| http://dbpedia.org/ontology/abstract
|
Оптимізація на основі моделювання (також в … Оптимізація на основі моделювання (також відома як оптимізація моделювання) інтегрує методи оптимізації в цифрове моделювання та аналіз. Через складність моделювання оцінка цільової функції (функції втрат) може стати дорогою та важкою. Зазвичай базова імітаційна модель є стохастичною, тому цільову функцію необхідно оцінити за допомогою методів статистичної оцінки (в методології моделювання називають вихідним аналізом). Після того, як система змодельована математично, комп'ютерне моделювання надає інформацію про її поведінку. Для підвищення продуктивності системи використовують методи параметричного моделювання. У цьому методі введення кожної змінної варіюється, а інші параметри залишаються постійними, і спостерігається вплив на ціль проєктування. Це трудомісткий метод, який частково покращує продуктивність. Щоб отримати оптимальне рішення з мінімальними витратами часу та обчислень, завдання вирішується ітеративно, при цьому на кожній ітерації рішення наближається до оптимального. Такі методи відомі як «чисельна оптимізація» або «оптимізація на основі моделювання». Ціль імітаційного експерименту полягає в тому, щоб оцінити вплив різних значень вхідних змінних на систему. Хоча іноді, інтерес полягає в тому, щоб знайти оптимальне значення для вхідних змінних з погляду результатів системи. Одним із способів пошуку оптимального значення, може бути проведення експериментів з моделювання для всіх можливих вхідних змінних. Цей підхід не завжди є практичним через кілька можливих ситуацій, також цей підхід ускладнює проведення експериментів для кожного сценарію. Наприклад, імітаційна модель може бути занадто складною та дорогою для запуску при неоптимальних значеннях вхідних змінних або може бути занадто багато можливих значень для вхідних змінних. У цих випадках ціль полягає в тому, щоб знайти оптимальні значення для вхідних змінних, а не пробувати всі можливі значення. Цей процес називається оптимізацією моделювання. Конкретні методи оптимізації, засновані на моделюванні, можуть бути обрані відповідно до рис. 1 на основі типів змінних рішень. Оптимізація існує у двох основних галузях дослідження операцій: Параметрична оптимізація (статична) — полягає в тому, щоб знайти значення параметрів, які є статичними для всіх станів та максимізують або мінімізують функцію. У цьому випадку можна використовувати математичне програмування, наприклад, лінійне програмування. У цьому сценарії симуляція допомагає, коли параметри містять шум або оцінка проблеми вимагатиме надмірного комп'ютерного часу через її складність. Управління оптимізацією (динамічне) — в основному використовується в інформатиці та електротехніці. Оптимальне керування визначається для кожного стану і результати змінюються в кожному з них. Можна використовувати математичне програмування і динамічне. У цьому сценарії моделювання може генерувати випадкові вибірки, вирішувати складні та великомасштабні проблеми.увати складні та великомасштабні проблеми.
, Simulation-based optimization (also known … Simulation-based optimization (also known as simply simulation optimization) integrates optimization techniques into simulation modeling and analysis. Because of the complexity of the simulation, the objective function may become difficult and expensive to evaluate. Usually, the underlying simulation model is stochastic, so that the objective function must be estimated using statistical estimation techniques (called output analysis in simulation methodology). Once a system is mathematically modeled, computer-based simulations provide information about its behavior. Parametric simulation methods can be used to improve the performance of a system. In this method, the input of each variable is varied with other parameters remaining constant and the effect on the design objective is observed. This is a time-consuming method and improves the performance partially. To obtain the optimal solution with minimum computation and time, the problem is solved iteratively where in each iteration the solution moves closer to the optimum solution. Such methods are known as ‘numerical optimization’ or ‘simulation-based optimization’. In simulation experiment, the goal is to evaluate the effect of different values of input variables on a system. However, the interest is sometimes in finding the optimal value for input variables in terms of the system outcomes. One way could be running simulation experiments for all possible input variables. However, this approach is not always practical due to several possible situations and it just makes it intractable to run experiments for each scenario. For example, there might be too many possible values for input variables, or the simulation model might be too complicated and expensive to run for suboptimal input variable values. In these cases, the goal is to find optimal values for the input variables rather than trying all possible values. This process is called simulation optimization. Specific simulation–based optimization methods can be chosen according to Figure 1 based on the decision variable types. Optimization exists in two main branches of operations research: Optimization parametric (static) – The objective is to find the values of the parameters, which are “static” for all states, with the goal of maximizing or minimizing a function. In this case, one can use mathematical programming, such as linear programming. In this scenario, simulation helps when the parameters contain noise or the evaluation of the problem would demand excessive computer time, due to its complexity. Optimization control (dynamic) – This is used largely in computer science and electrical engineering. The optimal control is per state and the results change in each of them. One can use mathematical programming, as well as dynamic programming. In this scenario, simulation can generate random samples and solve complex and large-scale problems.nd solve complex and large-scale problems.
|
| rdfs:comment |
Оптимізація на основі моделювання (також в … Оптимізація на основі моделювання (також відома як оптимізація моделювання) інтегрує методи оптимізації в цифрове моделювання та аналіз. Через складність моделювання оцінка цільової функції (функції втрат) може стати дорогою та важкою. Зазвичай базова імітаційна модель є стохастичною, тому цільову функцію необхідно оцінити за допомогою методів статистичної оцінки (в методології моделювання називають вихідним аналізом). Конкретні методи оптимізації, засновані на моделюванні, можуть бути обрані відповідно до рис. 1 на основі типів змінних рішень. до рис. 1 на основі типів змінних рішень.
, Simulation-based optimization (also known … Simulation-based optimization (also known as simply simulation optimization) integrates optimization techniques into simulation modeling and analysis. Because of the complexity of the simulation, the objective function may become difficult and expensive to evaluate. Usually, the underlying simulation model is stochastic, so that the objective function must be estimated using statistical estimation techniques (called output analysis in simulation methodology). Specific simulation–based optimization methods can be chosen according to Figure 1 based on the decision variable types.re 1 based on the decision variable types.
|
