Pattern Search Ranking and Selection Algorithms for Mixed-Variable Optimization of Stochastic Systems
Es wird eine neue Klasse von Algorithmen für gebundene und linear eingeschränkte Optimierungsprobleme mit stochastischen Zielfunktionen und einer Mischung von Entwurfsvariablenarten eingeführt und analysiert. Die Klasse der verallgemeinerten Mustersuchalgorithmen (GPS) wird auf eine neue Problemstellung ausgedehnt, bei der die Bewertung von Zielfunktionen Stichproben aus einem Modell eines stochastischen Systems erfordert.
Der Ansatz kombiniert GPS mit statistischen Ranking- und Auswahlverfahren (RS) zur Auswahl neuer Iterate. Die ableitungsfreien Algorithmen erfordern nur Black-Box-Simulationsreaktionen und sind auf Domänen mit gemischten Variablen (kontinuierlich, diskret numerisch und diskret kategorisch) anwendbar, um gebundene und lineare Beschränkungen für die kontinuierlichen Variablen einzubeziehen. Eine Konvergenzanalyse für die allgemeine Klasse von Algorithmen weist eine fast sichere Konvergenz einer Iterationsunterfolge zu stationären Punkten nach, die in der Domäne mit gemischten Variablen angemessen definiert sind.
Darüber hinaus werden spezifische Algorithmus-Instanzen implementiert, die rechnerische Verbesserungen des Basis-Algorithmus bieten. Zu den Implementierungsalternativen gehören die Verwendung moderner RS-Verfahren, die für effiziente Stichprobenstrategien ausgelegt sind, und die Verwendung von Surrogatfunktionen, die die Suche durch Annäherung der unbekannten Zielfunktion mit nichtparametrischen Antwortflächen erweitern.
In einer rechnerischen Bewertung werden sechs Varianten des Algorithmus zusammen mit vier konkurrierenden Verfahren an 26 standardisierten Testproblemen getestet. Die numerischen Ergebnisse bestätigen die Verwendung fortgeschrittener Implementierungen als Mittel zur Verbesserung der Algorithmusleistung.
| ISBN: | 9781249592525 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
