Тип работы:
Предмет:
Язык работы:


Адаптивный метод глобальной оптимизации липшицевых функций

Работа №125338

Тип работы

Магистерская диссертация

Предмет

математические методы в экономике

Объем работы32
Год сдачи2023
Стоимость5600 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
54
Не подходит работа?

Узнай цену на написание


Введение 3
Обзор литературы 4
Постановка задачи 7
1 Глобальная оптимизация липшицевых функций 8
2 Оптимизация с фиксированной константой Липшица 15
2.1 Алгоритм 15
2.2 Анализ сходимости 17
3 Оптимизация с неизвестной константой Липшица 19
3.1 Алгоритм 19
3.2 Анализ сходимости 20
4 Модификация метода оптимизации с неизвестной константой Липшица 23
4.1 Алгоритм 23
5 Результаты 24
Заключение и выводы 28
Список литературы 29

Целью данной работы является разработка последовательных стратегий, которые приводят к эффективной оптимизации неизвестной функции при единственном предположении, что она имеет ко­нечную константу Липшица. Сначала определяются достаточные условия непротиворечивости общих последовательных алгоритмов и формулируется их ожидаемая минимальная эффективность. Затем анализируется алгоритм LIPO, который предполагает, что константа Липшица известна. Также пред­ставлена адаптивная версия этого алгоритма, когда константа Липшица неизвестна и её необходимо оценивать в процессе оптимизации. Наконец, предложен и проанализирован новый алгоритм, где так­же неизвестна константа Липшица, но изменена стратегия принятия решения для выбора следующей точки вычисления.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!


В данной работе был представлен новый эффективный алгоритм глобальной оптимизации, основанный на оценке константы Липшица неизвестной функции. Этот алгоритм является модифика­цией метода AdaLIPO с измененной стратегией принятия решения, а также сравнивался по эффектив­ности с алгоритмом, упомянутым выше, идейным «предком» - LIPO, и методами, которые являются классическими в области решения проблемы глобальной оптимизации, - CMA-ES и Байесовская оп­тимизация.
Результаты показывают, что представленный алгоритм для тестовых данных всегда работает лучше, чем Байесовская оптимизация и AdaLIPO, и в 6 из 8 случаях лучше, чем CMA-ES. Данные показатели говорят о стабильной эффективности для рассматриваемого класса задач и меньшем пороге сходимости, чем у алгоритмов, поставленных ему в сравнение.
Тем не менее, анализ алгоритма не завершен с аналитической точки зрения, так как доказана лишь его сходимость.


[1] Zhou Q. et al. Optimization of laser brazing onto galvanized steel based on ensemble of metamodels //Journal of Intelligent Manufacturing. - 2018. - Т 29. - С. 1417-1431.
[2] Jiang C. et al. An active failure-pursuing Kriging modeling method for time-dependent reliability analysis //Mechanical Systems and Signal Processing. - 2019. - Т. 129. - С. 112-129.
[3] Dong H., Song B., Wang P. Kriging-based optimization design for a new style shell with black box constraints //Journal of Algorithms & Computational Technology. - 2017. - Т. 11. - №. 3. - С. 234-245.
[4] White D. A. et al. Multiscale topology optimization using neural network surrogate models //Computer Methods in Applied Mechanics and Engineering. - 2019. - Т. 346. - С. 1118-1135.
[5] Liu H., Ong Y. S., Cai J. A survey of adaptive sampling for global metamodeling in support of simulation­based complex engineering design //Structural and Multidisciplinary Optimization. - 2018. - Т 57. - С. 393-416.
[6] Shojaeefard M. H., Hosseini S. E., Zare J. CFD simulation and Pareto-based multi-objective shape optimization of the centrifugal pump inducer applying GMDH neural network, modified NSGA-II, and TOPSIS //Structural and Multidisciplinary Optimization. - 2019. - Т 60. - С. 1509-1525.
[7] Dong H. et al. Multi-surrogate-based Differential Evolution with multi-start exploration (MDEME) for computationally expensive optimization //Advances in Engineering Software. - 2018. - Т. 123. - С. 62-76.
[8] Stander J. N., Venter G., Kamper M. J. High fidelity multidisciplinary design optimisation of an electromagnetic device //Structural and Multidisciplinary Optimization. - 2016. - Т 53. - С. 1113-1127.
[9] Lawler E. L. A procedure for computing the k best solutions to discrete optimization problems and its application to the shortest path problem //Management science. - 1972. - Т. 18. - №. 7. - С. 401-405.
[10] Sayadi M. K., Hafezalkotob A., Naini S. G. J. Firefly-inspired algorithm for discrete optimization problems: An application to manufacturing cell formation //Journal of Manufacturing Systems. - 2013. - Т. 32. - №. 1. - С. 78-84.
[11] Ekel P. Y., Neto F. H. S. Algorithms of discrete optimization and their application to problems with fuzzy coefficients //Information Sciences. - 2006. - Т 176. - №. 19. - С. 2846-2868.
[12] Dede T. Application of teaching-learning-based-optimization algorithm for the discrete optimization of truss structures //Ksce journal of civil engineering. - 2014. - Т. 18. - С. 1759-1767.
[13] Bartz-Beielstein T., Zaefferer M. Model-based methods for continuous and discrete global optimization //Applied Soft Computing. - 2017. - Т. 55. - С. 154-167.
[14] Land A. H., Doig A. G. An automatic method for solving discrete programming problems. - Springer Berlin Heidelberg, 2010. - С. 105-132.
[15] Demeulemeester E., Herroelen W. A branch-and-bound procedure for the multiple resource-constrained project scheduling problem //Management science. - 1992. - Т. 38. - №. 12. - С. 1803-1818.
...


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2025 Cервис помощи студентам в выполнении работ