Các chiến lược tối ưu hóa quá trình ngẫu nhiên hỗ trợ bởi mạng nơron nhân tạo

AICHE Journal - Tập 47 Số 1 - Trang 126-141 - 2001
Somnath Nandi1, Soumitra Ghosh1, Sanjeev S. Tambe1, Bhaskar D. Kulkarni1
1Chemical Engineering Div., National Chemical Laboratoiy, Punc-411 008, India

Tóm tắt

Tóm tắtBài 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 ưu

Tài liệu tham khảo

10.1109/37.581297

10.1002/aic.690440908

10.1016/0098-1354(90)87028-N

10.1063/1.1144830

10.1021/ie00023a037

Deb K., 1995, Optimization for Engineering Design: Algorithms and Examples

10.1016/0098-1354(96)00075-0

10.1002/aic.690430217

Diwekar U. M., 1997, An Efficient Sampling Technique for Off‐Line Quality Control, Technology, 39, 308

10.1016/0098-1354(91)87009-X

10.1021/ie00026a018

Freeman J. A., 1991, Neural Network: Algorithms, Applications, and Programming Techniques

10.1080/10407789808913931

10.1080/10407789808913932

10.1016/S0098-1354(98)00252-X

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

10.1016/S0098-1354(98)00260-9

10.1016/0098-1354(92)80044-A

Holland J. H., 1975, Adaptation in Natural and Artificial Systems

10.1016/0893-6080(89)90020-8

10.1002/aic.690450609

10.1016/0005-1098(92)90053-I

Kantz H., 1997, Nonlinear Time Series Analysis

10.1016/0098-1354(92)80022-2

10.1109/72.80202

10.1016/0098-1354(95)00119-M

10.1016/0098-1354(94)00093-4

10.1126/science.247.4945.978

10.1016/S0010-2180(97)00212-5

10.1098/rspa.1995.0064

10.1038/323533a0

Spall J. C., 1987, Proc. of the Amer. Cont. Conf., 1161

10.1109/7.705889

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

10.1021/ie970509b

Venkatasubramanian V., 1998, Encyclopedia of Computational Chemistry

Wang I. J., 1999, Proc. of the Amer. Cont. Conf., 393

Thông tin
Thông tin xuất bản

AICHE Journal

Tập 47 Số 1

126-141

Thông tin tác giả