論文の概要: Surrogate Assisted Evolutionary Multi-objective Optimisation applied to
a Pressure Swing Adsorption system
- arxiv url: http://arxiv.org/abs/2204.12585v1
- Date: Mon, 28 Mar 2022 10:00:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-01 10:01:21.921403
- Title: Surrogate Assisted Evolutionary Multi-objective Optimisation applied to
a Pressure Swing Adsorption system
- Title（参考訳）: 圧力スイング吸着系への応用によるサロゲート支援進化多目的最適化
- Authors: Liezl Stander and Matthew Woolway and Terence L. Van Zyl
- Abstract要約: 本稿では, 化学プラント設計と運転の最適化に関する最近の研究を拡張した。
そこで本研究では,Surrogate Assisted NSGA-Romannum2 (SA-NSGA) が提案された。
遺伝的アルゴリズムフレームワークと機械学習サロゲートモデルを組み合わせることで,長期的シミュレーションモデルの代用として,計算効率が大幅に向上することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Chemical plant design and optimisation have proven challenging due to the
complexity of these real-world systems. The resulting complexity translates
into high computational costs for these systems' mathematical formulations and
simulation models. Research has illustrated the benefits of using machine
learning surrogate models as substitutes for computationally expensive models
during optimisation. This paper extends recent research into optimising
chemical plant design and operation. The study further explores Surrogate
Assisted Genetic Algorithms (SA-GA) in more complex variants of the original
plant design and optimisation problems, such as the inclusion of parallel and
feedback components. The novel extension to the original algorithm proposed in
this study, Surrogate Assisted NSGA-\Romannum{2} (SA-NSGA), was tested on a
popular literature case, the Pressure Swing Adsorption (PSA) system. We further
provide extensive experimentation, comparing various meta-heuristic
optimisation techniques and numerous machine learning models as surrogates. The
results for both sets of systems illustrate the benefits of using Genetic
Algorithms as an optimisation framework for complex chemical plant system
design and optimisation for both single and multi-objective scenarios. We
confirm that Random Forest surrogate assisted Evolutionary Algorithms can be
scaled to increasingly complex chemical systems with parallel and feedback
components. We further find that combining a Genetic Algorithm framework with
Machine Learning Surrogate models as a substitute for long-running simulation
models yields significant computational efficiency improvements, 1.7 - 1.84
times speedup for the increased complexity examples and a 2.7 times speedup for
the Pressure Swing Adsorption system.
- Abstract（参考訳）: 化学プラントの設計と最適化は、これらの現実世界のシステムの複雑さのために難しいことが証明されている。
結果として生じる複雑性は、これらのシステムの数学的定式化とシミュレーションモデルに対する高い計算コストをもたらす。
最適化中の計算コストの高いモデルの代用として機械学習サロゲートモデルを使用することの利点が研究によって示されている。
本稿では, 化学プラント設計と運転の最適化に関する最近の研究を拡張した。
この研究は、原プラント設計のより複雑なバリエーションと、並列およびフィードバックコンポーネントを含むような最適化問題において、サロゲート支援遺伝的アルゴリズム(SA-GA)をさらに探求する。
本研究で提案されているアルゴリズムの新たな拡張であるsurrogate assisted nsga-\romannum{2} (sa-nsga) を,一般的な文献例である圧力スイング吸着 (psa) システムを用いて検証した。
さらに,様々なメタヒューリスティック最適化手法と多数の機械学習モデルを代理として比較し,広範な実験を行う。
いずれのシステムにおいても,複雑な化学プラントシステム設計のための最適化フレームワークとしての遺伝的アルゴリズムの利用と,単一および多目的シナリオの最適化のメリットが示されている。
我々は,ランダムフォレストサロゲート型進化アルゴリズムを並列およびフィードバック成分を持つ複雑な化学系にスケールできることを確認した。
さらに,長期的シミュレーションモデルの代替として遺伝的アルゴリズムフレームワークと機械学習サロゲートモデルを組み合わせることで,計算効率が大幅に向上し,複雑化例の1.7～1.84倍,加圧スウィング吸着系の2.7倍の高速化が得られた。
関連論文リスト
- Designing variational ansatz for quantum-enabled simulation of
non-unitary dynamical evolution -- an excursion into Dicke supperradiance [7.977318221782395]
我々は、AVQDの非制限ベクトル化変種を用いて、様々な非単位進化系をシミュレートし、ベンチマークする。
使用したアンザッツの効率的な分解方式を示し,その応用範囲を様々なオープン量子システムシナリオに拡張することができる。
我々の成功例は、化学と物理学の複雑なシステムを研究するために、適応的な変分法を利用するための道を開いた。
論文 参考訳（メタデータ） (2024-03-07T16:57:24Z) - Simulation-based optimization of a production system topology -- a
neural network-assisted genetic algorithm [0.0]
遺伝的アルゴリズム(GA)を用いた生産システムのトポロジー最適化のための新しい手法を提案する
GAの拡張では、ニューラルネットワークがシミュレーションの代理モデルとして機能する。
どちらの手法も、産業環境で最適解を見つけるのに効果的である。
論文 参考訳（メタデータ） (2024-02-02T15:52:10Z) - Efficient Inverse Design Optimization through Multi-fidelity Simulations, Machine Learning, and Search Space Reduction Strategies [0.8646443773218541]
本稿では,限られた計算量で制約されたシナリオにおける逆設計最適化プロセスの拡張を目的とした手法を提案する。
提案手法はエアフォイル逆設計とスカラーフィールド再構成の2つの異なる工学的逆設計問題について解析する。
特に、この方法は、任意の逆設計アプリケーションに適用可能であり、代表的低忠実MLモデルと高忠実度シミュレーションの相乗効果を容易にし、様々な集団ベース最適化アルゴリズムにシームレスに適用することができる。
論文 参考訳（メタデータ） (2023-12-06T18:20:46Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - 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) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳（メタデータ） (2023-05-25T10:58:46Z) - Efficient hybrid modeling and sorption model discovery for non-linear
advection-diffusion-sorption systems: A systematic scientific machine
learning approach [0.0]
本研究では,非融合対流拡散系における効率的なハイブリッドモデルの作成と吸着取り込みモデル発見のための体系的機械学習手法を提案する。
これは、勾配に基づく解析、随伴感度解析、JITコンパイルベクターヤコビアン積を用いて、空間的離散化と適応的離散化を組み合わせた、これらの複雑なシステムを効果的に訓練する方法を示す。
論文 参考訳（メタデータ） (2023-03-22T23:05:28Z) - A Pareto-optimal compositional energy-based model for sampling and
optimization of protein sequences [55.25331349436895]
深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。
これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
論文 参考訳（メタデータ） (2022-10-19T19:04:45Z) - Chaos inspired Particle Swarm Optimization with Levy Flight for Genome
Sequence Assembly [0.0]
本稿では、置換最適化問題に対処するため、新しいPSOの変種を提案する。
PSOはChaos and Levy Flight (ランダムウォークアルゴリズム)と統合され、アルゴリズムの探索と利用能力のバランスをとる。
論文で提案する他のPSOの変種と比較して,提案手法の性能を評価するための実証実験を行った。
論文 参考訳（メタデータ） (2021-10-20T15:24:27Z) - Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian
Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。
我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。
我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文 参考訳（メタデータ） (2021-07-07T03:57:22Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳（メタデータ） (2021-05-06T02:22:23Z)
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。