Interview mit Cheng He, Professor für Computational Intelligence: Das „Milliarden“-Problem

Interview mit Cheng He, Professor für Computational Intelligence: Das „Milliarden“-Problem wird von BTW Media profiliert, da veröffentlichte Beweise es mit Internet-Infrastruktur, Governance, betrieblichen Abhängigkeiten oder Marktsichtbarkeit verbinden.

• Das Problem der multikriteriellen Optimierung ist ein heißes Thema im Bereich der Optimierung und bezieht sich auf die gleichzeitige Optimierung mehrerer widersprüchlicher Ziele.
• Ein beliebter Ansatz zur Steigerung der Datenverarbeitung besteht darin, parallele Verarbeitung zu nutzen, um Berechnungen auf mehrere Prozessoren zu verteilen.

Evolutionäre Algorithmen(EA) sind seit Jahrzehnten ein beliebtes Optimierungswerkzeug und zeigen vielversprechende Leistungen bei der Lösung verschiedener Benchmark-Optimierungsprobleme. Dennoch bleibt die Anwendung von EA auf Probleme mit mehr als 100 Entscheidungsvariablen (großskalige Optimierungsprobleme) aufgrund desFluchs der Dimensionalitätschwierig, insbesondere bei solchen LSOP in realen Anwendungen.

Vorstellung von Dr. Cheng He

Dr. Cheng He ist Professor an der Huazhong University of Science and Technology, einer der führenden chinesischen Universitäten. Seine Forschung konzentriert sich auf künstliche Intelligenz/Computational Intelligence und deren Anwendungen, und er hat über 40 Artikel in SCI-Zeitschriften veröffentlicht. Er ist Senior Fellow des IEEE und Associate Editor von Complex and Intelligent Systems. Er ist Mitglied des Editorial Boards von PloS One und Electronics sowie Vorsitzender der IEEE CIS Task Force on Intelligence. Das Forschungsthema von Cheng He ist Competitive Intelligence und deren Anwendung im Stromnetz.

Lesen Sie auch:Moralische und ethische Diskussion über künstliche Intelligenz

Lesen Sie auch:Kann künstliche Intelligenz ein Bewusstsein erlangen?

F: Was ist im Algorithmus die multikriterielle Optimierung?

Das ist ein interessantes Problem. Das Problem der multikriteriellen Optimierung ist ein Thema im Bereich der Optimierung, das die gleichzeitige Optimierung mehrerer widersprüchlicher Ziele bedeutet. Nehmen wir ein Beispiel: Bei der Konstruktion eines Autos möchten Sie, dass es sicher, günstig, aber auch leistungsstark ist. Ist das möglich? Es ist nicht immer unmöglich, denn Sie müssen ein Gleichgewicht zwischen Preis, Sicherheit und Leistung finden. Daher versucht die multikriterielle Optimierung, 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?

Die großskalige Optimierung ist ein schwieriges Problem im Bereich der Optimierung. Nehmen wir ein Beispiel: Wenn wir ein Produkt entwerfen möchten, haben wir normalerweise nur wenige Entscheidungsvariablen, wie Höhe, Gewicht und einige andere Designvariablen. Betrachten wir jedoch ein Problem, das Hunderte, Tausende oder sogar Milliarden von Entscheidungsvariablen umfasst. Dies ist ein riesiger Suchraum. Die Optimierung dieses Problems würde viel Zeit in Anspruch nehmen und wäre nahezu unmöglich. Das ist die großskalige Optimierung. Es ist ein schwieriges Problem im Bereich der Optimierung.

F: Bei der großskaligen Optimierung, von Tausenden bis Millionen oder sogar Milliarden. Was können wir tun?

Der derzeit beliebte Ansatz besteht darin, parallele Verarbeitung zu nutzen, um die Berechnung auf mehrere Prozessoren oder Maschinen zu verteilen. Darüber hinaus kann die Implementierung verteilter Computing-Frameworks wie Apache Hadoop oder Apache Spark große Datensätze verarbeiten, indem Daten und Verarbeitung auf Computercluster verteilt werden. Techniken wie die Hauptkomponentenanalyse (PCA) können die Anzahl der Variablen in einem Datensatz reduzieren und dabei den größten Teil der Varianz beibehalten.

Parallel dazu können wir Modelle entwickeln, um die Modellkomplexität zu reduzieren, indem wir unnötige Teile wie Neuronen in einem neuronalen Netzwerk beschneiden.

F: Sie haben in Ihrem Bericht das LSMOF-Modell empfohlen. Wie hilft es bei der Lösung praktischer Probleme?

Der LSMOF-Algorithmus ist darauf ausgelegt, den Optimierungsprozess des großskaligen multikriteriellen Optimierungsproblems zu beschleunigen. Tatsächlich besteht sein Hauptbeitrag darin, das Optimierungsproblem zu beschleunigen. Wie gesagt, wenn ein Algorithmus zur Optimierung eines Problems verwendet wird, dauert es beispielsweise Stunden oder Tage. Wenn Sie jedoch diese Komponente verwenden, kann es auf etwa einige Minuten beschleunigt werden. In realen Anwendungen können Sie also meinen Algorithmus, diese LSMOF-Komponente, als gute Methode zur lokalen optimalen Approximation nutzen, die den Designprozess beschleunigen kann.

F: Ein weiterer Punkt, der mich wirklich interessiert, ist TREE. Welche Anstrengungen haben Sie in dessen Erforschung unternommen?

Wir haben die TREE-Technologie in unserer Online-Zusammenarbeit zu Spannungswandlern in China eingesetzt, wo wir diese Methode in 29 Provinzen zur Überwachung von mehr als 20.000 Spannungswandlern implementiert haben. Dies wurde als eine der effektivsten Methoden zur Überwachung dieser Geräte dokumentiert und gewährleistet die Netzsicherheit.

Cheng He, Professor an der Huazhong University of Science and Technology

Das ist eine interessante Frage. Das TREE-Problem ist ein reales Anwendungsproblem, nämlich die Schätzung des Rapportfehlers von Spannungswandlern. Der Spannungswandler ist ein grundlegendes, aber entscheidendes Gerät im Stromnetz; er misst die Netzspannung zu Steuerungs-, Sicherheits- und vielen anderen wichtigen Zwecken. Wir müssen daher seinen Gesundheitszustand überwachen, aber traditionell müssen Menschen die manuelle Kalibrierung dieses Geräts durchführen, was eine Unterbrechung der Stromversorgung erfordert, was gefährlich und teuer ist.

Wenn wir dieses Problem jedoch in ein Optimierungsproblem umwandeln, bedeutet dies, dass Sie lediglich einen Computer benötigen, um einige Berechnungen durchzuführen und den Gesundheitszustand des Geräts zu ermitteln. Das spart Arbeitskraft, ist sicherer und gewährleistet die Sicherheit des Stromnetzes. Genau das haben wir getan.

Bedeutung der Forschung

Die Erforschung von Optimierungsalgorithmen ist für die zukünftige Entwicklung von Netzwerken von großer Bedeutung. Diese Algorithmen machen den Entscheidungsprozess effizienter und sind entscheidend für die Bewältigung der Komplexität und des Umfangs moderner Netzwerke. Indem sie die Optimierung von Entwurfsvariablen beschleunigen und widersprüchliche Ziele ausgleichen, ebnen sie den Weg für innovative Lösungen in den Bereichen Netzwerkarchitektur, Ressourcenzuweisung und Geschäftsoptimierung.