عنوان

بهینه سازی استوار به کمک یادگیری هسته چندگانه: الگوریتم یادگیری،قابلیت محاسباتی و کاربرد در تصمیم¬گیری چند مرحله¬ای

شماره

پ۲۹۵۰۶

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

بهینه سازی استوار به کمک یادگیری هسته چندگانه: الگوریتم یادگیری،قابلیت محاسباتی و کاربرد در تصمیم¬گیری چند مرحله¬ای

نام نخستين پديدآور

مریم حسینی آلمان

نام ناشر، پخش کننده و غيره

ریاضی،آمار و علوم کامپیوتر

تاریخ نشرو بخش و غیره

۱۴۰۲

نام خاص و کميت اثر

۶۸ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

ریاضی کاربردی،گرایش بهینه سازی

زمان اعطا مدرک

۱۴۰۲/۰۶/۱۴

متن يادداشت

بهینەسازی استوار به طور گسترده برای تصمیم گیری در شرایط عدم قطعیت به کار گرفته شده است. با این حال، به عنوان یک موضوع کلیدی در بهینه سازی استوار،طراحی مجموعه عدم قطعیت میتواند تاثیر قابل توجهی بر پایداری راه حلها و قابلیت حل مسائل پیشنهاد شده داشته باشد. در این پایان نامه با توسعه یک رویکرد کارامد برای ساخت مجموعه عدم قطعیت از داده ها بر اساس ماشین بردار پشتیبان تک کلاسی، یک چارچوب بهینه سازی استوار با کمک یادگیری هسته چندگانه برای تصمیم گیری مبتنی بر داده پیشنهاد خواهیم داد.مجموعه عدم قطعیت چندوجهی آموزش دیده نه تنها به احاطه فشرده داده های تجربی دست می یابد؛ بلکه بدبینی و شکاف بین مدل و عملکرد دنیای واقعی را کاهش داده و پراکندگی ساختاری و قابلیت پردازش محاسباتی را تضمین میکند چارچوب پیشنهادی برای بهینه سازی استوار قابل تنظیم با قاعده تصمیم گیری پیوسته اعمال خواهد شد که به بهبود عملکرد بهینه سازی کمک میکند. در پایان مطالعات موردی عددی و کاربردی برای نشان دادن اثر بخشی چارچوب بهینه سازی استوار مبتنی بر داده پیشنهادی ارائه خواهد شد.

متن يادداشت

Robust optimization (RO) has been broadly utilized for decision-making under uncertainty; however, as a key issue in RO, the design of the uncertainty set could exert significantinfluence on both the conservatism of solutions and the tractability of induced problems. Inthis thesis, we propose a novel multiple kernel learning (MKL)-aided RO framework for datadriven decision-making by developing an effcient approach for uncertainty set constructionfrom data based on a one-class support vector machine. The learnt polyhedral uncertainty setnot only achieves a compact encircling of empirical data, which alleviates the pessimism andreduces the gap between the model and real-world performance but also ensures structuralsparsity and computational tractability. The data-driven RO framework enables a handy adjustment of the conservatism and complexity by simply manipulating two hyper-parameters,thereby being user-friendly in practice. In addition, the proposed framework applies to adjustable RO (ARO) with the extended affne decision rule adopted, which helps to improvethe optimization performance without too much additional effort. Numerical and applicationcase studies demonstrate the effectiveness of the proposed data-driven RO framework.

عنوان گونه گون

Multiple Kernel Learning-Aided Robust Optimization: Learning Algorithm, Computational Tractability, and Usage in Multi-Stage Decision-Making

عنصر شناسه اي

حسینی آلمان،

ساير عناصر نام

‏مریم

کد نقش

تهیه کننده

عنصر شناسه اي

‏خانجان،

عنصر شناسه اي

وکیلی،

ساير عناصر نام

راشد ‏

ساير عناصر نام

‏جواد

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏تبریز