Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Tytuł pozycji:

Handling insensitivity in multi-physics inverse problems using a complex evolutionary strategy

Tytuł:
Handling insensitivity in multi-physics inverse problems using a complex evolutionary strategy
Autorzy:
Sawicki, Jakub
Smołka, Maciej
Łoś, Marcin
Schaefer, Robert
Data publikacji:
2019
Słowa kluczowe:
multi-objective optimization
evolutionary algorithm
inverse problem
Język:
angielski
Dostawca treści:
BazTech
Artykuł
  Przejdź do źródła  Link otwiera się w nowym oknie  Pełny tekst  Link otwiera się w nowym oknie
In this paper we present a complex strategy for the solution of ill posed, in-verse problems formulated as multiobjective global optimization ones. The strategy is capable of identifying the shape of objective insensitivity regions around connected components of Pareto set. The goal is reached in two phases. In the first, global one, the connected components of the Pareto set are localized and separated in course of the multi-deme, hierarchic memetic strategy HMS. In the second, local phase, the random sample uniformly spread over each Pareto component and its close neighborhood is obtained in the specially profiled evolutionary process using multiwinner selection. Finally, each local sample forms a base for the local approximation of a dominance function. Insensitivity region surrounding each connected component of the Pareto set is estimated by a sufficiently low level set of this approximation. Capabilities of the whole procedure was verified using specially-designed two-criterion benchmarks.
Artykuł prezentuje złożoną strategię rozwiązywania źle postawionych problemów odwrotnych sformułowanych jako wielokryterialne zadania optymalizacji globalnej. Opisana strategia umożliwia identyfikację obszarów niewrażliwości funkcji celu wokół spójnych składowych zbioru Pareto. Cel jest osiągany w dwu etapach. W pierwszym z nich — globalnym — składowe spójne zbioru Pareto są lokalizowane i separowane przy pomocy wielopopulacyjnej hierarchicznej strategii memetycznej HMS. W etapie drugim — lokalnym — przy użyciu specjalnie sprofilowanego procesu ewolucyjnego wykorzystującego operator selekcji wyborczej z wieloma zwycięzcami produkowana jest losowa próbka rozłożona jednostajnie na każdej składowej i jej bliskim otoczeniu. Finalnie każda lokalna próbka jest użyta jako baza do zbudowania lokalnej aproksymacji funkcji dominacji. Zbiory poziomicowe tej aproksymacji dla odpowiednio niskich poziomów stanowią przybliżenie zbiorów niewrażliwości wokół składowych spójnych. Możliwości strategii zostały zweryfikowane przy użyciu specjalnie zaprojektowanych dwukryterialnych funkcji testowych.
Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).

Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies