1 / 35

Un algorithme de Nelder-Mead globalisé et borné pour les problèmes de l'ingénieur : GBNM

Un algorithme de Nelder-Mead globalisé et borné pour les problèmes de l'ingénieur : GBNM. Marco Luersen - Centre Fédéral d’Education Technologique du Paraná CEFET-PR - Brésil - Doctorant au Lab. de Mécanique – INSA de Rouen Rodolphe Le Riche

stewart
Download Presentation

Un algorithme de Nelder-Mead globalisé et borné pour les problèmes de l'ingénieur : GBNM

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Un algorithme de Nelder-Mead globalisé et borné pour les problèmes de l'ingénieur : GBNM Marco Luersen - Centre Fédéral d’Education Technologique du Paraná CEFET-PR - Brésil - Doctorant au Lab. de Mécanique – INSA de Rouen Rodolphe Le Riche – CNRS URA 1884 et SMS, Ecole des Mines de Saint Etienne

  2. Motivation Caractéristiques des problèmes d’optimisation en conception mécanique : • plusieurs optima locaux • variables bornées • calcul de sensibilités souvent laborieux, coûteux où n’existent pas • temps de calcul limité à quelques milliers d’analyses de la fonction coût  optimisation globale souhaitée, mais sa faisabilité est incertaine.

  3. La méthode de Nelder-Mead classique • Proposée par Nelder & Mead (1965) • (variables continues) • Méthode d’ordre zéro : ne requiert pas le calcul du gradient • Méthode rapide, relativement aux méthodes d’ordre zéro • Méthode locale

  4. La méthode de Nelder-Mead classique (2) • Basée sur la comparaison des valeurs de la fonction aux (n+1) sommets d’un simplexe • Le minimum est cherché en modifiant le simplexe à travers des opérations : réflexion, réflexion/expansion et contractions réflexion plus haut coût réflexion/expansion plus bas coût contractions (2 variables, n=2)

  5. La méthode de Nelder-Mead classique (3) Inconvénients : • S’applique à des problèmes sans bornes • Dégénérescence du simplexe (perte d’une dimension), est un cas d’échec de la méthode • Méthode locale : s’arrête quand un minimum local est trouvé

  6. Amélioration de la méthode de Nelder-Mead • Prise en compte des bornes • Détection des simplexes dégénérés et ré-initialisation • Test d’optimalité sur les bornes

  7. Prise en compte des bornes • Prise en compte de bornes par projection : Si xi < xi min xi = xi min (i = 1, n) Si xi > xi max xi = xi max (i = 1, n) Dégénérescence • Dans le domaine  ré-initialisation au point courant • Si la dégénérescence est sur les bornes on l’accepte

  8. Dégénérescence (2) Cas 1 Cas 2 • Critères : c2 c2 c1 c1 Si ou Si simplexe dégénéré

  9. Test d’optimalité sur les bornes Ex. : Fonction test de Rosenbrock bidimensionnel min • fonctionuni-modale • le minimum se trouve en x1= x2=1 • sans le test d’optimalité, souvent la recherche s’arrête sur les bornes (point x1= x2=0) car dégénérescence sur les bornes

  10. Test d’optimalité sur les bornes (2) Sans test d’optimalité : 3 4 6 2 1 simplexe initial 5 7=8=9 Point de convergence, mais pas un minimum UN TEST D’OPTIMALITÉ EST NÉCESSAIRE !

  11. Test d’optimalité sur les bornes (3) • les conditions de Kuhn et Tucker ne sont pas applicables : fonctions pas dérivables • conditions de point-col numériquement non vérifiables • test d’optimalité : une recherche locale, avec un «petit» simplexe initial • on considère que le simplexe initial est plus petit que le bassin d’attraction • coût : pour la fonction de Rosenbrock : ~20% (ça marche toujours !)

  12. 1 2 2 1 3 3 Globalisation : recherche du minimum global Point de vue Ré-initialisation : GBNM Évolutionnaire : 1 2 1 1 1 3 2 2 2 3 3 “Hybridation” Recherche globale/locale 3 Pas de recherche locale

  13. Globalisation par ré-initialisation probabilisée • chaque fois q’un minimum local est trouvé il est enregistré • le prochain point initial est choisit de tel sorte à ne pas échantillonner des régions déjà connues : visiter différents bassins d’attraction, sans connaître le nombre de redémarrages à priori • travail à coût fixé • redémarrage avec une caractéristique aléatoire-biaisée

  14. f (x)= H – p(x) H probabilité d’avoir échantillonné un point p(x) xmin xH xmax W p(x) Estimation de la probabilité de ne pas avoir échantillonné un point f(x) Noyaux de Parzen gaussiens N = nombre de points déjà échantillonnés n = dimension (nombre de variables)

  15. Estimation de la probabilité de ne pas avoir échantillonné un point f(x) (2) S = matrice de covariance a = paramètre qui contrôle l’étalement des gaussiennes Dans les exemples présentéson utilisera a = 0,01, ce qui veut dire qu’un écart-type de la gaussienne couvre 20% du domaine.

