Skip to content
بازگشت به نتایج جست‌وجو

بهینه‌سازی مبتنی بر جایگزین — طراحی با کمک مدل‌های کمکی

معرفی‌شده توسط
Sacks, Welch, Mitchell & Wynn (computer experiments framework, 1989); Kriging popularised by Matheron (1963)
سال
1989 (computer experiments formulation)
نوع
Metamodel-assisted black-box optimization

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

بهینه‌سازی مبتنی بر جایگزین، که در چارچوب آزمایش‌های رایانه‌ای ساکس و همکاران (۱۹۸۹) فرمول‌بندی شده و توسط فورستر و همکاران (۲۰۰۸) برای مهندسی محبوبیت یافته است، یک شبیه‌سازی یا آزمایش فیزیکی پرهزینه را با یک مدل تقریبی ارزان‌قیمت — که جایگزین یا مدل کمکی نامیده می‌شود — جایگزین می‌کند و سپس آن جایگزین را بهینه می‌کند. جایگزین معمولاً یک مدل کرینگ (فرایند گاوسی)، تابع پایه شعاعی، یا سطح پاسخ چندجمله‌ای است که بر روی مجموعه‌ای کوچک از ارزیابی‌های طراحی با دقت انتخاب شده برازش داده شده و به صورت دوره‌ای با پیشرفت جستجو به‌روزرسانی می‌شود.

شهود پشت روش

تصور کنید که هر بار که می‌خواهید شکل جدیدی از بال هواپیما را آزمایش کنید، باید یک شبیه‌سازی کامل دینامیک سیالات محاسباتی (CFD) انجام دهید که ۴۸ ساعت طول می‌کشد. اجرای هزاران ارزیابی از این دست برای یافتن بهترین شکل غیرممکن است. بهینه‌سازی مبتنی بر جایگزین با اجرای دسته‌ای کوچک از شبیه‌سازی‌ها در نقاط طراحی با پراکندگی خوب، برازش یک جایگزین ریاضی سریع (جایگزین) که عملکرد را برای هر طراحی آزمایش‌نشده در چند ثانیه پیش‌بینی می‌کند، بهینه‌سازی آن جایگزین، و سپس انتخاب استراتژیک امیدوارکننده‌ترین طرح جدید برای شبیه‌سازی واقعی، از این مشکل اجتناب می‌کند. جایگزین با هر نقطه داده جدید اضافه شده هوشمندتر می‌شود و در نهایت شبیه‌ساز پرهزینه فقط در جایی که واقعاً اهمیت دارد فراخوانی می‌شود.

تاریخ

مبانی آماری توسط ساکس، ولش، میچل و وین در مقاله برجسته سال ۱۹۸۹ آنها "طراحی و تحلیل آزمایش‌های رایانه‌ای" (Statistical Science) پایه‌گذاری شد که چارچوب کرینگ را برای شبیه‌سازی کدهای رایانه‌ای قطعی معرفی کرد. خود کرینگ به کار ژئواستاتیک ژرژ ماترون در دهه ۱۹۶۰ بازمی‌گردد. این رویکرد توسط فورستر، سوبستر و کین در مونوگراف وایلی ۲۰۰۸ آنها برای بهینه‌سازی طراحی مهندسی نظام‌مند شد، که نمونه‌گیری هایپرکیوب لاتین، اعتبارسنجی متقابل، و ورودی بهبود مورد انتظار را به عنوان خط لوله استاندارد ایجاد کرد. از آن زمان، این حوزه گسترش یافته و شامل جایگزین‌های چند وفاداری، بهینه‌سازی بیزی (یک فرمول‌بندی احتمالی نزدیک)، و جایگزین‌های یادگیری عمیق برای مسائل با ابعاد بسیار بالا می‌شود.

چه زمانی استفاده شود

بهینه‌سازی مبتنی بر جایگزین زمانی انتخاب درستی است که تابع هدف واقعی برای ارزیابی بسیار پرهزینه باشد — از طریق CFD، تحلیل المان محدود، آزمایش‌های آزمایشگاهی، یا شبیه‌سازی‌های چندفیزیکی — به طوری که تنها ده‌ها تا چند صد ارزیابی مقرون به صرفه باشد. این روش نیازمند این است که پاسخ واقعی به اندازه کافی هموار باشد تا یک جایگزین بتواند آن را تقریب بزند؛ توابع بسیار ناپیوسته یا تصادفی ممکن است به جایگزین‌های تخصصی یا تکنیک‌های کاهش واریانس نیاز داشته باشند. فضای طراحی باید پیوسته باشد. یک طرح اولیه فضایی (نمونه‌گیری هایپرکیوب لاتین) و اعتبارسنجی متقابل اجباری جایگزین، پیش‌نیازهای غیرقابل مذاکره هستند.

