AMSEEAS: Ένα προσαρμοστικό υβριδικό σχήμα μηχανικής μάθησης, εξελικτικών αλγορίθμων  και ανόπτησης – απλόκου για βελτιστοποίηση στοχικών συναρτήσεων

Τσατταλιός, Σπυρίδων; Tsattalios, Spyridon

dc.contributor.author	Τσατταλιός, Σπυρίδων	el
dc.contributor.author	Tsattalios, Spyridon	en
dc.date.accessioned	2022-01-13T09:45:56Z
dc.date.available	2022-01-13T09:45:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/54305
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.22003
dc.rights	Default License
dc.subject	Ολική βελτιστοποίηση	el
dc.subject	Υποκατάστατα μοντέλα	el
dc.subject	Μεταμοντέλα	el
dc.subject	Στοχική συνάρτηση	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Αντικειμενική συνάρτηση	el
dc.subject	Global optimization	en
dc.subject	Surrogate models	en
dc.subject	Metamodels	en
dc.subject	Objective function	en
dc.subject	Machine learning	en
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Artificial intelligence	en
dc.subject	Python	en
dc.subject	Matlab	en
dc.subject	Global optima	en
dc.subject	Local optima	en
dc.subject	Ολικό ακρότατο	el
dc.subject	Τοπικό ακρότατο	el
dc.title	AMSEEAS: Ένα προσαρμοστικό υβριδικό σχήμα μηχανικής μάθησης, εξελικτικών αλγορίθμων και ανόπτησης – απλόκου για βελτιστοποίηση στοχικών συναρτήσεων	el
dc.title	AMSEEAS: Adaptive hybrid scheme of machine learning, evolutionary algorithms and annealing-simplex for objective function optimization	en
heal.type	bachelorThesis
heal.classification	Βελτιστοποίηση	el
heal.classification	Optimization	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-07-15
heal.abstract	Σκοπός της εργασίας είναι η ανάπτυξη αλγορίθμων ολικής βελτιστοποίησης για προβλήματα υψηλών υπολογιστικών απαιτήσεων. Αρχικά, γίνεται επισκόπηση της θεωρίας βελτιστοποίησης μη γραμμικών συναρτήσεων και περιγράφονται συνοπτικά οι πλέον δημοφιλείς τεχνικές. Ακολουθεί η ανάλυση δύο αλγοριθμικών σχημάτων, του εξελικτικού αλγορίθμου ανόπτησης-απλόκου (Evolutionary Annealing-Simplex, EAS) και της επέκτασης αυτού, του λεγόμενου SEEAS (Surrogate-Enhanced Evolutionary Annealing-Simplex), που ενσωματώνει στον πυρήνα του πρώτου ένα υποκατάστατο μοντέλο, για επιτάχυνση της διαδικασίας εξερεύνησης της επιφάνειας απόκρισης. Εν συνεχεία, γίνεται μια εισαγωγή στη θεωρία μηχανικής μάθησης και αναλύονται βασικά της στοιχεία, που είναι εφικτό να ενσωματωθούν σε διαδικασίες βελτιστοποίησης, αναλαμβάνοντας έτσι, στην πράξη, το ρόλο των υποκατάστατων μοντέλων. Η βασική συνιστώσα της έρευνας είναι ένας νέος πρωτότυπος κώδικας που αναπτύχθηκε, με την ονομασία Adaptive Multi-Surrogate Enhanced Evolutionary Annealing-Simplex (AMSEEAS), ως βελτιωμένη εκδοχή του SEEAS. Η βασική ιδέα έγκειται στην χρήση πολλαπλών μεταμοντέλων, ταυτόχρονα ενσωματωμένων στον ίδιο αλγόριθμο, που κατορθώνουν να συνυπάρχουν αρμονικά και να αλληλοβοηθούνται στα πλαίσια μιας ομάδας. Ο νέος κώδικας υποβάλλεται σε εκτενείς συγκρίσεις με άλλους δημοφιλείς αλγορίθμους της βιβλιογραφίας, με χρήση πολλών απαιτητικών μαθηματικών συναρτήσεων ελέγχου, που δυσκολεύουν έντονα τη διαδικασία προσέγγισης του ολικού ακροτάτου. Η επίδοση του AMSEEAS αξιολογείται και πάνω σε ένα ιδιαίτερα απαιτητικό πρόβλημα από το χώρο των υδατικών πόρων, ήτοι τη στοχαστική βαθμονόμηση υδρολογικού μοντέλου, που χρησιμοποιεί συνθετικές χρονοσειρές πολύ μεγάλου μήκους αντί για ιστορικά δείγματα, αυξάνοντας έτσι σημαντικά τον φόρτο της προσομοίωσης. Τα αποτελέσματα των παραπάνω αναλύσεων επιβεβαιώνουν την επιτυχία της ιδέας και αναδεικνύουν τις προοπτικές περαιτέρω εξέλιξής της. Οι τρεις βασικοί αλγόριθμοι που εξετάζονται (EAS, SEEAS, AMSEEAS) έχουν αναπτυχθεί σε περιβάλλον Python και είναι ελεύθερα διαθέσιμοι.	el
heal.abstract	The purpose of this thesis is to develop global optimization algorithms, designed for problems of high computational requirements. At first, the theory of nonlinear optimization is reviewed and its most widely used methods are briefly described. This is followed by the extensive review of two specific algorithms, the Evolutionary Annealing-Simplex (EAS) and its upgrade version, namely the Surrogate-Enhanced Evolutionary Annealing-Simplex (SEEAS). The latter incorporates a metamodel in the core of EAS, resulting in speeding up the surface response exploration procedure. Afterwards, an introduction to the machine learning theory is made and its major elements are described, which can be integrated into the optimization procedure, thus taking the role of surrogate models. Key component of the study is the development of an original code, namely the Adaptive Multi-Surrogate Enhanced Evolutionary Annealing-Simplex (AMSEEAS), an improved version of SEEAS. The basic idea introduced lies in the use of multiple metamodels, simultaneously integrated in the same algorithm, that manage to coexist harmoniously and cooperate within a group. The new code is extensively compared to other popular algorithms, via testing them on many challenging mathematical functions, in which the global optima estimation procedure is significantly complicated. The performance of AMSEEAS is also evaluated against a particularly demanding problem of the water resources field, namely the stochastic calibration of a hydrological model. Long synthetic time series are used in the problem instead of historical ones, thus significantly increasing the computational burden of the simulation. The results of the above analysis confirm the success of the idea proposed and highlight the potential for its further development. The three main algorithms (EAS, SEEAS, AMSEEAS) have been developed in Python programming language and are publicly available.	en
heal.advisorName	Ευστρατιάδης, Ανδρέας	el
heal.advisorName	Efstratiadis, Andreas	en
heal.committeeMemberName	Ευστρατιάδης, Ανδρέας	el
heal.committeeMemberName	Λαγαρός, Νικόλαος	el
heal.committeeMemberName	Μακρόπουλος, Χρήστος	el
heal.committeeMemberName	Efstratiadis, Andreas	en
heal.committeeMemberName	Makropoulos, Christos	en
heal.committeeMemberName	Lagaros, Nikos	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Υδατικών Πόρων και Περιβάλλοντος	el
heal.academicPublisherID	ntua
heal.numberOfPages	116 σ.	el
heal.fullTextAvailability	false