TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta Yliassistentti Jussi Hakanen jussi.hakanen@jyu.fi syksy 2010
NSGA-II Non-dominated Sorting Genetic Algorithm (NSGA) Ehkä tunnetuin EMO-menetelmä Srinivas & Deb, Evolutionary Computation, 2, 1995 (NSGA) Deb, Pratap, Agarwal & Meyariven, IEEE Transactions on Evolutionary Computation, 6, 2002 (NSGA-II)
NSGA-II Ominaisuuksia elitistinen algoritmi: populaation paras ratkaisu siirtyy automaattisesti seuraavaan sukupolveen eksplisiittinen mekanismi ratkaisujen hyvän jakautumisen säilyttämiseen korostaa dominoimattomia ratkaisuja
NSGA-II Idea: uutta sukupolvea muodostettaessa alkuperäistä populaatiota käyttäen muodostetaan jälkeläispopulaatio (käyttäen geneettisiä operaattoreita) alkuperäinen populaatio ja jälkeläispopulaatio yhdistetään populaatio, jonka koko on 2N, populaation koko = N saatu populaatio jaetaan luokkiin käyttäen dominanssia uuteen sukupolveen valitaan ratkaisut luokkien mukaan 1. alkaen kunnes valittuna on N ratkaisua
NSGA-II f 2, min alkuperäinen & jälkeläispopulaatio (2N, N=7) 1. luokan dominoimattomat ratkaisut 2. luokan dominoimattomat ratkaisut 3. luokan dominoimattomat ratkaisut 4. luokan dominoimattomat ratkaisut uuteen sukupolveen pääsevät kuvan tapauksessa kaikki 1. ja 2. luokan dominoimattomat ratkaisut (N=7) f 1, min
NSGA-II Edellisen kuvan tapauksessa uuteen sukupolveen pääsivät siis 1. ja 2. luokan ratkaisut (N=7 ratkaisua) Jos esim. populaation koko olisi ollut 10, niin mukaan olisi mahtunut vielä kolme ratkaisua 3. luokan dominoimattomista ratkaisuista 3. luokan ratkaisuista mukaan olisi valittu ne kolme, jotka olisivat antaneet parhaimman diversiteetin (suurin etäisyys muihin ratkaisuihin, crowding distance)
NSGA-II f 2, min 3. luokan dominoimattomat ratkaisut 1. 3. 2. 4. f 1, min Ääriratkaisut (1. & 4.) saavat etäisyyden eli ne valitaan aina Muille etäisyys lasketaan kahden vierekkäisen ratkaisun määräämän kuution tilavuutena Jos kuvan ratkaisuista valitaan 3, niin valituksi tulevat 1 ja 4 sekä 3
NSGA-II Valmiita toteutuksia Prof. Kalyanmoy Deb, Kanpur Genetic Algorithms Laboratory http://www.iitk.ac.in/kangal/codes.shtml MATLAB Central (file exchange) http://www.mathworks.com/matlabcentral/fileex change/10429
Testitehtävät EMO-menetelmien suorituskyvyn mittaamiseen on kehitetty erilaisia testitehtäviä, joiden Paretooptimaaliset joukot tunnetaan Menetelmän antamaa ratkaisupopulaatiota voidaan sitten verrata tarkkaan ratkaisuun Testitehtävät on yleensä muodostettu siten, että niitä voidaan skaalata (esim. muuttujien määrää voi säätää) Tarkasteltavia kriteereitä ovat populaation etäisyys PO joukosta ratkaisujen jakautuminen PO joukkoon PO joukon kattaminen
Testitehtävät f 2, min PO joukko ratkaisupopulaatio referenssipiste f 1, min Suorituskyvyn mittaamiseen on kehitetty erilaisia metriikoita esim. mitataan populaation dominoiman sallitun alueen suuruutta mitä suurempi ala sitä parempi ratkaisu
