urrogate modeling uses cheap “surro

urrogate modeling uses cheap “surrogates” to represent the response surface of simulation models. It involves several steps, including initial sampling, regression and adaptive sampling. This study evaluates an adaptive surrogate modeling based optimization (ASMO) method on two benchmark problems: the Hartman function and calibration of the SAC-SMA hydrologic model. Our results show that: 1) Gaussian Processes are the best surrogate model construction method. A minimum Interpolation Surface method is the best adaptive sampling method. Low discrepancy Quasi Monte Carlo methods are the most suitable initial sampling designs. Some 15–20 times the dimension of the problem may be the proper initial sample size; 2) The ASMO method is much more efficient than the widely used Shuffled Complex Evolution global optimization method. However, ASMO can provide only approximate optimal solutions, whose precision is limited by surrogate modeling methods and problem-specific features; and 3) The identifiability of model parameters is correlated with parameter sensitivity.

ผลลัพธ์ (ไทย) 1:

โมเดล urrogate ใช้ประหยัด "surrogates" ถึงตอบสนองพื้นผิวของแบบจำลอง มันเกี่ยวข้องกับหลายขั้นตอน รวมทั้งสุ่มตัวอย่างเริ่มต้น ถดถอย และสุ่มตัวอย่างเหมาะสม การศึกษานี้ประเมินราคาตัวแทนการปรับเพิ่มประสิทธิภาพตาม (ASMO) วิธีการสร้างโมเดลในสองมาตรฐานปัญหา: Hartman ฟังก์ชันการปรับเทียบแบบจำลองอุทกวิทยา SAC SMA ผลของเราแสดงว่า: 1) กระบวนการ Gaussian เป็นวิธีการก่อสร้างรูปแบบตัวแทนที่สุด วิธีการแทรกแทรงผิวต่ำเป็นวิธีการสุ่มตัวอย่างเหมาะสมที่สุด ความขัดแย้งต่ำเสมือนมอน Carlo วิธีออกแบบการสุ่มตัวอย่างเริ่มต้นเหมาะสมที่สุดได้ บาง 15 – 20 ครั้งขนาดของปัญหาอาจมีขนาดตัวอย่างเริ่มต้นที่เหมาะสม 2 วิธี ASMO)จะมีประสิทธิภาพมากขึ้นกว่าวิธีการเพิ่มประสิทธิภาพโลกสับซับซ้อนวิวัฒนาการใช้กันอย่างแพร่หลาย อย่างไรก็ตาม ASMO สามารถให้โซลูชันสุดโดยประมาณเท่านั้น ความแม่นยำถูกจำกัด ด้วยวิธีการสร้างโมเดลตัวแทนและคุณลักษณะเฉพาะของปัญหา และ 3) identifiability พารามิเตอร์ของแบบจำลองถูก correlated กับความไวของพารามิเตอร์

ผลลัพธ์ (ไทย) 2:

การสร้างแบบจำลอง urrogate ใช้ถูก "อุ้มท้อง" เพื่อเป็นตัวแทนของพื้นผิวการตอบสนองของแบบจำลอง มันเกี่ยวข้องกับหลายขั้นตอนรวมถึงการสุ่มตัวอย่างเริ่มต้นการถดถอยและการสุ่มตัวอย่างการปรับตัว การศึกษาครั้งนี้ประเมินการสร้างแบบจำลองตัวแทนการปรับตัวเพิ่มประสิทธิภาพ based (ASMO) วิธีการเกี่ยวกับปัญหาสองมาตรฐาน: ฟังก์ชั่นฮาร์ทแมนและการสอบเทียบของแบบจำลองทางอุทกวิทยา SAC-SMA ผลของเราแสดงให้เห็นว่า 1) กระบวนการเสียนเป็นรูปแบบที่ดีที่สุดแทนวิธีการก่อสร้าง วิธีการแก้ไขพื้นผิวต่ำสุดคือวิธีการสุ่มตัวอย่างการปรับตัวที่ดีที่สุด ความคลาดเคลื่อนต่ำเสมือนวิธี Monte Carlo เป็นที่เหมาะสมที่สุดในการออกแบบการสุ่มตัวอย่างครั้งแรก บางครั้ง 15-20 มิติของปัญหาที่อาจจะมีขนาดของกลุ่มตัวอย่างเริ่มต้นที่เหมาะสม; 2) วิธีการ ASMO มีประสิทธิภาพมากขึ้นกว่าที่ใช้กันอย่างแพร่หลายสับคอมเพล็กซ์วิวัฒนาการวิธีการเพิ่มประสิทธิภาพของโลก อย่างไรก็ตาม ASMO สามารถให้บริการโซลูชั่นที่ดีที่สุดเพียงตัวอย่างที่มีความแม่นยำถูก จำกัด ด้วยวิธีการสร้างแบบจำลองตัวแทนและคุณสมบัติปัญหาเฉพาะ และ 3) identifiability ของพารามิเตอร์รูปแบบมีความสัมพันธ์กับความไวพารามิเตอร์

ผลลัพธ์ (ไทย) 3:

การใช้ urrogate ราคาถูก " ตัวแทน " ของพื้นผิวตอบสนองของการจำลองแบบ มันเกี่ยวข้องกับหลายขั้นตอน รวมทั้งการปรับเริ่มต้นตัวอย่าง และการสุ่มตัวอย่าง การศึกษาประเมินการใช้ตัวแทนการเพิ่มประสิทธิภาพ ( asmo ) แบบ 2 มาตรฐาน ปัญหา : Hartman ฟังก์ชันและการสอบเทียบของ sac-sma แบบจำลองทางอุทกวิทยา . ผลของเราแสดงให้เห็นว่า :1 ) กระบวนการเกาส์เป็นรูปแบบตัวแทนที่ดีที่สุด วิธีการก่อสร้าง . วิธีที่ดีที่สุดคือการปรับเปลี่ยนพื้นผิวน้อยที่สุด วิธีการสุ่มตัวอย่าง ความแตกต่างต่ำและมอนติคาร์โลวิธีการที่เหมาะสมที่สุดเพื่อเริ่มต้นการออกแบบ บาง 15 – 20 ครั้งขนาดของปัญหาที่อาจจะเหมาะสมกับขนาดตัวอย่างเริ่มต้น ;2 ) asmo เป็นวิธีที่มีประสิทธิภาพมากขึ้นกว่าที่ใช้กันอย่างแพร่หลายสับซับซ้อน วิวัฒนาการของโลกเพิ่มประสิทธิภาพวิธีการ อย่างไรก็ตาม asmo สามารถให้โซลูชั่นที่เหมาะสมโดยประมาณเท่านั้น ซึ่งแน่นอนจะถูก จำกัด โดยวิธีการสร้างแบบจำลองปัญหาตัวแทนและคุณลักษณะเฉพาะ และ 3 ) identifiability พารามิเตอร์ของแบบจำลอง มีความสัมพันธ์กับความไวของพารามิเตอร์