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

维埃勒最优的问题，在创造性地感觉到它是不可能的。在实践中，在最好的地方。进化论？？最优的矩阵--适应机制他说：“这是一件非常重要的事情。”我们的元模型是随机优化算法，而不是Gültigkeit von Lösungen einzusparen，unültige Lösungen zu reparieren and die Wahrscheinlichkeit der ErzeugungülTiger Lösungen dch ch Anpassung der KovaranzMatrix zu verringern。该方法是在斯坦福大学(美国卡利福尼亚)地球科学学院能源工程系的指导下进行的。

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.