Restriktionsbehandlung für stochastische Kovarianzmatrix-Adaptation und ihre Anwendung auf ingenieur- und geowissenschafltiche Optimierungsprobleme

随机协方差矩阵自适应的限制处理及其在工程和地球科学优化问题中的应用

• 批准号: 158271072
• 负责人: Professor Dr. Oliver Kramer
• 金额: --
• 依托单位: Department of Energy Resources Engineering
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2010
• 资助国家: 德国
• 起止时间: 2009-12-31 至 2019-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/158271072?language=en
• 关键词: Restriktionsbehandlung; stochastische; Kovarianzmatrix; Adaptation; und

Viele Optimierungsprobleme in ingenieurwissenschaftlichen Anwendungen sind Restriktionen unterworfen. Ob logische Bedingungen, materialspezifische Eigenschaften oder andere Einschränkungen an den Suchraum: In praktischen Optimierungsszenarien, in denen weder die Zielfunktionen noch die Restriktionen explizit gegeben sind, ist der Einsatz eines effizienten stochastischen Optimierungsverfahrens mit leistungsfähiger Restriktionsbehandlung von wesentlicher Bedeutung. Evolutionäre Optimierungsverfahren mit Kovarianzmatrix- Adaptationsmechanismus wie die CMA-Evolutionsstrategie haben sich in der Vergangenheit als außerordentlich erfolgreich in der numerischen Optimierung erwiesen, verfügen bislang jedoch nur über rudimentäre Restriktionsbehandlung. Ziel des Projektes ist, Verfahren des maschinellen Lernens zur Schätzung von Meta- Modellen der Restriktionsgrenzen zu verwenden. Diese Meta-Modelle dienen dem stochastischen Optimierungsalgorithmus, unnötige Überprüfungen der Gültigkeit von Lösungen einzusparen, ungültige Lösungen zu reparieren und die Wahrscheinlichkeit der Erzeugung ungültiger Lösungen durch Anpassung der Kovarianzmatrix zu verringern. Die Methoden werden unter anderem füur praktische ingenieurwissenschaftliche Optimierungsszenarien im Bereich der Geowissenschaften am Department of Energy Resources Engineering der School of Earth Sciences der Stanford University (Kalifornien, USA) entwickelt.

工程科学研究中的许多最佳问题都受到限制。Ob logische Bedingungen，materialspeziouche he Eigenschaften oder andere Einschränkungen an den Suchraum：In praktischen Optimierungsszenarien，in denen weder die Zielfunktionen noch die Restriktionen explizit geben sind，ist der Einscheines effizienten stochastischen Optimierungsverfahrens mit leistungsfähiger Restriktionsbehandlung von wesentlicher Bedeutung. Evolutionäre Optimierungsverfahren mit Kovarianzmatrix- Adaptationsmechanismus wie die CMA-Evolutionsstrategie haben sich in der Vergangenomalies außerordentlich erfolgreich in der numerischen Optimierung erwiesen，verfügen bislang jedoh努尔über rudimentäre Restriktionsbehandlung. Ziel des Projektes ist，Verfahren des maschinellen Lernens zur Schätzung von Meta- Modellen der Restriktionszen zu verwenden.该元模型具有随机优化的特点，它通过对Kovarianzmatrix的检验，对Lösungen的Gültigkeit进行优化，对Lösungen进行修复，并对Erzeugung ungültiger Lösungen进行Wahrscheinlichkeit。介绍了斯坦福大学地球科学学院能源工程系地球科学实用工程优化的韦尔登。