shows that when it comes to renovation, the heating system replacement should
be the priority.
- Abstract（参考訳）: 不確実性を明確に説明することは、エンジニアリング構造の安全性にとって最重要である。
構造設計の初期段階でしばしば実行される最適化は、このタスクに理想的なフレームワークを提供する。
不確実性が主に目的関数に影響する場合、伝統的にロバストな設計最適化が考慮される。
この研究はさらに、同時に扱う必要がある複数の競合する目的関数の存在を前提としている。
最適化問題は、1つの計量における最適性とロバスト性の組み合わせを可能にする目的関数の量子化を考えることによって定式化される。
共通乱数の概念を導入することで、非支配的ソーティング遺伝的アルゴリズム (nsga-ii) において汎用解法を用いてネスト最適化問題を解くことができる。
しかしながら、そのようなアプローチの計算コストは、実世界の問題におけるその応用にとって深刻なハードルである。
そこで我々は、Kriging を用いた代理支援アプローチを、関連する計算モデルの低コストな近似として提案する。
提案手法は、適応的に構築されたKrigingモデルを用いて、NSGA-IIを逐次実行することからなる。
最後に, 質的設計パラメータの選択を含むアプリケーションとして, 混合カテゴリ連続パラメータを考慮した手法を提案する。
この手法は、その効率を示す2つの分析例に適用される。
第3の応用は、そのライフサイクルコストと環境影響の両方を考慮した建物の最適改修シナリオの選択に関するものである。
改修に関しては、暖房システムの交換が最優先事項であることが示されている。
関連論文リスト
- End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳（メタデータ） (2024-02-12T16:33:35Z) - Pseudo-Bayesian Optimization [7.556071491014536]
ブラックボックス最適化の収束を保証するために最小限の要件を課す公理的枠組みについて検討する。
我々は、単純な局所回帰と、不確実性を定量化するために適切な「ランダム化事前」構造を用いることが、収束を保証するだけでなく、常に最先端のベンチマークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-10-15T07:55:28Z) - Bayesian Quality-Diversity approaches for constrained optimization
problems with mixed continuous, discrete and categorical variables [0.3626013617212667]
シミュレーション予算の制限という観点から,混合変数に基づく新しい品質多様性手法を提案する。
提案手法は、複雑なシステム設計のための意思決定者にとって貴重なトレードオフを提供する。
論文 参考訳（メタデータ） (2023-09-11T14:29:47Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳（メタデータ） (2023-05-31T12:07:50Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳（メタデータ） (2023-01-28T01:50:42Z) - Tree ensemble kernels for Bayesian optimization with known constraints
over mixed-feature spaces [54.58348769621782]
木アンサンブルはアルゴリズムチューニングやニューラルアーキテクチャ検索といったブラックボックス最適化タスクに適している。
ブラックボックス最適化にツリーアンサンブルを使うことの2つのよく知られた課題は、探索のためのモデル不確実性を効果的に定量化し、また、 (ii) ピースワイドな定値取得関数を最適化することである。
我々のフレームワークは、連続/離散的機能に対する非拘束ブラックボックス最適化のための最先端の手法と同様に、混合変数の特徴空間と既知の入力制約を組み合わせた問題の競合する手法よりも優れている。
論文 参考訳（メタデータ） (2022-07-02T16:59:37Z) - Optimal Design of Electric Machine with Efficient Handling of
Constraints and Surrogate Assistance [5.387300498478744]
本稿では、広く使われている進化的多目的最適化アルゴリズムNSGA-IIに組み込んだ最適化手法を提案する。
提案手法は, 幾何的制約の安価さを利用して, カスタム補修演算子を用いて実現可能な設計を生成する。
論文 参考訳（メタデータ） (2022-06-03T17:13:29Z) - A Robust Multi-Objective Bayesian Optimization Framework Considering
Input Uncertainty [0.0]
エンジニアリング設計のような現実的なアプリケーションでは、設計者は複数の目的と入力の不確実性を考慮に入れたい場合が多い。
入力の不確実性を考慮した多目的最適化を効率的に行うための新しいベイズ最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-25T17:45:26Z) - Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation [6.560512252982714]
バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。
提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
論文 参考訳（メタデータ） (2021-09-12T23:54:26Z) - Robust, Accurate Stochastic Optimization for Variational Inference [68.83746081733464]
また, 共通最適化手法は, 問題が適度に大きい場合, 変分近似の精度が低下することを示した。
これらの結果から,基礎となるアルゴリズムをマルコフ連鎖の生成とみなして,より堅牢で正確な最適化フレームワークを開発する。
論文 参考訳（メタデータ） (2020-09-01T19:12:11Z) - Automatically Learning Compact Quality-aware Surrogates for Optimization
Problems [55.94450542785096]
未知パラメータで最適化問題を解くには、未知パラメータの値を予測し、これらの値を用いて問題を解くための予測モデルを学ぶ必要がある。
最近の研究によると、複雑なトレーニングモデルパイプラインのレイヤーとして最適化の問題を含めると、観測されていない意思決定の繰り返しを予測することになる。
我々は,大規模最適化問題の低次元サロゲートモデルを学習することにより,解の質を向上させることができることを示す。
論文 参考訳（メタデータ） (2020-06-18T19:11:54Z)
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。