Investigação de abordagens evolutivas e otimização Bayesiana restrita no problema de otimização em tempo-real
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/44201 |
Resumo: | A otimização em tempo-real (RTO) é uma técnica capaz de iterativamente levar um processo industrial (planta) à sua operação econômica ótima, utilizando para isso um modelo matemático aproximado aliado à solução de um problema de otimização não linear. Para lidar com discrepâncias entre o modelo e a planta estão disponíveis na literatura diferentes abordagens, entre as quais a de Modifier Adaptation (MA) se destaca. Ela aplica correções de primeira ordem às funções de custo e restrições a fim de alcançar o ótimo da planta após a convergência. No entanto, o cálculo das correções depende de informações do gradiente da planta, que são difíceis de obter. Abordagens promissoras para superar essa limitação são realizar a regressão por Processos Gaussianos (GP) para modelar as incertezas e utilizar técnicas de otimização Bayesiana. Visando iniciar uma maior discussão dos problemas numéricos esperados com a aplicação destas novas abordagens, o objetivo deste trabalho é estudar o efeito do otimizador no desempenho de sistemas RTO inicializados aleatoriamente e na presença ruídos de medição. Para isto, são consideradas as técnicas MA com adaptação via GPs (MA-GP) e uma nova abordagem por otimização Bayesiana restrita através da função de aquisição Expected Improvement with Constraints (EIC). A partir da convergência ao ótimo da planta, viabilidade das iterações e do custo computacional, compara-se o desempenho de algoritmos de otimização não linear determinísticos (Sequential Quadratic Programming (SQP) e Nelder-Mead Simplex (NM)) e uma heurística evolutiva (Differential Evolution (DE)). Para dois modelos de benchmark disponíveis na literatura, ilustra-se que os algoritmos SQP e NM podem falhar em encontrar o ótimo global durante as iterações do sistema RTO. Como resultado é observada uma queda no desempenho do sistema, o qual apresenta uma maior variabilidade e sensibilidade à etapa de inicialização. Para um intervalo de confiança de 95% o DE superou os demais algoritmos, embora necessite de um esforço computacional mais elevado. Além disso, é possível comprovar o potencial da nova técnica proposta via otimização Bayesiana restrita. Ao permitir o uso do algoritmo irrestrito NM, ela se torna eficiente quando comparada ao MA-GP com SQP, demandando ao mesmo tempo um baixo custo computacional. Entretanto, sua convergência ainda precisa de uma maior investigação e seu desempenho é inferior ao MA-GP para problemas onde o ponto de operação ótimo da planta está na interseção de suas restrições. |
id |
UFMG_a1ac31f0a986a497f095596c21f0fe65 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/44201 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Michel Bessanihttp://lattes.cnpq.br/9450846955939545Ricardo Hiroshi Caldeira TakahashiEsly Ferreira da Costa Juniorhttp://lattes.cnpq.br/7915424929670533Victor São Paulo Ruela2022-08-11T15:36:45Z2022-08-11T15:36:45Z2021-12-16http://hdl.handle.net/1843/44201A otimização em tempo-real (RTO) é uma técnica capaz de iterativamente levar um processo industrial (planta) à sua operação econômica ótima, utilizando para isso um modelo matemático aproximado aliado à solução de um problema de otimização não linear. Para lidar com discrepâncias entre o modelo e a planta estão disponíveis na literatura diferentes abordagens, entre as quais a de Modifier Adaptation (MA) se destaca. Ela aplica correções de primeira ordem às funções de custo e restrições a fim de alcançar o ótimo da planta após a convergência. No entanto, o cálculo das correções depende de informações do gradiente da planta, que são difíceis de obter. Abordagens promissoras para superar essa limitação são realizar a regressão por Processos Gaussianos (GP) para modelar as incertezas e utilizar técnicas de otimização Bayesiana. Visando iniciar uma maior discussão dos problemas