k-NNC: Một Mô Hình Phân Loại Đơn Giản Giúp Giảm Hiệu Quả Khối Lượng Tính Toán Trong Tối Ưu Hóa Bằng Metaheuristic

EasyChair Preprint 12642

Abstract

Những năm gần đây, các thuật toán tối ưu metaheuristic (MH) ngày càng được áp dụng phổ biến trong các tính toán thiết kế tối ưu kỹ thuật do khả năng tìm kiếm toàn cục và giải quyết được các bài toán với số lượng lớn biến thiết kế. Tuy nhiên, nhược điểm của các phương pháp tối ưu dùng MH là khối lượng tính toán lớn do MH thường yêu cầu hàng ngàn lần tính hàm mục tiêu và các ràng buộc. Mới đây, phương pháp so sánh k láng giềng gần nhất (k-nearest neighbor comparison, k-NNC) đã được đề xuất nhằm giảm chi phí tính toán khi thực hiện tối ưu bằng MH. k-NNC xem xét một giải pháp thiết kế mới thông qua so sánh k thiết kế gần nhất hiện có của nó (k-láng giềng gần nhất) với một thiết kế khác trong quần thể. Thiết kế mới sẽ bị loại bỏ mà không cần thực hiện đánh giá nếu phần lớn trong số k thiết kế lân cận gần nhất là kém hơn thiết kế được so sánh. k-NNC đã được kết hợp với các thuật toán Rao để tối ưu trọng lượng kết cấu dàn. Như được chỉ ra qua các ví dụ số, k-NNC giúp giảm đáng kể số lần phân tích kết cấu. Ở báo cáo này, khả năng của k-NNC được khẳng định khi kết hợp với một số thuật toán MH thông dụng khác như tiến hóa vi phân và Jaya.  Kết quả khi áp dụng vào một số bài toán tối ưu kỹ thuật đã chứng minh k-NNC là mô hình đơn giản và hiệu quả để tiết kiệm chi phí tính toán cho MH.

Keyphrases: Metaheuristic, k-NNC, mô hình phân loại, thiết kế tối ưu

@booklet{EasyChair:12642,
  author    = {Hoang-Anh Pham and Manh-Hung Ha},
  title     = {k-NNC: a Simple Classification Model for Reducing Computational Volumn in Metaheuristic Optimization},
  howpublished = {EasyChair Preprint 12642},
  year      = {EasyChair, 2024}}