محدودیت‌ها و ملاحظات

  • دقت جایگزین در فضاهای با ابعاد بالا (نفرین ابعاد) کاهش می‌یابد؛ معمولاً تا حدود ۲۰ تا ۵۰ متغیر طراحی بدون کاهش ابعاد عملی است.
  • اگر تابع واقعی بسیار ناپیوسته یا چندوجهی باشد، جایگزین ممکن است آن را نادرست نشان دهد و بهینه‌ساز را به سمت یک بهینه کاذب هدایت کند.
  • بودجه آموزشی اولیه باید با دقت تنظیم شود؛ تعداد کم نقاط، جایگزین ضعیفی تولید می‌کند، تعداد زیاد هدف اجتناب از ارزیابی‌های پرهزینه را از بین می‌برد.
  • برازش کرینگ و بهینه‌سازی تابع اکتساب، سربار محاسباتی را اضافه می‌کنند که با اندازه مجموعه آموزشی رشد می‌کند.

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • تعداد ارزیابی‌های واقعی پرهزینه مورد نیاز برای یافتن یک طرح نزدیک به بهینه را به شدت کاهش می‌دهد.
  • جایگزین‌های کرینگ تخمین‌های عدم قطعیت را ارائه می‌دهند که استراتژی‌های ورودی اصولی مانند بهبود مورد انتظار را امکان‌پذیر می‌سازد.
  • بر روی مسائل جعبه سیاه که هیچ اطلاعات گرادیانی در دسترس نیست، کار می‌کند.
  • در مهندسی، علم، و هر حوزه‌ای که هزینه شبیه‌سازی غالب است، قابل اجرا است.
  • جایگزین قابل استفاده مجدد می‌تواند چندین سؤال طراحی را بدون ارزیابی‌های واقعی اضافی پاسخ دهد.

کاربردها

  • بهینه‌سازی شکل آیرودینامیکی بال‌های هواپیما و پره‌های توربین با استفاده از شبیه‌سازی‌های CFD.
  • بهینه‌سازی سازه‌ای در تحلیل‌های المان محدود که هر شبیه‌سازی ساعت‌ها طول می‌کشد.
  • طراحی مقاومت در برابر ضربه خودرو و NVH (نویز، ارتعاش، سختی) تحت بودجه‌های ارزیابی محدود.
  • طراحی فرآیند شیمیایی و راکتور که در آن آزمایش‌های فیزیکی پرهزینه و کند هستند.
  • تنظیم ابرپارامترها در یادگیری ماشین زمانی که آموزش یک مدل خود پرهزینه است.
  • توسعه فرمولاسیون دارویی و طراحی کارآزمایی بالینی.

چگونه کار می‌کند

چگونه کار می‌کند

1

یک طرح آزمایش فضایی — که معمولاً نمونه‌گیری هایپرکیوب لاتین است — برای قرار دادن مجموعه‌ای اولیه از نقاط طراحی در سراسر فضای ممکن استفاده می‌شود. هدف، حداکثر پراکندگی است تا جایگزین با حداقل سوگیری نسبت به هر منطقه آموزش داده شود.

2

هر نقطه طراحی اولیه به ارزیاب واقعی پرهزینه ارسال می‌شود: یک حل‌کننده CFD، یک تحلیل المان محدود، یک آزمایش نمونه اولیه فیزیکی، یا هر تابع با وفاداری بالا دیگر. این مرحله گلوگاه محاسباتی است؛ خروجی آن مجموعه داده آموزشی برای جایگزین را تشکیل می‌دهد.

3

یک مدل جایگزین — کرینگ، تابع پایه شعاعی، سطح پاسخ چندجمله‌ای، یا شبکه عصبی — به داده‌های آموزشی برازش داده می‌شود. کرینگ در طراحی مهندسی ترجیح داده می‌شود زیرا نه تنها یک پیش‌بینی، بلکه یک تخمین عدم قطعیت کمی‌شده در هر نقطه بازدید نشده ارائه می‌دهد.

4

برازش جایگزین با اعتبارسنجی متقابل یا با مقایسه پیش‌بینی‌های جایگزین در مجموعه‌ای از نقاط آزمایشی نگهداری شده در برابر ارزیابی‌های واقعی بررسی می‌شود. معیارهایی مانند R-squared، RMSE و حداکثر خطای مطلق نشان می‌دهند که آیا جایگزین تابع واقعی را به اندازه کافی برای هدایت بهینه‌سازی نشان می‌دهد. در صورت شکست اعتبارسنجی، نقاط آموزشی اضافی اضافه می‌شوند.

5

یک بهینه‌ساز ارزان‌قیمت — مبتنی بر گرادیان یا تکاملی — جایگزین برازش‌شده را برای یافتن بهینه جستجو می‌کند. از آنجایی که ارزیابی جایگزین تقریباً هیچ هزینه‌ای ندارد، می‌توان هزاران راه‌حل کاندید را در چند ثانیه ارزیابی کرد.

