Ισχυροποιώντας τη βελτιστοποίηση που βασίζεται σε υποκατάστατα για χρονοβόρα περιβαλλοντικά προβλήματα μέσω προσαρμοστικής αναζήτησης πολλαπλών μοντέλων

S. Tsattalios, I. Tsoukalas, P. Dimas, P. Kossieris, A. Efstratiadis, and C. Makropoulos, Advancing surrogate-based optimization of time-expensive environmental problems through adaptive multi-model search, Environmental Modelling and Software, 162, 105639, doi:10.1016/j.envsoft.2023.105639, 2023.

[Ισχυροποιώντας τη βελτιστοποίηση που βασίζεται σε υποκατάστατα για χρονοβόρα περιβαλλοντικά προβλήματα μέσω προσαρμοστικής αναζήτησης πολλαπλών μοντέλων]

[doc_id=2266]

[Αγγλικά]

Πολύπλοκα προβλήματα βελτιστοποίησης περιβαλλοντικών συστημάτων συχνά απαιτούν μοντέλα προσομοίωσης υψηλών υπολογιστικών απαιτήσεων για την αξιολόγηση των υποψήφιων λύσεων. Ωστόσο, η πολυπλοκότητα των επιφανειών απόκρισης απαιτεί πολλαπλές τέτοιες αξιολογήσεις, καθιστώντας έτσι τη διαδικασία αναζήτησης ιδιαίτερα επίπονη. Η βελτιστοποίηση που βασίζεται σε υποκατάστατα είναι μια ισχυρή προσέγγιση για την επιτάχυνση της σύγκλισης προς υποσχόμενες λύσεις. Εδώ εισάγουμε τον αλγόριθμο Adaptive Multi-Surrogate Enhanced Evolutionary Annealing Simplex (AMSEEAS), ως επέκταση του SEEAS, που αποτελεί μια καλά εδραιωμένη μέθοδο ολικής βελτιστοποίησης με τη χρήση υποκατάστατων. Η μέθοδος AMSEEAS εκμεταλλεύεται τα ισχυρά σημεία των πολλαπλών υποκατάστατων μοντέλων που συνδυάζονται μέσω ενός μηχανισμού τύπου ρουλέτας, για την επιλογή ενός συγκεκριμένου μεταμοντέλου που θα ενεργοποιείται σε κάθε επανάληψη. Η μέθοδος AMSEEAS αποδεικνύει την ευρωστία και αποτελεσματικότητά της μέσω εκτενούς συγκριτικής αξιολόγησης έναντι του SEEAS και άλλων καταξιωμένων μεθόδων ολικής βελτιστοποίησης με βάση υποκατάστατα μοντέλα, τόσο σε θεωρητικά μαθηματικά προβλήματα όσο και σε μια υπολογιστικά απαιτητική εφαρμογή υδραυλικού σχεδιασμού του πραγματικού κόσμου. Το τελευταίο αναζητά την πλέον οικονομική διαστασιολόγηση των αναχωμάτων κατά μήκος ενός αντιπλημμυρικού καναλιού για την ελαχιστοποίηση της πλημμυρικής κατάκλυσης, που υπολογίζεται από το χρονοβόρο υδροδυναμικό μοντέλο HEC-RAS.

PDF Πλήρες κείμενο (14432 KB)

Εργασίες μας στις οποίες αναφέρεται αυτή η εργασία:

1. A. Efstratiadis, and D. Koutsoyiannis, An evolutionary annealing-simplex algorithm for global optimisation of water resource systems, Proceedings of the Fifth International Conference on Hydroinformatics, Cardiff, UK, 1423–1428, doi:10.13140/RG.2.1.1038.6162, International Water Association, 2002.
2. A. Efstratiadis, and D. Koutsoyiannis, One decade of multiobjective calibration approaches in hydrological modelling: a review, Hydrological Sciences Journal, 55 (1), 58–78, doi:10.1080/02626660903526292, 2010.
3. I. Tsoukalas, and C. Makropoulos, Multiobjective optimisation on a budget: Exploring surrogate modelling for robust multi-reservoir rules generation under hydrological uncertainty, Environmental Modelling and Software, 69, 396–413, doi:10.1016/j.envsoft.2014.09.023, 2015.
4. I. Tsoukalas, and C. Makropoulos, A surrogate based optimization approach for the development of uncertainty-aware reservoir operational rules: the case of Nestos hydrosystem, Water Resources Management, 29 (13), 4719–4734, doi:10.1007/s11269-015-1086-8, 2015.
5. I. Tsoukalas, P. Kossieris, A. Efstratiadis, and C. Makropoulos, Surrogate-enhanced evolutionary annealing simplex algorithm for effective and efficient optimization of water resources problems on a budget, Environmental Modelling and Software, 77, 122–142, doi:10.1016/j.envsoft.2015.12.008, 2016.
6. A. Efstratiadis, P. Dimas, G. Pouliasis, I. Tsoukalas, P. Kossieris, V. Bellos, G.-K. Sakki, C. Makropoulos, and S. Michas, Revisiting flood hazard assessment practices under a hybrid stochastic simulation framework, Water, 14 (3), 457, doi:10.3390/w14030457, 2022.

Άλλες εργασίες που αναφέρονται σ' αυτή την εργασία (αυτός ο κατάλογος μπορεί να μην είναι ενημερωμένος):

1. #Zhang, D., J. Zhang, and Y. Wang, Game based pigeon-inspired optimization with repository assistance for stochastic optimizations with uncertain infeasible search regions, 2023 IEEE Congress on Evolutionary Computation (CEC), 1-8, Chicago, IL, USA, doi:10.1109/CEC53210.2023.10253991, 2023.
2. Costabile, P., C. Costanzo, J. Kalogiros, and V. Bellos, Toward street‐level nowcasting of flash floods impacts based on HPC hydrodynamic modeling at the watershed scale and high‐resolution weather radar data, Water Resources Research, 59(10), e2023WR034599, doi:10.1029/2023WR034599, 2023.
3. Zeigler, B. P., Discrete event systems theory for fast stochastic simulation via tree expansion, Systems, 12(3), 80, doi:10.3390/systems12030080, 2024.
4. Priya, G. V., and S. Ganguly, Multi-swarm surrogate model assisted PSO algorithm to minimize distribution network energy losses, Applied Soft Computing, 159, 111616, doi:10.1016/j.asoc.2024.111616, 2024.
5. Carey, C. C., R. S. D. Calder, R. J. Figueiredo, R. B. Gramacy, M. E. Lofton, M. E. Schreiber, and R. Q. Thomas, A framework for developing a real-time lake phytoplankton forecasting system to support water quality management in the face of global change, Ambio, doi:10.1007/s13280-024-02076-7, 2024.

Κατηγορίες: Υδροπληροφορική, Βελτιστοποίηση, Εργασίες φοιτητών