|
|
Алгоритм оптимізації скорочення часу обчислень
Назва | Алгоритм оптимізації скорочення часу обчислень |
Назва англійською | The proposal of the optimisation time reduction algorithm |
Автори | 102.103 |
Принадлежність | Університет у Бєльсько-Бялій, Бєльсько-Бяла, Польща
University of Bielsko-Biała, Bielsko-Biała, Poland |
Бібліографічний опис | Augustynek K. The proposal of the optimisation time reduction algorithm / Krzysztof Augustynek, Kornel Warwas // Вісник ТНТУ, — Т. : ТНТУ, 2016 — Том 82. — № 2. — С. 98-114. — (Приладобудування та інформаційно-вимірювальні системи). |
Bibliographic description: | Augustynek K., Warwas K. (2016) The proposal of the optimisation time reduction algorithm. Scientific Journal of TNTU (Tern.), vol. 82, no 2, pp. 98-114 [in English]. |
Дата публікації: | 29-Июн-2016 |
УДК | 004.02 |
Ключові слова | оптимізація
оцінювання цільової функції
генетичний алгоритм
optimisation
evaluation of the objective function
genetic algorithm |
| В багатьох випадках вирішення проблем оптимізації, зокрема динамічних проблем оптимізації, вимагає багато часу. Причиною цього є тривалий період обчислення значення цільової функції. Наприклад, упродовж процесу оптимізації механічних систем може з’явитися необхідність інтегрування динамічних рівнянь руху протягом усього інтервалу часу. В зв’язку з цим, були розроблені спеціалізовані методи, які дозволяють обчислити приблизне значення цільової функції. Ці методи зазвичай ґрунтуються на алгоритмах повної оптимізації та містять методи розрахунку приблизних значень цільової функції. В цій статті запропоновано новий алгоритм EVCA (оцінювання і кешування), призначений зменшити час обчислень під час процесу оптимізації. Важливою особливістю запропонованого алгоритму є те, що він може бути застосований до будь-яких нелінійних методів оптимізації як градієнтних, так і неградієнтних та стохастичних. Для впровадження запропонованого підходу немає необхідності змінювати алгоритми та методи оптимізації, які застосовуються для обчислення значень цільової функції. В алгоритмі використовуються два етапи: оцінювання значень цільової функції та кешування отриманих значень для всіх попередньо розрахованих точок. Такий підхід дозволяє ефективно пришвидшити процес оптимізації, особливо для оптимізації фізичних систем. Представлено результати оптимізації для еталонних функцій та подвійного маятника з рухомою основою із застосуванням алгоритму EVCA.
In many cases, solving optimisation problems and a dynamic optimisation problem, in particular is time-consuming. This is due to the long time of calculation of the objective function value. For example, during optimisation of the mechanical systems it can be necessary to integrate of the dynamic equations of motion in the whole time interval. For this reason, dedicated methods which allow to calculate approximated value of the objective function have been elaborated. These methods usually are full optimisation algorithms which have embedded methods for calculating of approximated value of the objective function. In this paper new EVCA (Evaluating and Caching) algorithm for reduction optimisation calculations time has been proposed. An important feature of the presented algorithm is that it can be applied to any nonlinear optimisation methods both gradient, non-gradient and stochastic. Presented approach doesn’t need to modify of optimisation algorithms and methods which have been used to calculate objective function value. The algorithm uses two mechanisms: estimating of the objective function value and caching its values for all calculated earlier points. Such approach allows to effectively speed up the optimisation process, especially optimisation of the physical systems. The results of the optimisation for the benchmark functions and double pendulum on the cart with using EVCA algorithm have been presented. |
ISSN: | 1727-7108 |
Перелік літератури | 1. Warwas K., Augustynek K. Dynamic optimisation of articulated vehicle motion for control of stability in critical situation. IDAACS'2015: 8th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications: Vol. 1, 2015, рр. 232 – 237.
2. Warwas K., Augustynek K. An Application of Neural Networks to Control Stability of an Articulated Vehicle in Real Time, Information Systems Architecture and Technology: Proceedings of 36th International Conference on Information Systems Architecture and Technology – ISAT 2015 – Part I, Springer, 2016, рр. 135-146.
3. Anastassiou G. Intelligent Systems: Approximation by Artificial Neural Networks, Intelligent Systems Reference Library, Volume 19, 2011.
4. Zhang J., Zhu H., Zhao C. Combined finite element analysis and subproblem approximation method for the design of ultrasonic motors, Sensors and Actuators a Physical 163 (2), 2010, рр. 510 – 515.
5. ANSYS, Academic Research, Release 11, Help System, Advanced Analysis Techniques Guide, ANSYS, Inc.
6. Chen C., Yeh M. Optimum structural design of composite xylophone bars, CD-ROM Proceedings of The Sixteenth International Conference on Composite Materials, 2007.
7. Patnaik S., Guptill J., Hopkins D. Subproblem optimization with regression and neural network approximators, Comput. Methods Appl. Mech. Engrg. 194, 2005, рр. 3359 – 3373.
8. Lagaros N., Charmpis D., Papadrakakis M. An adaptive neural network strategy for improving the computational performance of evolutionary structural optimization, Comput. Methods Appl. Mech. Engrg. 194, 2005, рр. 3374 – 3393.
9. Aittokoski T., Miettinen K. Efficient evolutionary approach to approximate the Pareto-optimal set in multiobjective optimization, UPS-EMOA, Journal Optimization Methods & Software. The International Conference on Engineering Optimization, Volume 25 Issue 6, 2010, рр. 841 – 858.
10. Mottaez A., Iyer M. Accurate approximation of the objective function for solving the gate-sizing problem using a numerical solver, US 8826218 B2, Google Patents, 2014.
11. Liang K., Yao X., Newton C. Evolutionary Search of Approximated N-Dimensional Landscapes, International Journal of Knowledge-based Intelligent Engineering Systems. Vol. 4, 2000, рр. 172-183.
12. Pandey S. Caching Using Memcached in Open Source Searching: Execution Time and Throughput Improvement Using Open Source Key-Value Caching Techniques-Memcached, Lap Lambert Academic Publishing, 2015.
13. Carlson J. Redis in Action, Manning Publications Co., 2013.
14. Molga M., Smutnicki C. Test functions for optimization needs, 2005, http://www.zsd.ict.pwr.wroc.pl/files/docs/functions.
15. Pedregal P. Introduction to Optimization, Springer-Verlag Inc., 2004.
16. Press W., Teukolsky S., Vetterling W., Flannery B. Numerical Recipes 3rd Edition: The Art of Scientific Computing, Cambridge University Press, Cambridge, 2007.
17. Luersen M., Le Riche R. Globalized Nelder–Mead Method for Engineering Optimization, Computers and Structures, 2004, pp. 2251 – 2260.
18. Sivanandam S., Deepa S. Introduction to Genetic Algorithms, Springer-Verlag Berlin Heidelberg, Berlin, 2008.
19. Clerc M. From Theory to Practice in Particle Swarm Optimization, Handbook on Swarm Intelligence. Vol. 8, 2010, pp. 3 – 36.
20. Timmermann J., Khatab S., Ober-Blöbaum S., A. Trächtler, Discrete Mechanics and Optimal Control and its Application to a Double Pendulum on a Cart, Preprints of the 18th IFAC World Congress Milano, August 28 – September 2, 2011, рр. 10199 – 10206.
21. Bauchau O. Flexible Multibody Dynamics, Solid Mechanics and Its Applications, Springer Netherlands, 2011 |
References: | 1. Warwas K., Augustynek K. Dynamic optimisation of articulated vehicle motion for control of stability in critical situation. IDAACS'2015: 8th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications: Vol. 1, 2015, рр. 232 – 237.
2. Warwas K., Augustynek K. An Application of Neural Networks to Control Stability of an Articulated Vehicle in Real Time, Information Systems Architecture and Technology: Proceedings of 36th International Conference on Information Systems Architecture and Technology – ISAT 2015 – Part I, Springer, 2016, рр. 135-146.
3. Anastassiou G. Intelligent Systems: Approximation by Artificial Neural Networks, Intelligent Systems Reference Library, Volume 19, 2011.
4. Zhang J., Zhu H., Zhao C. Combined finite element analysis and subproblem approximation method for the design of ultrasonic motors, Sensors and Actuators a Physical 163 (2), 2010, рр. 510 – 515.
5. ANSYS, Academic Research, Release 11, Help System, Advanced Analysis Techniques Guide, ANSYS, Inc.
6. Chen C., Yeh M. Optimum structural design of composite xylophone bars, CD-ROM Proceedings of The Sixteenth International Conference on Composite Materials, 2007.
7. Patnaik S., Guptill J., Hopkins D. Subproblem optimization with regression and neural network approximators, Comput. Methods Appl. Mech. Engrg. 194, 2005, рр. 3359 – 3373.
8. Lagaros N., Charmpis D., Papadrakakis M. An adaptive neural network strategy for improving the computational performance of evolutionary structural optimization, Comput. Methods Appl. Mech. Engrg. 194, 2005, рр. 3374 – 3393.
9. Aittokoski T., Miettinen K. Efficient evolutionary approach to approximate the Pareto-optimal set in multiobjective optimization, UPS-EMOA, Journal Optimization Methods & Software. The International Conference on Engineering Optimization, Volume 25 Issue 6, 2010, рр. 841 – 858.
10. Mottaez A., Iyer M. Accurate approximation of the objective function for solving the gate-sizing problem using a numerical solver, US 8826218 B2, Google Patents, 2014.
11. Liang K., Yao X., Newton C. Evolutionary Search of Approximated N-Dimensional Landscapes, International Journal of Knowledge-based Intelligent Engineering Systems. Vol. 4, 2000, рр. 172-183.
12. Pandey S. Caching Using Memcached in Open Source Searching: Execution Time and Throughput Improvement Using Open Source Key-Value Caching Techniques-Memcached, Lap Lambert Academic Publishing, 2015.
13. Carlson J. Redis in Action, Manning Publications Co., 2013.
14. Molga M., Smutnicki C. Test functions for optimization needs, 2005, http://www.zsd.ict.pwr.wroc.pl/files/docs/functions.
15. Pedregal P. Introduction to Optimization, Springer-Verlag Inc., 2004.
16. Press W., Teukolsky S., Vetterling W., Flannery B. Numerical Recipes 3rd Edition: The Art of Scientific Computing, Cambridge University Press, Cambridge, 2007.
17. Luersen M., Le Riche R. Globalized Nelder–Mead Method for Engineering Optimization, Computers and Structures, 2004, pp. 2251 – 2260.
18. Sivanandam S., Deepa S. Introduction to Genetic Algorithms, Springer-Verlag Berlin Heidelberg, Berlin, 2008.
19. Clerc M. From Theory to Practice in Particle Swarm Optimization, Handbook on Swarm Intelligence. Vol. 8, 2010, pp. 3 – 36.
20. Timmermann J., Khatab S., Ober-Blöbaum S., A. Trächtler, Discrete Mechanics and Optimal Control and its Application to a Double Pendulum on a Cart, Preprints of the 18th IFAC World Congress Milano, August 28 – September 2, 2011, рр. 10199 – 10206.
21. Bauchau O. Flexible Multibody Dynamics, Solid Mechanics and Its Applications, Springer Netherlands, 2011 |
Завантажити | |
|