  16. Ré-initialisation probabilisée • pour le calcul de la probabilité pi , on ne garde comme xi que les points initiaux • maximisation de f par tirage aléatoire de nb_random_points : parmi nb_random_points aléatoires, trouver celui qui a la plus haute probabilité de n’avoir pas été échantillonné auparavant

  17. Ré-initialisation probabilisée (2) • si nb_random_points=1 : aléatoire • si nb_random_points=grand : motif régulier (si on connaît le nb. de redémarrages  grille) • si nb_random_points petit, > 1 (3 à 10) : aléatoire/biaisée Points initiaux nb_random_points = 1000 10 1 motif régulier (grille) aléatoire

  18. GBNM Globalized Bounded Nelder-Mead Method Articulation de : • 3 tests de convergence : • Small • Flat • Degenerated • 3 formes de ré-initialisation : • Probabilistic • Large Test • Small Test

  19. GBNM – Résumé (sans prise en compte de contraintes) • Caractéristiques des recherches locales : vitesse, précision  Nelder-Mead • Amélioration de la méthode de N-M : • Prise en compte de bornes par projection • Détection et traitement des dégénérescences du simplexe pendant la recherche • Test d’optimalité sur les bornes • Globalisée par ré-initialisation  stratégie hybride en série : local-global

  20. Applications : Fonctions tests multi-modales bidimensionnelles (3) f1 f2 f3 4 minima 6 minima 3 minima

  21. Fonctions tests multi-modales bidimensionnelles (4) Par la suite, on utilisera nb_random_points= 10

  22. Fonction test de Griewank (n = 12)(fonction très multi-modale) min le minimum global est –1, et se trouve en xi=0 Graphique de la fonction de Griewank uni-dimensionnel (n=1) dans le domaine [-20,20] :

  23. Fonction test de Griewank (n = 12) Comparaison : GBNM / Algorithme Evolutionnaire (EA) GBNM avec nb_random_points = 10 (*) probabilité de croisement = 0,5 ; prob. de mutation = 0,15 ; taille de la population = 500 (**) critère pour considérer que le EA converge sur le minimum global :

  24. Prise en compte des contraintes parpénalisation linéaire adaptative Soit le problème : • f(x)est modifiée par pénalisation : •  problème sans contraintes

  25. Prise en compte des contraintes parpénalisation adaptative (2) Les sont actualisés à chaque itération de N-M, Si , mise à jour de . s = incrément de pas. ...  (stabilisé)

  26. Prise en compte des contraintes par pénalisation adaptative (3) Interprétation de la pénalisation adaptative linéaire : • Un Lagrangien généralisé, qui possède un point-col plus souvent que les Lagrangiens ordinaires ; • Mise à jour des : un gradient à pas fixe pour maximiser la fonction duale, calcul du gradient approché ; • Convergence possible pour des finis (contrairement aux pénalisations quadratiques).

  27. Applications aux composites • Séquence d’empilement de couches • Critères : • - max (Ex, Ey, Gxy, charge de rupture, charge de flambement, etc.) • - min (def. x, def. y, coef. dilatation thermique, etc.) • Contraintes : - Ex, Ey, Gxy, rupture, def. x, def. y, coef. dilatation thermique, etc.

  28. Applications aux composites Maximisation du module d’élasticité Ex min (1 – Ex/Ex_ref) • plaque composite symétrique et équilibrée à 16 couches • 4 variables : les orientations des fibres : • matériau : verre-époxyde • contraintes : • utilisation de la théorie classique des stratifiés (CLT)

  29. Maximisation de Ex : plaque composite stratifiée Paramètres stabilisés de pénalisation : en 44 (min) à 431 (max) analyses, avec s = 1

  30. Maximisation de Ex : plaque composite stratifiée (2) Exemples d’optima locaux possibles trouvés par le GBNM, 2000 évaluations de la fonction coût, 1 exécution

  31. Maximisation de la charge critique de flambement • plaque rectangulaire simplement supportée • 48 couches, • symétrique et équilibré, • chargement de membrane : Nx et Ny • matériau : carbone-époxyde

  32. Maximisation de la charge critique de flambement (2) • contraintes : - critère de rupture de Hoffman - coef. de dilatation thermique : • théorie classique des stratifiés et flambement linéaire

  33. Maximisation de charge critique de flambement 48 couches : 12 variables Paramètres stabilisés de pénalisation : en 116 (min) à 978 (max) analyses, avec s = 0,001

  34. Conclusions GBNM : un algorithme pratique pour les problèmes de l’ingénieur : • travail à coût fixé : nombre d’analyses défini a priori ; • globalisation par ré-initialisation probabilisées, pour ne pas échantillonner des régions déjà connues, sans connaître le nombre de redémarrages à priori ; • Nelder-Mead amélioré pour les recherches locales : • méthode d’ordre zéro, locale et sans bornes  vitesse, précision ; • détection et ré-initialisation en cas de dégénérescence ; • prise en compte des bornes par projection et des contraintes par pénalisation adaptative ; • test d’optimalité, sur les bornes.

  35. Conclusions (2) • La stratégie la plus robuste de ré-initialisation probabilisée est un compromis entre ré-initialisation aléatoire et ré-initialisation à intervalles réguliers ; • Pour les problèmes de taille moyenne à bas coût, la méthode GBNM a une plus haute précision que les algorithmes évolutionnaires ; • La globalisation par ré-initialisation probabilisée n'est pas restrictive à l’algorithme de Nelder-Mead. Elle peut être appliquée à d’autres optimiseurs locaux.

More Related