Skip to content
Kembali ke hasil pencarian

Optimasi Berbasis Pengganti — Desain Berbantuan Metamodel

Diperkenalkan oleh
Sacks, Welch, Mitchell & Wynn (computer experiments framework, 1989); Kriging popularised by Matheron (1963)
Tahun
1989 (computer experiments formulation)
Jenis
Metamodel-assisted black-box optimization

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Optimasi berbasis pengganti (surrogate-based optimization), yang diformalkan dalam kerangka eksperimen komputer oleh Sacks et al. (1989) dan dipopulerkan untuk rekayasa oleh Forrester et al. (2008), menggantikan simulasi atau eksperimen fisik yang sangat mahal dengan model perkiraan yang murah — disebut pengganti atau metamodel — dan kemudian mengoptimalkan pengganti tersebut.

Pengganti biasanya adalah Kriging (Gaussian Process), Radial Basis Function, atau permukaan respons polinomial yang disesuaikan dengan sejumlah kecil evaluasi desain yang dipilih dengan cermat dan diperbarui secara berkala seiring kemajuan pencarian.

Intuisi di balik metode

Bayangkan setiap kali Anda ingin menguji bentuk sayap pesawat baru, Anda harus menjalankan simulasi dinamika fluida komputasi (CFD) penuh yang memakan waktu 48 jam. Menjalankan ribuan evaluasi semacam itu untuk menemukan bentuk terbaik menjadi tidak mungkin. Optimasi berbasis pengganti mengatasinya dengan pertama-tama menjalankan sejumlah kecil simulasi pada titik desain yang tersebar, menyesuaikan model matematis pengganti yang cepat yang memprediksi kinerja untuk desain yang belum diuji dalam hitungan detik, mengoptimalkan pengganti tersebut, dan kemudian secara strategis memilih desain baru yang paling menjanjikan untuk disimulasikan. Pengganti menjadi lebih cerdas dengan setiap titik data baru yang ditambahkan, dan akhirnya simulator yang mahal hanya dipanggil di tempat yang benar-benar penting.

Sejarah

Dasar-dasar statistik diletakkan oleh Sacks, Welch, Mitchell, dan Wynn dalam makalah penting mereka tahun 1989 "Design and Analysis of Computer Experiments" (Statistical Science), yang memperkenalkan kerangka Kriging untuk meniru kode komputer deterministik. Kriging sendiri berawal dari karya geostatistik oleh Georges Matheron pada tahun 1960-an. Pendekatan ini disistematisasi untuk optimasi desain rekayasa oleh Forrester, Sobester, dan Keane dalam monograf Wiley mereka tahun 2008, yang menetapkan Latin Hypercube Sampling, validasi silang, dan peningkatan yang diharapkan sebagai pengisian standar. Sejak itu bidang ini telah berkembang untuk mencakup pengganti multi-fidelity, optimasi Bayesian (formulasi probabilistik yang terkait erat), dan pengganti deep-learning untuk masalah berdimensi sangat tinggi.

Kapan digunakan

Optimasi berbasis pengganti adalah pilihan yang tepat ketika fungsi objektif sebenarnya terlalu mahal untuk dievaluasi — melalui CFD, analisis elemen hingga, eksperimen laboratorium, atau simulasi multi-fisika — sehingga hanya puluhan hingga beberapa ratus evaluasi yang terjangkau. Metode ini mensyaratkan respons sebenarnya cukup mulus agar pengganti dapat memperkirakannya; fungsi yang sangat diskontinu atau stokastik mungkin memerlukan pengganti khusus atau teknik pengurangan varians. Ruang desain harus kontinu. Desain awal yang mengisi ruang (Latin Hypercube Sampling) dan validasi silang pengganti yang wajib adalah prasyarat yang tidak dapat ditawar.

Batasan dan pertimbangan

  • Akurasi pengganti menurun di ruang berdimensi tinggi (kutukan dimensionalitas/curse of dimensionality); biasanya praktis hingga sekitar 20–50 variabel desain tanpa pengurangan dimensi.
  • Jika fungsi sebenarnya sangat diskontinu atau multimodal, pengganti dapat salah merepresentasikannya dan mengarahkan pengoptimal ke optimum palsu.
  • Anggaran pelatihan awal harus ditetapkan dengan hati-hati; terlalu sedikit titik menghasilkan pengganti yang buruk, terlalu banyak menggagalkan tujuan menghindari evaluasi yang mahal.
  • Penyesuaian Kriging dan optimasi fungsi akuisisi menambah beban komputasi yang tumbuh seiring ukuran kumpulan data pelatihan.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Secara dramatis mengurangi jumlah evaluasi sebenarnya yang mahal yang diperlukan untuk menemukan desain yang mendekati optimal.
  • Pengganti Kriging memberikan perkiraan ketidakpastian yang memungkinkan strategi pengisian (infill) yang berprinsip seperti peningkatan yang diharapkan.
  • Bekerja pada masalah kotak hitam (black-box problems) di mana tidak ada informasi gradien yang tersedia.
  • Dapat diterapkan di seluruh rekayasa, sains, dan domain apa pun di mana biaya simulasi mendominasi.
  • Pengganti yang dapat digunakan kembali dapat menjawab berbagai pertanyaan desain tanpa evaluasi sebenarnya tambahan.

Penerapan

  • Optimasi bentuk aerodinamis sayap pesawat dan bilah turbin menggunakan simulasi CFD.
  • Optimasi struktural dalam analisis elemen hingga di mana setiap simulasi memakan waktu berjam-jam.
  • Desain ketahanan terhadap benturan (crashworthiness) dan NVH (noise, vibration, harshness) otomotif di bawah anggaran evaluasi yang ketat.
  • Desain proses kimia dan reaktor di mana eksperimen fisik mahal dan lambat.
  • Penyetelan hyperparameter dalam machine learning ketika melatih model itu sendiri mahal.
  • Pengembangan formulasi farmasi dan desain uji klinis.

