IOSO (Косвенная оптимизация на основе самоорганизации ) - это многокритериальная технология многомерной нелинейной оптимизации.
Технология IOSO основана на ответе s Методология urface подход. На каждой итерации IOSO внутренне построенная модель поверхности отклика для цели оптимизируется в пределах текущей области поиска. За этим шагом следует прямой вызов реальной математической модели системы для определения оптимальной точки, полученной в результате оптимизации модели внутренней поверхности отклика. Во время работы IOSO информация о поведении системы сохраняется для точек в окрестности экстремума, так что модель поверхности отклика становится более точной для этой области поиска. При переходе от одной итерации IOSO к другой выполняются следующие шаги:
IOSO основана на технологии, разработанной более 20 лет компанией Sigma Technology, которая выросла Технологического центра IOSO в 2001 году. Sigma Technology возглавляет проф. Егоров И. Н., генеральный директор.
IOSO - это название группы мультидисциплинарного программного обеспечения для оптимизации дизайна, которое работает в Microsoft Windows, а также в Unix. / ОС Linux, разработанная Sigma Technology. Он используется для повышения производительности сложных систем и технологических процессов, а также для разработки новых материалов на основе поиска их оптимальных параметров. IOSO легко интегрируется практически с любым инструментом автоматизированного проектирования (CAE).
Группа программного обеспечения IOSO состоит из:
IOSO NM используется для максимизации или минимизации характеристик системы или объекта, которые могут включать производительность, стоимость или нагрузки на рассматриваемый объект. Поиск оптимальных значений характеристик объекта или системы осуществляется путем оптимального изменения конструктивных, геометрических или других параметров объекта.
Часто бывает необходимо выбрать или согласовать параметры управления для системы во время ее работы, чтобы достичь определенного эффекта во время работы системы или для уменьшения воздействия на систему некоторых факторов.
Когда процесс проектирования включает использование любых математических моделей реальных объектов, коммерческих или корпоративных, возникает проблема координации результатов экспериментов и результаты расчетов модели. Все модели предполагают набор неизвестных факторов или констант. Поиск их оптимальных значений позволяет согласовать результаты эксперимента и результаты расчетов модели.
Практическое применение результатов численной оптимизации затруднено, потому что любая сложная техническая система является стохастической системой, и характеристики этой системы имеют вероятностный характер. Подчеркнем, что, говоря о стохастических свойствах технической системы в рамках задач оптимизации, мы подразумеваем, что важные параметры любой системы распределены стохастически. Обычно это происходит на этапе производства, несмотря на современный уровень современных технологий. Случайные отклонения параметров системы приводят к случайному изменению эффективности системы.
Экстремальное значение эффективности, полученное при решении задачи оптимизации традиционным (детерминированным) подходом, является просто максимально достижимым значением и может рассматриваться как просто условный оптимум с точки зрения его практической реализации. Таким образом, можно рассматривать два разных типа критериев оптимизации. Одно из них - идеальный КПД, который может быть достигнут в условиях абсолютно точного практического воспроизведения рассматриваемых параметров системы. Остальные критерии оптимизации имеют вероятностный характер. Например: математическое ожидание эффективности; общая вероятность обеспечения заданных ограничений; разброс эффективности и т. д. Очевидно, что крайность одного из этих критериев не гарантирует уверенности в высоком уровне другого. Более того, эти критерии могут противоречить друг другу. Таким образом, в данном случае мы имеем задачу многокритериальной оптимизации.
Концепция надежной оптимизации конструкции IOSO и надежного оптимального управления позволяет определить оптимальное практическое решение, которое может быть реализовано с высокой вероятностью для данного технологического уровня производства растения. Многие современные вероятностные подходы либо используют оценку вероятностных критериев эффективности только на этапе анализа получения детерминированного решения, либо используют значительно упрощенные оценки вероятностных критериев в процессе оптимизации. Отличительной особенностью нашего подхода является то, что во время робастной оптимизации проекта мы решаем задачу оптимизации с использованием прямой стохастической формулировки, в которой оценка вероятностных критериев выполняется на каждой итерации. Эта процедура надежно дает полностью надежное оптимальное решение. Высокая эффективность робастной оптимизации проекта обеспечивается возможностями алгоритмов IOSO решать задачи стохастической оптимизации с большим уровнем шума.
Приложение примеры