- Задача многокритериальной оптимизации — актуальная тема в области оптимизации: речь идёт об одновременной оптимизации нескольких конфликтующих целей.
- Популярный подход к масштабированию обработки данных — параллельная обработка, при которой вычисления распределяются между несколькими процессорами.
Эволюционные алгоритмы(EA) десятилетиями остаются популярным инструментом оптимизации, показывая высокие результаты при решении различных эталонных задач. Тем не менее применение EA к задачам более чем со 100 переменными решения (крупномасштабным задачам оптимизации) остаётся сложным из-за «проклятия размерности», особенно для таких задач в реальных приложениях.
Знакомство с Cheng He
Доктор Cheng He — профессор Huazhong University of Science and Technology, одного из ведущих университетов Китая. Его исследовательские интересы — искусственный и вычислительный интеллект и их приложения; он опубликовал более 40 статей в изданиях, индексируемых в SCI. Он имеет статус IEEE Senior Fellow и является Associate Editor журнала Complex and Intelligent Systems. Он входит в редколлегии PloS One и Electronics и возглавляет рабочую группу IEEE CIS Intelligence Working Group. Тема исследования Cheng He — Competitional Intelligence и его применение в энергосетях.
Читайте также:Моральная и этическая дискуссия об искусственном интеллекте
Читайте также:Может ли искусственный интеллект достичь сознания?
Вопрос: Что такое многокритериальная оптимизация в алгоритмах?
Это интересная задача. Многокритериальная оптимизация — тема в области оптимизации; она означает одновременную оптимизацию нескольких конфликтующих целей. Возьмём пример: при проектировании автомобиля вы хотите, чтобы он был безопасным, дешёвым и при этом обладал отличными характеристиками. Но возможно ли это? Часто нет, потому что нужно балансировать между ценой, безопасностью и характеристиками. Многокритериальная оптимизация пытается найти наилучший компромисс между этими тремя конфликтующими целями — в этом её суть.
Вопрос: Вы также упомянули крупномасштабную оптимизацию в своей презентации. Что это такое?
Крупномасштабная оптимизация — сложная задача в области оптимизации. Например, при проектировании продукта обычно у нас лишь несколько переменных решения: высота, вес и другие подобные параметры. Но представьте задачу с сотнями, тысячами или даже миллиардами переменных решения — это огромное пространство поиска. Проектирование такой задачи отнимет много времени и часто окажется невозможным. Это крупномасштабная оптимизация — сложная задача в области оптимизации.
Вопрос: В крупномасштабной оптимизации — от тысяч до миллионов или даже миллиардов. Что мы можем сделать?
Самый популярный подход сегодня — параллельная обработка: распределение вычислений между несколькими процессорами или машинами. Кроме того, использование фреймворков распределённых вычислений, таких как Apache Hadoop или Apache Spark, позволяет обрабатывать большие наборы данных, распределяя данные и вычисления по кластерам компьютеров. Методы вроде анализа главных компонент (PCA) могут сократить число переменных в наборе данных, сохраняя при этом большую часть вариативности данных. Одновременно можно строить модель и снижать её сложность, отсекая ненужные части, например нейроны в нейронной сети.
Вопрос: Вы рекомендовали модель LSMOF в своём докладе. Как она помогает решать практические задачи?
Алгоритм LSMOF предназначен для ускорения процесса оптимизации крупномасштабных многокритериальных задач. Его главный вклад в том, чтобы ускорить оптимизацию: если алгоритм оптимизирует задачу, скажем, часы или дни, то с этим компонентом процесс можно ускорить до нескольких минут. Поэтому в реальных приложениях мой алгоритм LSMOF можно использовать как хороший метод локального приближения к оптимуму, который ускоряет процесс проектирования.
Вопрос: Ещё меня очень интересует TREE. Какие усилия вы приложили в её исследовании?
Мы использовали технологию TREE при совместной работе над трансформаторами напряжения в Китае: метод развёрнут в 29 провинциях и позволяет контролировать более 20 000 трансформаторов напряжения. Это задокументировано как один из наиболее эффективных способов мониторинга такого оборудования, обеспечивающий безопасность энергосети.
Cheng He, профессор Huazhong University of Science and Technology
Интересный вопрос. Задача TREE — это реальная прикладная задача, а именно оценка погрешности коэффициента трансформации трансформаторов напряжения. Трансформатор напряжения — базовое, но критически важное устройство в энергосети: он измеряет напряжение сети для управления, обеспечения безопасности и многих других важных функций. Нам нужно следить за его состоянием, но традиционно для этого приходится привлекать людей для ручной калибровки устройства, что означает отключение питания, а это опасно и дорого.
Но если перевести эту задачу в оптимизационную — достаточно просто выполнить расчёты на компьютере и получить состояние устройства — это экономит труд, безопасно и обеспечивает безопасность энергосети. Именно это мы и сделали.
Значимость исследования
Исследования оптимизационных алгоритмов имеют большое значение для будущего развития сетей. Эти алгоритмы делают процесс принятия решений более эффективным и критически важны для управления сложностью и масштабом современных сетей. Ускоряя оптимизацию проектных переменных и уравновешивая конфликтующие цели, они прокладывают путь для технологических сервисов в архитектуре сетей, распределении ресурсов и оптимизации бизнеса.