Μέθοδος προσαρμογής του μητρώου συνδιακύμανσης (CMA) στην εξελικτική βελτιστοποίηση

Παπαδοπούλου, Μαρία; Papadopoulou, Maria

dc.contributor.author	Παπαδοπούλου, Μαρία	el
dc.contributor.author	Papadopoulou, Maria	en
dc.date.accessioned	2020-10-12T08:08:56Z
dc.date.available	2020-10-12T08:08:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51378
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19076
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Βελτιστοποίηση	el
dc.subject	Εξελικτικοί αλγόριθμοι	el
dc.subject	Optimization	en
dc.subject	Evolutionary algorithms	en
dc.subject	CMA	en
dc.subject	Αεροδυναμική	el
dc.subject	Aerodynamics	en
dc.subject	Πολυκριτηριακή βελτιστοποίηση	el
dc.subject	Multi-Objective optimization	en
dc.subject	Μητρώο συνδιακύμανσης	el
dc.title	Μέθοδος προσαρμογής του μητρώου συνδιακύμανσης (CMA) στην εξελικτική βελτιστοποίηση	el
heal.type	bachelorThesis
heal.classification	Αλγόριθμοι Βελτιστοποίησης	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-20
heal.abstract	Αυτή η διπλωματική εργασία επικεντρώνεται στην κατανόηση και τον προγραμματισμό του αλγορίθμου βελτιστοποίησης, που ονομάζεται Μέθοδος Προσαρμογής του Μητρώου Συνδιακύμανσης (Covariance Matrix Adaptation CMA). Αυτός αποτελεί έναν πολλά υποσχόμενο αλγόριθμο βελτιστοποίησης, κυρίως στο πλαίσιο των Στρατηγικών Εξέλιξης. Ένας στόχος αυτής της εργασίας είναι ο εμπλουτισμός της κλασικής εκδοχής του με νέους τελεστές εξέλιξης, ώστε να δημιουργηθεί ένας νέος γενικευμένος εξελικτικός αλγόριθμος που αποτελείται από στοιχεία Γενετικών Αλγορίθμων και Στρατηγικών Εξέλιξης. Επόμενοι στόχοι που τίθενται, είναι η ικανότητα διαχείρισης περιορισμών, η υποβοηθούμενη από μεταπρότυπα λειτουργία του και η ικανότητα επίλυσης πολυκριτηριακών προβλημάτων. Στο πρώτο μέρος της διπλωματικής εργασίας, αναλύεται το μαθηματικό υπόβαθρο του κλασικού CMA, όπως προτείνεται από τη βιβλιογραφία. Έπειτα, παρουσιάζονται οι προσθήκες που γίνονται για την υλοποίηση των στόχων που έχουν τεθεί. Στο δεύτερο μέρος, γίνεται πιστοποίηση της λειτουργίας του νέου CMA σε μαθηματικές συναρτήσεις αλλά και σε προβλήματα βελτιστοποίησης στην αεροδυναμική. Ταυτόχρονα, γίνεται σύγκριση της απόδοσης του με το γενικευμένο EA που εφαρμόζει το λογισμικό EASY (Evolutionary Algorithms SYstem), που έχει αναπτυχθεί στη ΜΠΥΡ\&Β, σε όλα τα προβλήματα ενός στόχου που επιλύονται. Στον ΕΑ που εφαρμόζεται, υπάρχουν μόνο όσα στοιχεία μπορούν να συγκριθούν με αυτά του εμπλουτισμένου CMA. Σκοπός της σύγκρισης είναι να διαπιστωθεί αν ο συνδυασμός των βασικών και των νέων χαρακτηριστικών που έχει ο CMA, οδηγούν σε καλύτερα αποτελέσματα από ότι ο άλλος γενικευμένος Εξελικτικός Αλγόριθμος. Στο τέλος αυτής της εργασίας, και, πιθανότατα, αφού πραγματοποιηθούν και άλλες δοκιμές, μπορεί κανείς να συμπεράνει αν πρέπει να υιοθετηθούν στοιχεία του αλγορίθμου CMA από ένα γενικευμένο ΕA (όπως αυτός που εφαρμόζει o EASY) ή το αντίστροφο.	el
heal.abstract	This diploma thesis is dealing with the programming and enhancement of the optimization algorithm Covariance Matrix Adaptation (CMA) in Evolutionary Strategies. Since this is considered a very promising algorithm in Evolutionary Strategies, the idea is to combine its characteristics with the evolutionary operators of a Genetic Algorithm (GA), in order to construct a generalised Evolutionary Algorithm (EA) with maximized efficiency. Other new characteristics, that were impemented during this study, consist of the handling of constraints, a metamodel-assisted mode and the ability to solve Multi Objective Optimization (MOO) problems. The first section of this study deals with the CMA basic model and the new additions. The enhanced version of the algorithm is tested on benchmark cases of single- and multi-objective problems. After having certified the basic operation of the enhanced CMA, it is used to solve aerodynamic optimization problems. All the single objective problems that are solved in this study are also solved with the generalised EA that is used by the software Evolutionary Algorithms SYstem (EASY). This EA will operate only with the characteristics that can be compared with the enhanced CMA. The results from both algorithms are then compared to conclude on the more efficient algorithm. Upon completion of this study, (and, most probably, after some more tests), one may draw conclusions about whether some of the elements of the CMA algorithm should be adopted by a generalized Evolutionary Algorithm (such as the platform EASY developed by the PCOpt/NTUA) or the other way around.	en
heal.advisorName	Γιαννάκογλου, Κυριάκος	el
heal.committeeMemberName	Αρετάκης, Νικόλαος	el
heal.committeeMemberName	Μαθιουδάκης, Κωνσταντίνος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Ρευστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	75 σ.	el
heal.fullTextAvailability	false