numéricos esperados com a aplicação destas novas abordagens, o objetivo deste trabalho é estudar o efeito do otimizador no desempenho de sistemas RTO inicializados aleatoriamente e na presença ruídos de medição. Para isto, são consideradas as técnicas MA com adaptação via GPs (MA-GP) e uma nova abordagem por otimização Bayesiana restrita através da função de aquisição Expected Improvement with Constraints (EIC). A partir da convergência ao ótimo da planta, viabilidade das iterações e do custo computacional, compara-se o desempenho de algoritmos de otimização não linear determinísticos (Sequential Quadratic Programming (SQP) e Nelder-Mead Simplex (NM)) e uma heurística evolutiva (Differential Evolution (DE)). Para dois modelos de benchmark disponíveis na literatura, ilustra-se que os algoritmos SQP e NM podem falhar em encontrar o ótimo global durante as iterações do sistema RTO. Como resultado é observada uma queda no desempenho do sistema, o qual apresenta uma maior variabilidade e sensibilidade à etapa de inicialização. Para um intervalo de confiança de 95% o DE superou os demais algoritmos, embora necessite de um esforço computacional mais elevado. Além disso, é possível comprovar o potencial da nova técnica proposta via otimização Bayesiana restrita. Ao permitir o uso do algoritmo irrestrito NM, ela se torna eficiente quando comparada ao MA-GP com SQP, demandando ao mesmo tempo um baixo custo computacional. Entretanto, sua convergência ainda precisa de uma maior investigação e seu desempenho é inferior ao MA-GP para problemas onde o ponto de operação ótimo da planta está na interseção de suas restrições.Real-time optimization (RTO) is a technique capable of iteratively leading an industrial process (plant) to its optimal economic operation, using for this an approximate mathematical model combined with the solution of a non-linear optimization problem. In order to deal with model-plant mismatch, different approaches are available in the literature, among which the Modifier Adaptation (MA) stands out. It applies first-order corrections to the cost and constraints functions in order to achieve plant optimality upon convergence. However, the calculation of these corrections depends on plant gradient information, which is difficult to obtain. Promising approaches to overcome this limitation are to perform Gaussian Processes (GP) regression to model the mismatch and use Bayesian optimization techniques. Aiming to initiate a further discussion of the numerical problems expected with the application of these new approaches, the objective of this work is to study the effect of the optimizer on the performance of randomly initialized RTO systems in the presence of measurement noise. For this, we consider the MA with GPs adaptation (MA-GP) and a new approach using constrained Bayesian optimization through the Expected Improvement with Constraints (EIC) acquisition function. Based on the convergence to the plant optimum, iteration feasibility and computational cost, the performance of deterministic nonlinear optimization algorithms (Sequential Quadratic Programming (SQP) and Nelder-Mead Simplex (NM)) and an evolutionary heuristic (Differential Evolution (DE)) are compared. For two benchmark models available in the literature, it is illustrated that the SQP and NM algorithms may fail to find the optimum during the RTO system iterations. As a result, the system’s performance is degraded, presenting higher variability and sensitivity to the initialization step. For a confidence interval of 95%, DE outperformed the other algorithms, although it requires a higher computational effort. Furthermore, it is possible to prove the proposed technique’s potential via constrained Bayesian optimization. By allowing the use of the unrestricted NM algorithm, it becomes efficient when compared to MA-GP with SQP, requiring at the same time a low computational cost. However, its convergence is still uncertain and its performance is inferior to