Testitehtävät Tunnettuja testitehtäviä ovat mm. Kursawe, 1990 (2 objektifunktiota) ZDT-tehtävät, 2000 (2 objektifunktiota) DTLZ-tehtävät, 2001 (2 tai useampia objektifunktioita)
Testitehtävät
Esimerkki: Kemiallinen erotusprosessi Tarkastellaan kromatografiaan perustuvaa kemiallista erotusprosessia Käytetään moniin tärkeisiin erotusprosesseihin (mm. sokeri-, petrokemian- ja lääketeollisuudessa) Perustuu eri kemiallisten komponenttien nopeuseroon nesteessä * http://www.pharmaceutical-technology.com
Kemiallinen erotusprosessi Syöte- ja poistovirtojen paikkaa vaihdetaan säännöllisin väliajoin (askelaika) Säätömuuttujat askelaika virtausnopeudet
Kemiallinen erotusprosessi Simulated Moving Bed (SMB) prosessia on optimoitu myös käyttäen NSGA-menetelmää Subramani, Hidajat & Ray, Optimization of reactive SMB and Varicol systems, Computers and Chemical Engineering, 27, 2003 Kahden ja kolmen objektifunktion tehtäviä ratkottu Monitavoiteoptimointia käytetty vertailemaan normaalia (samanaikainen syöte- ja poistovirtojen paikkojen vaihto) ja modifioitua SMB-prosessia (ei-samanaikainen vaihto)
Kemiallinen erotusprosessi 4 eri tapausta olemassa olevan SMB-prosessin optimointi max tuotteen puhtaus ja saanto, min liuottimen määrä SMB-prosessin optimaalinen suunnittelu max tuotteen puhtaus, min kiinteät ja käyttökustannukset modifioidun SMB-prosessin optimointi ja vertailu SMB-prosessiin samat tavoitteet kuin 1. tapauksessa kiinteiden ja käyttökustannusten minimointi tavalliselle sekä modifioidulle SMB-prosessille
Kemiallinen erotusprosessi max tuotteen puhtaus (P MTBE ) ja saanto (Y MTBE ), min liuottimen määrä (γ) Visualisointi ratkaisupopulaatiosta 1. tapauksessa visualisoitu kahden objektifunktion suhteen
Ratkaisujen visualisointi f 2, min Pareto-optimaalisten ratkaisujen visualisointi DM arvioi ja vertailee saatuja ratkaisuja Objektifunktioita 2, visualisointi helppoa voidaan esittää tason pisteinä f 1, min
Ratkaisujen visualisointi Objektifunktioita 3, onnistuu mutta tulkinta hankalampaa PO joukko on pinta 3-D:ssä
Ratkaisujen visualisointi Objektifunktioita > 3, visualisointi hankaloituu PO joukon approksimaatiota ei voi suoraan visualisoida Voidaan visualisoida esim. PO joukon projektioita 2:n tai 3:n objektifunktion suhteen (vrt. kemiallisen erotusprosessin optimointi edellä) kaikki PO pisteet eivät näytä Pareto-optimaalisilta projektioissa
Ratkaisujen visualisointi Yleensä visualisoidaan vain pientä joukkoa PO ratkaisuja kun objektifunktioita > 3 Käytetään erilaisia tapoja visualisoida yksittäisiä ratkaisuja paras visualisointi riippuu tietenkin DM:stä Tavoitteena pystyä vertailemaan ratkaisuja
Ratkaisujen visualisointi Esimerkkejä: 3D palkit Yksi ratkaisu on yksi väri
Ratkaisujen visualisointi Arvopolut: yksi ratkaisu on yksi murtoviiva
Ratkaisujen visualisointi Petal diagram: yksi ratkaisu on yksi kiekko Mitä enemmän väriä sitä huonompi arvo
Ratkaisujen visualisointi Whisker plot: yksi ratkaisu on yksi kiekko Mitä enemmän väriä sitä huonompi arvo