عنوان پایان‌نامه
توسعه شاخص درون زا در حل مسائل بهینه سازی چند هدفه محدودیت دار به کمک مدل های جانشین: مبتنی بر روش بیشینه سازی بیشینه کمینه بهبود مورد انتظار
- رشته تحصیلی
- مهندسی صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3319;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76250;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3319;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 76250
- تاریخ دفاع
- ۰۳ شهریور ۱۳۹۵
- دانشجو
- نگین علی سلطانی دهکردی
- استاد راهنما
- فریبرز جولای
- چکیده
- در دنیای امروز اغلب مسائل بهینه سازی، نیاز به بهینه کردن بیش از یک تابع هدف به طور همزمان دارند. در واقع چندین تابع هدف متعارض باید در یک زمان ارضا شوند. اینگونه مسائل، بهینه سازی چندهدفه نامیده میشوند. در مسائل بهینه سازی چندهدفه، مقصود اصلی یافتن یک جواب بهینه برای تک تک اهداف نیست، بلکه سازشی مناسب بین جواب بهینه برای همه اهداف مورد نظر است که جواب پارتو نامیده می شود و نموداری است که نقاط روی آن دارای ارزش مساوی برای مجموع توابع هدف می باند. در بسیاری از موارد ارزیابی ئابع هدف یا محدودیت ها بسیار گرانقیمت است بنابراین مسائل بهینه سازی که دارای توابع پرهزینه هستند به وسیله مدل های جانشین حل میشوند. علاوه بر طراحی آزمایش که جواب های اولیه را برای مدل جانشین تولید میکند، استراتژی های به روز رسانی متفاوتی (که شاخص های درون زا هم نامیده میشوند) برای هر تکرار از فرآیند طراحی وجود دارند. شاخص های درون زا مدل جانشین را بهینه می کنند یا نواحی که خطای تخمین مدل بالا است را شناسایی می کنند. به این وسیله این شاخص ها به ارتقای کیفیت مدل جانشین و نزدیک کردن آن به تابع هدف اصلی می انجامند. در مسائل بهینه سازی به کمک مدل های جانشین، نکته اصلی، یافتن و محاسبه کردن شاخص درون زای مناسب و موثر در کمترین زمان ممکن است. بنابراین هدف این پژوهش یافتن شخص درون زای ارزان و سریعی است که بتواند همزمان تنوع و نزدیکی به جواب پارتو را برآورده کند. بیشینه کمینه یک شاخص درون زای سریع و ارزان است که در این پژوهش ارتقا یافته است. این شاخص یک روش جدید است که می تواند تعادل خوبی بین اکتشاف و استخراج مدل جانشین برقرار کند. بیشینه کمینه همه ی نقاط روی مجموعه پارتو را به صورت یکنواختی به سمت جواب پارتو بهینه هدایت می کند. در این پژوهش، بهینه سازی مبتنی بر بیشینه کمینه بهبود مورد انتظار می باشد که در مسائل بدون محدودیت و مسائل محدودیت دار بررسی شده است.
- Abstract
- Most realistic design optimization problems require the simultaneous optimization of more than one objective. Indeed, several objectives must be met simultaneously. In the multi-objective optimization (MOO), the general goal is to find good compromises, or trade-offs, representing the Pareto front rather than a single solution. In many cases the objectives or constraint functions are expensive to evaluate; therefore many MOO approaches are assisted by surrogate models. In addition to the Design of Experiments (DOE), which provides data for the initial surrogate model training, different updating strategies (also called infill sampling criterion) are available for each design iteration. One can only optimize the surrogate model, or search areas of high estimated model error, in order to improve the model quality. Both methodologies can also be combined. Methods to find an update point, which will improve all objective values as well as model errors, are not straightforward. Approaches to take constraints into account in this context are still under research. In surrogate based optimization problems the important point is how to define and compute an efficient ISC as fast as possible. So developing a cheaper and faster ISC that can achieve both diversity and closeness to the Pareto front is the objective of this study. Maximin is a cheap and fast ISC that has been developed in this research. It is a new ISC that has a good balance between exploration and exploitation. This ISC uniformly moves all the individuals in Pareto front towards the best trade off. In this study optimization will be based on the expected Maximin improvement (EMMI). It has been developed in problems with and without constraints. Keywords: constrained multi-objective optimization, infill criteria, Maximin improvement, surrogate models
