طراحی تجربی یکپارچه و بهینهسازی غیرخطی برای مدیریت مدلهای محاسباتی گران قیمت تحت محدودیتهای منابع
| عنوان | طراحی تجربی یکپارچه و بهینهسازی غیرخطی برای مدیریت مدلهای محاسباتی گران قیمت تحت محدودیتهای منابع |
|---|---|
| نویسنده | پینتر، یانوس دی، هوروات، ز. |
| تاریخ انتشار: | 2013-09 |
| محل انتشار | - Springer Science + Business Media |
| موضوع | بهینهسازی غیرخطی تحت محدودیتهای منابع، متامدل، طراحی آزمایشی، طراحی ابرمکعب لاتین (LHD)، نمونهبرداری با فاصله منظم استراتژیهای LHD، پیادهسازی نرمافزار RSS، مجموعه حلکننده LGO برای بهینهسازی غیرخطی، MathOptimizer Professional (LGO مرتبط با Mathematica)، نتایج عددی گویا |
| نوع | دوره ای |
| زبان | انگلیسی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| کتابخانه: | دانشگاه اوزیغین |
| شناسه دارایی کتابخانه | 1573-2916 |
| شماره ثبت | 21b24880-59c9-487f-b1bd-2675edddb2f3 |
| محل کتابخانه | مهندسی صنایع |
| تاریخ | 2013-09 |
| یادداشتها | با توجه به محدودیت های کپی رایت، دسترسی به متن کامل این مقاله تنها از طریق اشتراک امکان پذیر است. |
| متن نمونه | در بسیاری از کاربردهای دنیای واقعی بهینهسازی، مدل سیستم توصیفی زیربنایی با توابع محاسباتی گران قیمت تعریف میشود: ماژولهای شبیهسازی، مدلهای عددی و سایر اجزای مدل «جعبه سیاه» نمونههای معمولی هستند. در چنین مواردی، تیم توسعه و بهینهسازی مدل اغلب باید به بهینهسازی که تحت محدودیتهای شدید منابع انجام میشود تکیه کند. برای پرداختن به این مسئله مهم، اخیراً یک ماژول نمونه برداری با فاصله منظم (RSS) به مجموعه حل کننده Lipschitz Global Optimizer (LGO) اضافه شده است. RSS طرحهای پرکننده فضای بدون فروپاشی را ایجاد میکند و تخمینهای راهحل مربوطه را تولید میکند: این اطلاعات برای اصلاح در محدودیتهای منابع (ارزیابی عملکرد و/یا زمان اجرا) به LGO منتقل میشود. بدیهی است که کیفیت راه حل به دست آمده اساساً هم به دشواری نمونه مدل و هم به تلاش محاسباتی قابل قبول بستگی دارد. علیرغم این اخطار کلی، نتایج ما بر اساس حل منتخبی از مسائل تست بهینهسازی جهانی غیر پیشاهمیت نشان میدهد که حتی مقدار متوسطی از تلاش نمونهگیری مناسب که با بهینهسازی محدود افزایش مییابد، میتواند حداقل به نتایج معقول یا حتی با کیفیت بالا منجر شود. آزمایشهای عددی ما همچنین نشان میدهد که کارایی کلی LGO اغلب با استفاده از RSS به عنوان پیش حلکننده، هم در اجرای محدود منابع و هم در اجرای کامل LGO افزایش مییابد. |
| DOI | 10.1007/s10898-012-9882-7 |
| Cilt | 57 |
