Episode

Die überarbeitete Toolbox für die Optimierung sequenzieller Parameter

durch Sebastian Krey

Benutzer! Internationale R User 2017-Konferenz

useR!2017: Die überarbeitete Sequenzparameteroptimierung...

Schlüsselwörter: Optimierung, Optimierung, Ersatzmodell, Computerexperimente
Webseiten:https://CRAN.R-project.org/package=SPOT
Probleme mit der Optimierung in der Realen Welt weisen oft sehr hohe Komplexität auf, aufgrund von Multimodalitäten, Einschränkungen, Geräuschen oder anderen wichtigen Problemfunktionen. Zur Lösung dieser Optimierungsprobleme stehen eine große Sammlung von Methoden zur Verfügung. Die meisten dieser Methoden müssen eine Reihe von Parametern festlegen, die erhebliche Auswirkungen auf die Optimierungsleistung haben. Daher ist viel Erfahrung und Wissen über das Problem notwendig, um die bestmöglichen Ergebnisse zu erzielen. Diese Situation wächst, wenn der Optimierungsalgorithmus die zusätzlichen Schwierigkeiten mit starken Einschränkungen für Ressourcen, insbesondere Zeit, Geld oder Anzahl von Experimenten, konfrontiert.
Sequenzielle Parameteroptimierung (Bartz-Beielstein, Lasarczyk und Preuss 2005) ist eine heuristische Kombination klassischer und moderner statistischer Techniken zum Zweck einer effizienten Optimierung. Sie kann auf zwei Weise angewendet werden:

  • um die Parameter anderer Suchalgorithmen effizient zu optimieren und auszuwählen, oder
  • um kostspielige zu bewertende Probleme direkt zu optimieren, indem die Last der Auswertungen in ein Ersatzmodell verschoben wird. SPO ist besonders nützlich in Szenarien, in denen
  1. keine Erfahrung mit der Auswahl der Parametereinstellung eines Algorithmus ist verfügbar,
  2. Ein Vergleich mit anderen Algorithmen ist erforderlich,
  3. Ein Optimierungsalgorithmus muss effektiv und effizient auf ein komplexes Real-World-Optimierungsproblem angewendet werden und
  4. die Zielfunktion ist eine Blackbox und teuer zu bewerten. Die Sequenzielle Parameteroptimierung Toolbox SPOT bietet erweiterte statistische Techniken wie Design und Analyse von Computerexperimenten, verschiedene Methoden für die Surrogatemodellierung und Optimierung, um die sequenzielle Parameteroptimierung in den oben genannten Szenarien effektiv zu nutzen.
    Version 2 des SPOT-Pakets ist eine vollständige Neugestaltung und Neuschreibung des ursprünglichen R-Pakets . Die meisten Funktionsschnittstellen wurden neu gestaltet, um eine optimierte Nutzung zu ermöglichen. Gleichzeitig ermöglichen modulare und transparente Codestrukturen eine erhöhte Erweiterbarkeit. Darüber hinaus wurden dem SPOT-Paket einige neue Entwicklungen hinzugefügt. Eine Kriging-Modellimplementierung auf Der Grundlage früherer Codes von Forrester et al. (Forrester, Sobester und Keane 2008) wurde erweitert, um die Verwendung kategorisiererischer Eingaben zu ermöglichen. Darüber hinaus ist es jetzt möglich, Stapel für den Bau von Ensemblelernen zu verwenden (Bartz-Beielstein und Zaefferer 2017). Dies ermöglicht die Erstellung von Modellen mit einer deutlich höheren prädiktiven Leistung, indem die Stärken verschiedener Modellierungsansätze kombiniert werden.
    In dieser Präsentation zeigen wir, wie die neue Schnittstelle von SPOT verwendet werden kann, um die Geometrie eines Industriestaubfilters (Cyclone) effizient zu optimieren. Basierend auf einer vereinfachten Simulation dieses realen Branchenproblems werden einige der Kernmerkmale von SPOT demonstriert.
    Referenzen Bartz-Beielstein, Thomas und Martin Zaefferer. 2017. "Modellbasierte Methoden für kontinuierliche und diskrete globale Optimierung." Angewendetes Soft Computing 55: 154–67. doi:10.1016/j.asoc.2017.01.039.

Bartz-Beielstein, Thomas, Christian Lasarczyk und Mike Preuss. 2005. "Sequenzielle Parameteroptimierung." In Proceedings Congress on Evolutionary Computation 2005 (Cec'05), 1553. Edinburgh, Schottland. http://www.spotseven.de/wp-content/papercite-data/pdf/blp05.pdf.

Forrester, Alexander, Andras Sobester und Andy Keane. 2008. Engineering Design via Surrogate Modeling. Wiley.