Projektdetaljer
Beskrivelse
Brugen af eksplicitte responsapproksimationer er en cen-tral del af de fleste optimeringsalgoritmer. Således an-vendes i de udbredte søgealgoritmer en sekvens af lokale approksimationer, der fx baseres på en lokal lineari-sering udfra beregnede designsensitiviteter. Forudgående undersøgelser har peget på brugen af globale response surface approksimationer (RSA), som et interessant al-ternativ til gradient-baseret søgeoptimering. En RSA er en eksplicit funktion, ofte en polynomie-funktion, der bestemmes ved regression baseret på et sæt af analyser fordelt i designrummet udfra et statistisk kriterie. Nært beslægtet med regressionsmodellerne er approksimation via neurale netværk. Nærværende aktivitet har undersøgt og sammenlignet forskellige typer globale approksima-tioner, specifikt mindste kvadraters regressionsmodeller, standard back-propagation neurale netværk og neurale netværk baseret på radial basis functions. Neurale netværk har vist sig at være yderst effektive til approksi-mation af ikke-lineære responsfunktioner, men noget van-skeligere at konfigurere. (Steen Lauridsen, Jens I. Madsen)
Status | Igangværende |
---|---|
Effektiv start/slut dato | 19/05/2010 → … |