- Das Multi-Objekt-Optimierungsproblem ist ein heißes Thema im Bereich der Optimierung und bezieht sich auf die gleichzeitige Optimierung mehrerer widersprüchlicher Ziele.
- Der beliebte Ansatz zur Steigerung der Datenverarbeitung ist die Nutzung der Parallelverarbeitung, um die Berechnungen auf mehrere Prozessoren zu verteilen.
Evolutionäre Algorithmen(EA) sind seit Jahrzehnten ein beliebtes Optimierungswerkzeug und zeigen vielversprechende Leistungen bei der Lösung verschiedener Referenzoptimierungsprobleme. Dennoch bleibt die Anwendung von EA auf Probleme mit mehr als 100 Entscheidungsvariablen (großskalige Optimierungsprobleme) aufgrund des „Fluchs der Dimensionalität“ schwierig, insbesondere für diese LSOP in realen Anwendungen.
Vorstellung von Dr. Cheng He
Dr. Cheng He ist Professor an der Huazhong Universität für Wissenschaft und Technologie, einer der führenden chinesischen Universitäten. Seine Forschung konzentriert sich auf künstliche/computationale Intelligenz und deren Anwendungen, und er hat über 40 Artikel in SCI-Zeitschriften veröffentlicht. Er ist Senior Fellow des IEEE und Associate Editor vonComplex and Intelligent Systems. Er ist Mitglied des Editorial Boards vonPloS OneundElectronicsund Vorsitzender der Arbeitsgruppe für Intelligenz des IEEE CIS. Cheng Hes Forschungsthema ist Computational Intelligence und deren Anwendung im Stromnetz.
Lesen Sie auch:Moralische und ethische Diskussion über künstliche Intelligenz
Lesen Sie auch:Kann künstliche Intelligenz Bewusstsein erlangen?
F: Was ist Multi-Objekt-Optimierung im Algorithmus?
Das ist eine interessante Frage. Das Multi-Objekt-Optimierungsproblem ist ein Thema im Bereich der Optimierung, das die gleichzeitige Optimierung mehrerer widersprüchlicher Ziele bedeutet. Nehmen wir ein Beispiel: Bei der Konstruktion eines Autos möchte man, dass es sicher, billig und auch sehr leistungsfähig ist. Ist das möglich? Es ist nicht unmöglich, aber man muss einen Ausgleich zwischen Preis, Sicherheit und Leistung finden. Die Multi-Objekt-Optimierung versucht also, den besten Kompromiss zwischen diesen drei widersprüchlichen Zielen zu finden.
F: Sie haben in Ihrer Präsentation auch die großskalige Optimierung erwähnt. Worum handelt es sich dabei?
Großskalige Optimierung ist ein schwieriges Problem im Bereich der Optimierung. Nehmen wir ein Beispiel: Normalerweise haben wir bei der Konstruktion eines Produkts nur wenige Entscheidungsvariablen wie Höhe, Gewicht und einige andere Konstruktionsvariablen. Aber betrachten Sie ein Problem, das Hunderte, Tausende oder Milliarden von Entscheidungsvariablen umfasst. Das ist ein riesiger Suchraum. Dieses Problem zu optimieren würde viel Zeit in Anspruch nehmen und wäre nahezu unmöglich. Das ist großskalige Optimierung. Es ist ein schwieriges Problem im Bereich der Optimierung.
F: In der großskaligen Optimierung von Tausenden bis zu Millionen oder Milliarden Maßstab. Was können wir tun?
Der derzeitige gängige Ansatz ist die Nutzung der Parallelverarbeitung, um die Berechnung auf mehrere Prozessoren oder Maschinen zu verteilen. Darüber hinaus können Frameworks für verteiltes Rechnen wie Apache Hadoop oder Apache Spark große Datensätze verarbeiten, indem sie Daten und Verarbeitung auf Computercluster verteilen. Techniken wie die Hauptkomponentenanalyse (PCA) können die Anzahl der Variablen in einem Datensatz reduzieren, während der Großteil der Datenvarianz erhalten bleibt.
Gleichzeitig können wir Modelle entwickeln, um die Modellkomplexität durch das Beschneiden unnötiger Teile, wie Neuronen in einem neuronalen Netz, zu reduzieren.
F: Sie haben in Ihrem Bericht das LSMOF-Modell empfohlen. Wie hilft es bei der Lösung praktischer Probleme?
Der LSMOF-Algorithmus wurde entwickelt, um den Optimierungsprozess des großskaligen Multi-Objekt-Optimierungsproblems zu beschleunigen. Tatsächlich besteht sein Hauptbeitrag darin, den Optimierungsprozess zu beschleunigen. Wie gesagt, wenn ein Algorithmus zur Optimierung eines Problems verwendet wird, dauert das vielleicht Stunden oder Tage. Mit dieser Komponente kann es jedoch auf wenige Minuten beschleunigt werden. In realen Anwendungen können Sie meinen Algorithmus, die LSMOF-Komponente, als gute Methode zur optimalen lokalen Approximation verwenden, die den Entwurfsprozess beschleunigen kann.
F: Ein weiterer Punkt, der mich sehr interessiert, ist TREE. Welche Anstrengungen haben Sie in dessen Forschung unternommen?
Wir haben die TREE-Technologie in unserer Online-Kooperation zu Spannungswandlern in China eingesetzt, wo wir diese Methode in 29 Provinzen implementiert haben, um über 20.000 Spannungswandler zu überwachen, und dies wurde als eine der effektivsten Methoden zur Überwachung dieser Geräte dokumentiert, um die Netzsicherheit zu gewährleisten.
Cheng He, Professor an der Huazhong Universität für Wissenschaft und Technologie
Das ist eine interessante Frage. Das TREE-Problem ist ein reales Anwendungsproblem, nämlich die Schätzung des Übersetzungsfehlers von Spannungswandlern. Der Spannungswandler ist ein grundlegendes, aber entscheidendes Gerät im Stromnetz, das die Netzspannung für Steuerungs-, Sicherheits- und viele andere wichtige Zwecke misst. Daher müssen wir seinen Gesundheitszustand überwachen, aber traditionell müssen Menschen die manuelle Kalibrierung dieses Geräts durchführen, was eine Unterbrechung der Stromversorgung erfordert, gefährlich und teuer ist.
Aber wenn wir dieses Problem in ein Optimierungsproblem umwandeln, bedeutet das, dass Sie nur einen Computer benötigen, um einige Berechnungen durchzuführen und den Gesundheitszustand des Geräts zu erhalten, was Arbeitskräfte spart, sicherer ist und die Sicherheit des Stromnetzes gewährleistet. Das haben wir getan.
Bedeutung der Forschung
Die Forschung an Optimierungsalgorithmen ist von großer Bedeutung für die zukünftige Entwicklung von Netzen. Diese Algorithmen machen Entscheidungsprozesse effizienter und sind unerlässlich für die Bewältigung der Komplexität und des Maßstabs moderner Netze. Durch die Beschleunigung der Optimierung von Entwurfsvariablen und die Ausbalancierung widersprüchlicher Ziele ebnen sie den Weg für innovative Lösungen in den Bereichen Netzarchitektur, Ressourcenzuweisung und Geschäftsoptimierung.