- El problema de optimización multiobjetivo es un tema candente en el campo de la optimización, que se refiere a la optimización simultánea de múltiples objetivos conflictivos.
- El enfoque popular para escalar el procesamiento de datos es utilizar el procesamiento paralelo para distribuir los cálculos entre múltiples procesadores.
Los algoritmos evolutivos(EAs) han sido una herramienta de optimización popular durante décadas, mostrando un rendimiento prometedor en la resolución de varios problemas de optimización de referencia. Sin embargo, el uso de EAs en problemas con más de 100 variables de decisión (problemas de optimización a gran escala) sigue siendo un desafío debido a la “maldición de la dimensionalidad”, especialmente para aquellos LSOPs en aplicaciones del mundo real.
Introducción del Dr. Cheng He
El Dr. Cheng He es profesor en la Universidad de Ciencia y Tecnología de Huazhong, una de las principales universidades de China. Sus intereses de investigación son la inteligencia artificial/computacional y sus aplicaciones, y ha publicado más de 40 artículos en revistas indexadas en SCI. Es Senior Fellow del IEEE y Editor Asociado de Complex and Intelligent Systems. Es miembro de la junta de PloS One y Electronics, y Presidente del Grupo de Trabajo de Inteligencia del IEEE CIS. El tema de investigación de Cheng He es la Inteligencia Competitiva y su Aplicación en la Red Eléctrica.
Lea también:Discusión moral y ética sobre la inteligencia artificial
Lea también:¿Puede la inteligencia artificial alcanzar la conciencia?
P: En el algoritmo, ¿qué es la optimización multiobjetivo?
Ese es un problema interesante. El problema de optimización multiobjetivo es un tema en el campo de la optimización; significa optimizar múltiples objetivos conflictivos simultáneamente. Tomemos un ejemplo: para diseñar un coche, se quiere que sea seguro, barato, pero también que tenga un rendimiento muy bueno. ¿Pero es posible? Por lo general, no es imposible, porque hay que equilibrar entre el precio, la seguridad y el rendimiento. Así que la optimización multiobjetivo trata de encontrar el mejor equilibrio entre estos tres objetivos conflictivos: eso es la optimización multiobjetivo.
P: También mencionó la optimización a gran escala en su presentación. ¿Qué es?
La optimización a gran escala es un problema desafiante en el campo de la optimización. Tomemos un ejemplo: si queremos diseñar un producto, normalmente solo tenemos unas pocas variables de decisión como la altura, el peso y algunas otras variables de diseño. Pero consideremos un problema que incluye cientos o incluso miles o miles de millones de variables de decisión: eso es un espacio de búsqueda enorme y diseñar ese problema llevaría mucho tiempo y sería casi siempre imposible. Eso es la optimización a gran escala. Es un problema desafiante en el campo de la optimización.
P: En la optimización a gran escala, desde miles a millones o incluso miles de millones de escalas, ¿qué podemos hacer?
El enfoque popular actual es utilizar el procesamiento paralelo para distribuir la computación entre múltiples procesadores o máquinas. Además, la implementación de marcos de computación distribuida, como Apache Hadoop o Apache Spark, puede manejar grandes conjuntos de datos distribuyendo los datos y el procesamiento entre clústeres de computadoras. Técnicas como el análisis de componentes principales (PCA) pueden reducir el número de variables en un conjunto de datos conservando la mayor parte de la variación en los datos.
Al mismo tiempo, podemos construir modelos para reducir la complejidad del modelo podando las partes que no son necesarias, como las neuronas en una red neuronal.
P: Usted recomendó el modelo LSMOF en su informe. ¿Cómo ayuda a resolver problemas prácticos?
El algoritmo LSMOF es un algoritmo diseñado para acelerar el proceso de optimización del problema de optimización multiobjetivo a gran escala y, de hecho, su principal contribución es tratar de acelerar el problema de optimización. Como dijimos, si se usa un algoritmo para optimizar un problema que toma, digamos, horas o días, pero si se usa este componente, se puede acelerar a unos pocos minutos. Por lo tanto, en aplicaciones del mundo real, se puede usar mi algoritmo, el componente LSMOF, como un buen método de aproximación local óptimo que puede acelerar el proceso de diseño.
P: Otra cosa que realmente me interesa es TREE. ¿Qué esfuerzos ha realizado en su investigación?
Utilizamos la tecnología TREE en nuestra colaboración en línea sobre transformadores de voltaje en China, donde implementamos este método en 29 provincias para monitorear más de 20,000 transformadores de voltaje, y se ha documentado como una de las formas más efectivas de monitorear este equipo, garantizando la seguridad de la red eléctrica.
Cheng He, profesor de la Universidad de Ciencia y Tecnología de Huazhong
Esa es una pregunta interesante. El problema TREE es un problema de aplicación en el mundo real, que es la estimación del error de relación de los transformadores de voltaje. Entonces, digamos que el transformador de voltaje es un dispositivo fundamental pero crucial en la red eléctrica para medir el voltaje de la red eléctrica con fines de control y garantía de seguridad, y muchas otras cosas que son muy importantes.
Por lo tanto, necesitamos monitorear su estado de salud, pero convencionalmente necesitamos usar seres humanos para realizar la calibración manual de este dispositivo, lo que significa que hay que cortar la energía, lo cual es peligroso y costoso. Pero si transferimos ese problema a un problema de optimización, lo que significa que solo se necesita usar una computadora para hacer algunos cálculos y obtener el estado de salud del dispositivo, lo que ahorra mano de obra y es seguro, y garantiza la seguridad de la red eléctrica en lo que hemos hecho.
Importancia de la investigación
La investigación de los algoritmos de optimización es de gran importancia para el futuro desarrollo de las redes. Estos algoritmos hacen que el proceso de toma de decisiones sea más eficiente y son fundamentales para gestionar la complejidad y la escala de las redes modernas. Al acelerar la optimización de las variables de diseño y equilibrar objetivos conflictivos, allanan el camino para los servicios tecnológicos en la arquitectura de redes, la asignación de recursos y la optimización empresarial.