Mintakeresési rangsorolási és kiválasztási algoritmusok sztochasztikus rendszerek vegyes változójú optimalizálásához

Eredeti címe:

Pattern Search Ranking and Selection Algorithms for Mixed-Variable Optimization of Stochastic Systems

Könyv tartalma:

Az algoritmusok egy új osztályát mutatjuk be és elemezzük olyan kötött és lineárisan korlátozott optimalizálási problémákra, amelyek sztochasztikus célfüggvényekkel és tervezési változótípusok keverékével rendelkeznek. Az algoritmusok általánosított mintakeresési (GPS) osztályát kiterjesztjük egy új problémakörre, amelyben a célfüggvények kiértékeléséhez egy sztochasztikus rendszer modelljéből történő mintavételezésre van szükség.

A megközelítés a GPS-t rangsorolási és kiválasztási (RS) statisztikai eljárásokkal kombinálja az új iterátumok kiválasztásához. A származékmentes algoritmusok csak fekete doboz szimulációs válaszokat igényelnek, éskeverékváltozókkal (folytonos, diszkrét numerikus és diszkrét kategorikus) rendelkező tartományokban alkalmazhatóak, hogy a folytonos változókra vonatkozó korlátozó és lineáris megkötéseket tartalmazzanak. Az algoritmusok általános osztályára vonatkozó konvergenciaelemzés megállapítja az iterációs részsorozat majdnem biztos konvergenciáját a vegyes változós tartományban megfelelően meghatározott stacionárius pontokhoz.

Ezenfelül olyan speciális algoritmuspéldányokat is megvalósítunk, amelyek az alapalgoritmus számítási továbbfejlesztését biztosítják. A megvalósítási alternatívák közé tartozik a hatékony mintavételi stratégiákat biztosító modern RS-eljárások használata és a helyettesítő függvények használata, amelyek az ismeretlen célfüggvény nemparametrikus válaszfelületekkel történő közelítésével bővítik a keresést.

A számítási értékelés során az algoritmus hat változatát négy konkurens módszerrel együtt 26 szabványosított tesztproblémán tesztelik. A numerikus eredmények igazolják a fejlett implementációk használatát az algoritmus teljesítményének javítására.