6

طرحی که به عنوان بهینه پیش‌بینی شده است (یا بیشترین اطلاعات را تحت معیارهای بهبود مورد انتظار دارد) به ارزیاب پرهزینه بازگردانده می‌شود. پاسخ واقعی آن به مجموعه آموزشی اضافه می‌شود و جایگزین دوباره برازش می‌شود. این حلقه تا زمانی ادامه می‌یابد که یک معیار توقف — بودجه، همگرایی، یا هدف دقت — برآورده شود.

دام‌های رایج

  • نادیده گرفتن اعتبارسنجی متقابل جایگزین، رایج‌ترین خطا است — یک جایگزین با برازش ضعیف به طور سیستماتیک بهینه‌ساز را گمراه خواهد کرد.
  • استفاده از طراحی اولیه تصادفی یکنواخت به جای هایپرکیوب لاتین فضایی، مناطق فضای طراحی را ضعیف پوشش می‌دهد و نقاط کور جایگزین ایجاد می‌کند.
  • اعمال روش بر روی مسائل با پاسخ‌های تصادفی (شبیه‌سازی‌های نویزی یا آزمایش‌های فیزیکی) بدون در نظر گرفتن نویز در مدل جایگزین، منجر به برازش بیش از حد به نویز به جای روند واقعی می‌شود و بهینه‌ساز را گمراه می‌کند.
  • توقف زودهنگام حلقه به‌روزرسانی — قبل از همگرایی جایگزین — می‌تواند به این معنی باشد که بهینه گزارش‌شده یک مصنوع جایگزین است تا یک بهبود واقعی در طراحی.

پرسش‌های متداول

کدام نوع جایگزین را باید انتخاب کنم — کرینگ، RBF، یا چندجمله‌ای؟

کرینگ (فرایند گاوسی) پیش‌فرض برای طراحی مهندسی است زیرا هم پیش‌بینی و هم تخمین عدم قطعیت نقطه‌ای را ارائه می‌دهد و استراتژی‌های ورودی اصولی مانند بهبود مورد انتظار را امکان‌پذیر می‌سازد. توابع پایه شعاعی از نظر محاسباتی سبک‌تر هستند و تا حدودی بهتر مقیاس می‌شوند. سطوح پاسخ چندجمله‌ای ساده و قابل تفسیر هستند اما با پاسخ‌های غیرخطی یا چندوجهی مشکل دارند. با کرینگ شروع کنید مگر اینکه ابعاد یا اندازه مجموعه آموزشی آن را غیرعملی کند.

به چند نقطه طراحی اولیه نیاز دارم؟

یک قاعده کلی رایج ۱۰ برابر تعداد متغیرهای طراحی برای نمونه اولیه هایپرکیوب لاتین است، اگرچه این به همواری پاسخ بستگی دارد. معیارهای اعتبارسنجی (R-squared اعتبارسنجی متقابل، RMSE) باید قبل از ادامه بهینه‌سازی، کفایت جایگزین را تأیید کنند. نقاط اضافی از طریق حلقه ورودی اضافه می‌شوند نه همه به یکباره.

آیا بهینه‌سازی مبتنی بر جایگزین همان بهینه‌سازی بیزی است؟

آنها ارتباط نزدیکی دارند اما یکسان نیستند. بهینه‌سازی بیزی شکلی خاص از بهینه‌سازی مبتنی بر جایگزین است که از یک جایگزین فرایند گاوسی با یک تابع اکتساب احتمالی (مانند بهبود مورد انتظار) برای انتخاب نقاط ورودی استفاده می‌کند. چارچوب گسترده‌تر بهینه‌سازی مبتنی بر جایگزین شامل جایگزین‌های غیر احتمالی (RBF، چندجمله‌ای) و معیارهای ورودی دیگر است، بنابراین بهینه‌سازی بیزی یک زیرمجموعه است.

اگر شبیه‌سازی من به جای قطعی، نویزی باشد چه؟

کرینگ استاندارد فرض می‌کند که پاسخ قطعی است. برای شبیه‌سازهای تصادفی، باید یک جمله نویز به مدل کوواریانس کرینگ (پارامتر ناگت یا کرینگ تصادفی) اضافه شود. بدون این، جایگزین بیش از حد به نویز برازش می‌شود تا روند واقعی و بهینه‌ساز گمراه خواهد شد.

روش‌های مرتبط

منابع

  1. Forrester, A., Sobester, A., & Keane, A. (2008). Engineering Design via Surrogate Modelling: A Practical Guide. Wiley.

    باز کردن مرجع انتشار
    کپی شد.
  2. Sacks, J., Welch, W. J., Mitchell, T. J., & Wynn, H. P. (1989). Design and Analysis of Computer Experiments. Statistical Science, 4(4), 409-423.

    باز کردن مرجع DOI
    کپی شد.