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

Viele optimierungsproblem in ingenieurwissenschaftlichen and rektiontionen interworen。1 . logische Bedingungen, materialspezifische Eigenschaften oderandere Einschränkungen and den Suchraum: In praktischen Optimierungsszenarien, In denen weder die Zielfunktionen nodie striktionen exizizen gegebensind, ist der Einsatz eizienten stochastischen Optimierungsverfahrens leistungsfähiger striktionsbehandlung von wesentlicher Bedeutung。Evolutionäre Optimierungsverfahren mit Kovarianzmatrix- adaptive - mechanismus wie die cma - evolutionsstrategy haben in der Vergangenheit als auu ßerordentlich erfolgreich in der numerischen Optimierung erwiesen, verf<s:1> gen bislang jedoch nur ber rudimentäre restrktionsbehandlung。Ziel des Projektes ist, Verfahren des maschinellen Lernens zur Schätzung von Meta- modern der rektionsgrenzen zverwenden。disese Meta-Modelle dienen dem stochastischen optimierungsalgalgorithm, unnötige Überprüfungen der g<s:1> ltigkeit von Lösungen einzusparen, ung<s:1> ltige Lösungen zu reparieren和die Wahrscheinlichkeit der Erzeugung ung<e:1> ltiger Lösungen durch Anpassung der Kovarianzmatrix zu verringern。美国斯坦福大学地球科学学院能源工程系（美国加州）地球科学与工程学系（美国加州）

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.