論文の概要: MOF: A Modular Framework for Rapid Application of Optimization
Methodologies to General Engineering Design Problems
- arxiv url: http://arxiv.org/abs/2204.00141v1
- Date: Fri, 1 Apr 2022 00:02:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-20 03:00:56.489653
- Title: MOF: A Modular Framework for Rapid Application of Optimization
Methodologies to General Engineering Design Problems
- Title（参考訳）: MOF:汎用設計問題への最適化手法の迅速適用のためのモジュールフレームワーク
- Authors: Brian Andersen, Gregory Delipei, David Kropaczek, Jason Hou
- Abstract要約: Modular Optimization Framework (MOF) は最適化アルゴリズムの開発と適用を容易にするために開発された。
MOFはPython 3で書かれており、オブジェクト指向プログラミングを使用して、ユーザーが新しい最適化アルゴリズムを簡単に組み込むことができるモジュラーデザインを作成している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A variety of optimization algorithms have been developed to solve engineering
design problems in which the solution space is too large to manually determine
the optimal solution. The Modular Optimization Framework (MOF) was developed to
facilitate the development and application of these optimization algorithms.
MOF is written in Python 3, and it used object-oriented programming to create a
modular design that allows users to easily incorporate new optimization
algorithms, methods, or engineering design problems into the framework.
Additionally, a common input file allows users to easily specify design
problems, update the optimization parameters, and perform comparisons between
various optimization methods and algorithms. In the current MOF version,
genetic algorithm (GA) and simulated annealing (SA) approaches are implemented.
Applications in different nuclear engineering optimization problems are
included as examples. The effectiveness of the GA and SA optimization
algorithms within MOF are demonstrated through an unconstrained nuclear fuel
assembly pin lattice optimization, a first cycle fuel loading constrained
optimization of a three-loop pressurized water reactor (PWR), and a third cycle
constrained optimization of a four-loop PWR. In all cases, the algorithms
efficiently searched the solution spaces and found optimized solutions to the
given problems that satisfied the imposed constraints. These results
demonstrate the capabilities of the existing optimization tools within MOF, and
they also provide a set of benchmark cases that can be used to evaluate the
progress of future optimization methodologies with MOF.
- Abstract（参考訳）: 最適解を手動で決定するには解空間が大きすぎる工学的設計問題を解決するために様々な最適化アルゴリズムが開発されている。
モジュール最適化フレームワーク(MOF)は、これらの最適化アルゴリズムの開発と適用を容易にするために開発された。
MOFはPython 3で書かれており、オブジェクト指向プログラミングを使用して、新しい最適化アルゴリズム、メソッド、エンジニアリング設計問題をフレームワークに簡単に組み込むことができるモジュラー設計を作成している。
さらに、共通の入力ファイルにより、設計上の問題を容易に指定し、最適化パラメータを更新し、様々な最適化方法とアルゴリズムの比較を行うことができる。
現在のMOFバージョンでは、遺伝的アルゴリズム(GA)とシミュレートアニーリング(SA)アプローチが実装されている。
様々な原子力工学最適化問題の応用を例に挙げる。
3ループ加圧水型原子炉(pwr)の1サイクル燃料負荷制約最適化,および4ループpwrの3サイクル制約最適化により,mof内のgaおよびsa最適化アルゴリズムの有効性を実証した。
いずれの場合においても、アルゴリズムは効率的に解空間を探索し、課せられる制約を満たす与えられた問題に対する最適化された解を見出した。
これらの結果は、MOF内の既存の最適化ツールの機能を示すとともに、MOFを用いた将来の最適化手法の進捗を評価するためのベンチマークケースも提供する。
関連論文リスト
- MOANA: Multi-Objective Ant Nesting Algorithm for Optimization Problems [21.80971564725773]
Multi-Objective Ant Nesting Algorithm (MOANA)は、Ant Nesting Evolutionary Algorithm (ANA)の新たな拡張である。
MOANAは、多目的シナリオにおけるスケーラビリティと多様性を改善することによって、従来の進化的アルゴリズムの重要な制限に対処する。
MOANAの溶接ビーム設計のような実世界のエンジニアリング最適化への適用性は、幅広い最適解を生成する能力を示している。
論文 参考訳（メタデータ） (2024-11-08T18:31:53Z) - Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - LLMOPT: Learning to Define and Solve General Optimization Problems from Scratch [16.174567164068037]
最適化の一般化を促進するため,LLMOPTと呼ばれる統合学習ベースのフレームワークを提案する。
LLMOPTは、様々な最適化問題タイプを定義するための普遍モデルとして導入された5要素の定式化を構築している。
LLMOPTの最適化一般化能力を評価し,実世界の6つのデータセットを比較した。
論文 参考訳（メタデータ） (2024-10-17T04:37:37Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
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。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - 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) - An Empirical Evaluation of Zeroth-Order Optimization Methods on
AI-driven Molecule Optimization [78.36413169647408]
分子目的を最適化するための様々なZO最適化手法の有効性について検討する。
ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。
本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
論文 参考訳（メタデータ） (2022-10-27T01:58:10Z) - Enhanced Opposition Differential Evolution Algorithm for Multimodal
Optimization [0.2538209532048866]
現実の問題は、本質的には複数の最適値からなるマルチモーダルである。
古典的な勾配に基づく手法は、目的関数が不連続あるいは微分不可能な最適化問題に対して失敗する。
我々は,MMOPを解くために,拡張オポポジション微分進化(EODE)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-23T16:18:27Z) - Automated Circuit Sizing with Multi-objective Optimization based on
Differential Evolution and Bayesian Inference [1.1579778934294358]
一般化微分進化3(GDE3)とガウス過程(GP)に基づく設計最適化手法を提案する。
提案手法は,多数の設計変数を持つ複雑な回路の小型化を実現し,多くの競合対象を最適化する。
本研究では,2つの電圧レギュレータにおいて,異なるレベルの複雑さを示す手法について検討した。
論文 参考訳（メタデータ） (2022-06-06T06:48:45Z) - 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) - Speeding up Computational Morphogenesis with Online Neural Synthetic
Gradients [51.42959998304931]
現代科学および工学の適用の広い範囲は制約として部分的な微分方程式(PDEs)のシステムとの最適化問題として定式化されます。
これらのPDE制約最適化問題は通常、標準のDisretize-then-optimizeアプローチで解決される。
オンラインニューラル合成勾配(ONSG)を用いたPDE制約最適化の高速化のための新しい2スケール最適化手法を提案する。
論文 参考訳（メタデータ） (2021-04-25T22:43:51Z)
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。