Cara kerjanya

Cara kerjanya

1

Desain eksperimental yang mengisi ruang (space-filling experimental design) — paling umum adalah Latin Hypercube Sampling — digunakan untuk menempatkan sejumlah titik desain awal di seluruh ruang yang layak. Tujuannya adalah penyebaran maksimal sehingga pengganti dapat dilatih dengan bias minimal terhadap wilayah mana pun.

2

Setiap titik desain awal diteruskan ke evaluator sebenarnya yang mahal: pemecah CFD, analisis elemen hingga (finite-element analysis), uji prototipe fisik, atau fungsi resolusi tinggi lainnya. Langkah ini adalah hambatan komputasi; keluarannya membentuk kumpulan data pelatihan untuk pengganti.

3

Model pengganti — Kriging, Radial Basis Function, permukaan respons polinomial, atau jaringan saraf — disesuaikan dengan data pelatihan. Kriging lebih disukai dalam desain rekayasa karena tidak hanya memberikan prediksi tetapi juga perkiraan ketidakpastian yang terukur di setiap titik yang belum dikunjungi.

4

Kesesuaian pengganti diperiksa melalui validasi silang (cross-validation) atau dengan membandingkan prediksi pengganti pada sekumpulan titik uji yang disisihkan dengan evaluasi sebenarnya. Metrik seperti R-squared, RMSE, dan kesalahan absolut maksimum menunjukkan apakah pengganti mewakili fungsi sebenarnya dengan cukup baik untuk memandu optimasi. Jika validasi gagal, titik pelatihan tambahan ditambahkan.

5

Pengoptimal yang murah — berbasis gradien atau evolusioner — mencari pengganti yang disesuaikan untuk menemukan optimum. Karena mengevaluasi pengganti hampir tidak memerlukan biaya, ribuan solusi kandidat dapat dinilai dalam hitungan detik.

6

Desain yang diprediksi optimal (atau paling informatif, di bawah kriteria peningkatan yang diharapkan/expected improvement) diteruskan kembali ke evaluator yang mahal. Respons sebenarnya ditambahkan ke kumpulan data pelatihan dan pengganti disesuaikan kembali. Perulangan ini berlanjut hingga kriteria penghentian — anggaran, konvergensi, atau target akurasi — terpenuhi.

Kesalahan umum

  • Melewatkan validasi silang pengganti adalah kesalahan paling umum — pengganti yang kurang pas akan secara sistematis menyesatkan pengoptimal.
  • Menggunakan desain awal acak seragam alih-alih Latin Hypercube yang mengisi ruang meninggalkan wilayah ruang desain yang tertutup buruk, menciptakan titik buta pengganti.
  • Menerapkan metode ini pada masalah dengan respons stokastik (simulasi atau eksperimen fisik yang berisik) tanpa memperhitungkan kebisingan dalam model pengganti menyebabkan overfitting pada kebisingan daripada tren sebenarnya.
  • Menghentikan perulangan pembaruan terlalu dini — sebelum pengganti konvergen — dapat berarti optimum yang dilaporkan adalah artefak pengganti daripada peningkatan desain yang sebenarnya.

Pertanyaan yang sering diajukan

Jenis pengganti mana yang harus saya pilih — Kriging, RBF, atau polinomial?

Kriging (Gaussian Process) adalah pilihan default untuk desain rekayasa karena memberikan prediksi dan perkiraan ketidakpastian pointwise, memungkinkan strategi pengisian yang berprinsip seperti peningkatan yang diharapkan. Radial Basis Functions lebih ringan secara komputasi dan skalanya sedikit lebih baik. Permukaan respons polinomial sederhana dan dapat diinterpretasikan tetapi kesulitan dengan respons nonlinier atau multimodal. Mulailah dengan Kriging kecuali dimensionalitas atau ukuran kumpulan data pelatihan membuatnya tidak praktis.

Berapa banyak titik desain awal yang saya butuhkan?

Aturan praktis yang umum adalah 10 kali jumlah variabel desain untuk sampel Latin Hypercube awal, meskipun ini tergantung pada kehalusan respons. Metrik validasi (validasi silang R-squared, RMSE) harus mengonfirmasi bahwa pengganti memadai sebelum optimasi dilanjutkan. Titik tambahan ditambahkan melalui perulangan pengisian daripada sekaligus.

Apakah optimasi berbasis pengganti sama dengan optimasi Bayesian?

Keduanya terkait erat tetapi tidak identik. Optimasi Bayesian adalah bentuk spesifik dari optimasi berbasis pengganti yang menggunakan pengganti Gaussian Process dengan fungsi akuisisi probabilistik (seperti peningkatan yang diharapkan) untuk memilih titik pengisian. Kerangka kerja optimasi berbasis pengganti yang lebih luas mencakup pengganti non-probabilistik (RBF, polinomial) dan kriteria pengisian lainnya, sehingga optimasi Bayesian adalah sub-bagian.

Bagaimana jika simulasi saya berisik (noisy) daripada deterministik?

Kriging standar mengasumsikan respons deterministik. Untuk simulator stokastik, suku kebisingan harus ditambahkan ke model kovarians Kriging (parameter nugget atau Kriging stokastik). Tanpa ini, pengganti akan overfitting pada kebisingan daripada tren sebenarnya dan pengoptimal akan tersesat.

Metode terkait

Sumber

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

    Buka referensi publikasi
    Disalin.
  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.

    Buka referensi DOI
    Disalin.