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

点击翻译按钮获取中文摘要

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.