Các chiến lược tối ưu hóa quá trình ngẫu nhiên hỗ trợ bởi mạng nơron nhân tạo
Tóm tắt
Bài viết này trình bày hai phương pháp tối ưu hóa quy trình hỗn hợp mạnh mẽ tích hợp mạng nơron nhân tạo (ANN) và hình thức tối ưu hóa ngẫu nhiên—các thuật toán di truyền (GA) và phương pháp xấp xỉ ngẫu nhiên đồng thời (SPSA). Một mô hình quy trình dựa trên ANN đã được phát triển hoàn toàn từ dữ liệu đầu vào–đầu ra của quy trình và sau đó không gian đầu vào của nó, bao gồm các biến thiết kế và biến vận hành, đã được tối ưu hóa bằng cách sử dụng hoặc phương pháp GA hoặc SPSA. Các phương pháp này sở hữu một số ưu điểm so với các kỹ thuật dự đoán xác định dựa trên gradient rất được sử dụng. Hiệu quả của các hình thức ANN-GA và ANN-SPSA trong sự hiện diện của dữ liệu quy trình không có tiếng ồn cũng như dữ liệu quy trình có tiếng ồn đã được chứng minh cho một hệ thống đại diện liên quan đến CSTR không đồng nhất. Nghiên cứu trường hợp xem xét một mục tiêu tối ưu hóa không đơn giản, mà ngoài việc thiết kế tham số truyền thống, còn giải quyết vấn đề thiết kế dung sai tối ưu. So sánh các kết quả với các kết quả từ một chiến lược mô hình hóa/tối ưu hóa xác định mạnh mẽ cho thấy rằng các phương pháp hỗn hợp có thể được áp dụng có hiệu quả cho tối ưu hóa quy trình.
Từ khóa
#tối ưu hóa quy trình #mạng nơron nhân tạo #thuật toán di truyền #phương pháp xấp xỉ ngẫu nhiên #thiết kế dung sai tối ưuTài liệu tham khảo
Deb K., 1995, Optimization for Engineering Design: Algorithms and Examples
Diwekar U. M., 1997, An Efficient Sampling Technique for Off‐Line Quality Control, Technology, 39, 308
Freeman J. A., 1991, Neural Network: Algorithms, Applications, and Programming Techniques
Gill P. E. W.Murray M. A.Saunders andM. H.Wright “User's Guide for NPSOL: A Fortran Package for Nonlinear Programming.” Tech. Rep. SOL 86‐2 Systems Optimization Laboratory Stanford University Stanford CA (1986).
Goldberg D. E., 1989, Genetic Algorithms in Search, Optimization, and Machine Learning
Hanagandi V., 1996, Solution of the Self‐Consistent Field Model for Polymer Adsorption by Genetic Algorithms, Chem. Eng. Sci., 51, 1071, 10.1016/S0009-2509(96)80006-6
Hecht‐Nielsen R., 1990, Neurocomputing
Holland J. H., 1975, Adaptation in Natural and Artificial Systems
Kantz H., 1997, Nonlinear Time Series Analysis
Spall J. C., 1987, Proc. of the Amer. Cont. Conf., 1161
Spall J. C., 1998, An Overview of the Simultaneous Perturbation Method for Efficient Optimization, Johns Hopkins APL Tech. Dig., 19, 482
Taguchi G., 1986, Introduction to Quality Engineering
Tambe S. S., 1996, Elements of Artificial Neural Networks with Selected Applications in Chemical Engineering, and Chemical & Biological Sciences
Venkatasubramanian V., 1998, Encyclopedia of Computational Chemistry
Wang I. J., 1999, Proc. of the Amer. Cont. Conf., 393