Details

Title: Многокритериальная оптимизация ректификационного процесса по алгоритму SPEA2 // Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Сер.: Информатика. Телекоммуникации. Управление: научное издание. – 2019. – Т. 12, № 2
Creators: Костенко Дмитрий Андреевич; Онуфриев Вадим Александрович; Шкодырев Вячеслав Петрович
Imprint: Санкт-Петербург: Изд-во Политехн. ун-та, 2019
Collection: Общая коллекция
Subjects: Вычислительная техника; Программирование ЭВМ. Компьютерные программы. Программотехника; Парето-оптимальность; многокритериальная оптимизация; орграфы; нейронные сети; SPEA2; KPI; ректификационные процессы; Pareto optimality; multi-criteria optimization; digraphs; neural networks; rectification process
UDC: 004.41/.42
LBC: 32.973-018
Document type: Article, report
File type: PDF
Language: Russian
DOI: 10.18721/JCSTCS.12204
Rights: Свободный доступ из сети Интернет (чтение, печать, копирование)

Allowed Actions: Read Download (0.4 Mb)

Group: Anonymous

Network: Internet

Annotation

Описан процесс многокритериальной оптимизации по методу Парето-оптимальности. В качестве объекта управления выступает крупное промышленное предприятие. Объект декомпозируется и представляется в виде иерархии вложенных орграфов. Вершины орграфов отмечают состояние производимого продукта, рёбра – технологические операции. На основании технической документации по объекту составляются списки целевых показателей и факторов управления, помогающие систематизировать источники влияния на качество и объем производимого продукта. Нейронная сеть, обученная на архиве статистических данных, идентифицирует связи между параметрами выходного продукта и источниками влияния. Полученные связи дискретизируются по времени и подаются на вход алгоритма SPEA2. Алгоритм производит сравнение зависимостей и выстраивает Парето-оптимальный фронт, состоящий из комбинаций значений управляемых параметров.

This article describes the process of multicriterial optimization using the Pareto efficiency method. A large-scale industrial plant was taken as a controllable object. The object was decomposed and represented as a hierarchy of embedded orgraphs. The orgraph’s vertices mark the current state of the product while the edges stand for technological operations. Based on the object’s technical documentation, a list of influencing factors is created. The list contains every technological parameter affecting the quality of the final product. A neural network trained on a set of statistical data is utilized to identify dependencies between discrete influencing factors and the product quality. These dependencies are then processed with the SPEA2 algorithm, outputting a set of combinations of optimized parameters values known as the Pareto front.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
Internet Authorized users Read Print Download
-> Internet Anonymous Read Print Download

Usage statistics

stat Access count: 52
Last 30 days: 5
Detailed usage statistics