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

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, τον 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 κεντρική 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 ιδιαίτερα απαιτητικό πρόβλημα από τον 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.