MA-GP, especially for problems where the plant’s optimal operating point is at the intersection of its constraints.porUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Engenharia ElétricaUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICAhttp://creativecommons.org/licenses/by-nc/3.0/pt/info:eu-repo/semantics/openAccessEngenharia elétricaProcessos GaussianosTeoria bayesiana de decisão estatísticaOtimização em tempo-realModifier adaptationProcessos GaussianosOtimização BayesianaOtimização não linearInvestigação de abordagens evolutivas e otimização Bayesiana restrita no problema de otimização em tempo-realInvestigation of evolutionary and restricted Bayesian optimization approaches in the real-time optimization probleminfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8920https://repositorio.ufmg.br/bitstream/1843/44201/2/license_rdf33b8016dc5c4681c1e7a582a4161162cMD52ORIGINALdissertacao_revisada_mai22_pdfa.pdfdissertacao_revisada_mai22_pdfa.pdfdissertaçãoapplication/pdf45885496https://repositorio.ufmg.br/bitstream/1843/44201/4/dissertacao_revisada_mai22_pdfa.pdf0edfb94aeca82315c838b3217c3798ccMD54LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/44201/5/license.txtcda590c95a0b51b4d15f60c9642ca272MD551843/442012022-08-11 12:36:45.698oai:repositorio.ufmg.br:1843/44201TElDRU7Dh0EgREUgRElTVFJJQlVJw4fDg08gTsODTy1FWENMVVNJVkEgRE8gUkVQT1NJVMOTUklPIElOU1RJVFVDSU9OQUwgREEgVUZNRwoKQ29tIGEgYXByZXNlbnRhw6fDo28gZGVzdGEgbGljZW7Dp2EsIHZvY8OqIChvIGF1dG9yIChlcykgb3UgbyB0aXR1bGFyIGRvcyBkaXJlaXRvcyBkZSBhdXRvcikgY29uY2VkZSBhbyBSZXBvc2l0w7NyaW8gSW5zdGl0dWNpb25hbCBkYSBVRk1HIChSSS1VRk1HKSBvIGRpcmVpdG8gbsOjbyBleGNsdXNpdm8gZSBpcnJldm9nw6F2ZWwgZGUgcmVwcm9kdXppciBlL291IGRpc3RyaWJ1aXIgYSBzdWEgcHVibGljYcOnw6NvIChpbmNsdWluZG8gbyByZXN1bW8pIHBvciB0b2RvIG8gbXVuZG8gbm8gZm9ybWF0byBpbXByZXNzbyBlIGVsZXRyw7RuaWNvIGUgZW0gcXVhbHF1ZXIgbWVpbywgaW5jbHVpbmRvIG9zIGZvcm1hdG9zIMOhdWRpbyBvdSB2w61kZW8uCgpWb2PDqiBkZWNsYXJhIHF1ZSBjb25oZWNlIGEgcG9sw610aWNhIGRlIGNvcHlyaWdodCBkYSBlZGl0b3JhIGRvIHNldSBkb2N1bWVudG8gZSBxdWUgY29uaGVjZSBlIGFjZWl0YSBhcyBEaXJldHJpemVzIGRvIFJJLVVGTUcuCgpWb2PDqiBjb25jb3JkYSBxdWUgbyBSZXBvc2l0w7NyaW8gSW5zdGl0dWNpb25hbCBkYSBVRk1HIHBvZGUsIHNlbSBhbHRlcmFyIG8gY29udGXDumRvLCB0cmFuc3BvciBhIHN1YSBwdWJsaWNhw6fDo28gcGFyYSBxdWFscXVlciBtZWlvIG91IGZvcm1hdG8gcGFyYSBmaW5zIGRlIHByZXNlcnZhw6fDo28uCgpWb2PDqiB0YW1iw6ltIGNvbmNvcmRhIHF1ZSBvIFJlcG9zaXTDs3JpbyBJbnN0aXR1Y2lvbmFsIGRhIFVGTUcgcG9kZSBtYW50ZXIgbWFpcyBkZSB1bWEgY8OzcGlhIGRlIHN1YSBwdWJsaWNhw6fDo28gcGFyYSBmaW5zIGRlIHNlZ3VyYW7Dp2EsIGJhY2stdXAgZSBwcmVzZXJ2YcOnw6NvLgoKVm9jw6ogZGVjbGFyYSBxdWUgYSBzdWEgcHVibGljYcOnw6NvIMOpIG9yaWdpbmFsIGUgcXVlIHZvY8OqIHRlbSBvIHBvZGVyIGRlIGNvbmNlZGVyIG9zIGRpcmVpdG9zIGNvbnRpZG9zIG5lc3RhIGxpY2Vuw6dhLiBWb2PDqiB0YW1iw6ltIGRlY2xhcmEgcXVlIG8gZGVww7NzaXRvIGRlIHN1YSBwdWJsaWNhw6fDo28gbsOjbywgcXVlIHNlamEgZGUgc2V1IGNvbmhlY2ltZW50bywgaW5mcmluZ2UgZGlyZWl0b3MgYXV0b3JhaXMgZGUgbmluZ3XDqW0uCgpDYXNvIGEgc3VhIHB1YmxpY2HDp8OjbyBjb250ZW5oYSBtYXRlcmlhbCBxdWUgdm9jw6ogbsOjbyBwb3NzdWkgYSB0aXR1bGFyaWRhZGUgZG9zIGRpcmVpdG9zIGF1dG9yYWlzLCB2b2PDqiBkZWNsYXJhIHF1ZSBvYnRldmUgYSBwZXJtaXNzw6NvIGlycmVzdHJpdGEgZG8gZGV0ZW50b3IgZG9zIGRpcmVpdG9zIGF1dG9yYWlzIHBhcmEgY29uY2VkZXIgYW8gUmVwb3NpdMOzcmlvIEluc3RpdHVjaW9uYWwgZGEgVUZNRyBvcyBkaXJlaXRvcyBhcHJlc2VudGFkb3MgbmVzdGEgbGljZW7Dp2EsIGUgcXVlIGVzc2UgbWF0ZXJpYWwgZGUgcHJvcHJpZWRhZGUgZGUgdGVyY2Vpcm9zIGVzdMOhIGNsYXJhbWVudGUgaWRlbnRpZmljYWRvIGUgcmVjb25oZWNpZG8gbm8gdGV4dG8gb3Ugbm8gY29udGXDumRvIGRhIHB1YmxpY2HDp8OjbyBvcmEgZGVwb3NpdGFkYS4KCkNBU08gQSBQVUJMSUNBw4fDg08gT1JBIERFUE9TSVRBREEgVEVOSEEgU0lETyBSRVNVTFRBRE8gREUgVU0gUEFUUk9Dw41OSU8gT1UgQVBPSU8gREUgVU1BIEFHw4pOQ0lBIERFIEZPTUVOVE8gT1UgT1VUUk8gT1JHQU5JU01PLCBWT0PDiiBERUNMQVJBIFFVRSBSRVNQRUlUT1UgVE9ET1MgRSBRVUFJU1FVRVIgRElSRUlUT1MgREUgUkVWSVPDg08gQ09NTyBUQU1Cw4lNIEFTIERFTUFJUyBPQlJJR0HDh8OVRVMgRVhJR0lEQVMgUE9SIENPTlRSQVRPIE9VIEFDT1JETy4KCk8gUmVwb3NpdMOzcmlvIEluc3RpdHVjaW9uYWwgZGEgVUZNRyBzZSBjb21wcm9tZXRlIGEgaWRlbnRpZmljYXIgY2xhcmFtZW50ZSBvIHNldSBub21lKHMpIG91IG8ocykgbm9tZXMocykgZG8ocykgZGV0ZW50b3IoZXMpIGRvcyBkaXJlaXRvcyBhdXRvcmFpcyBkYSBwdWJsaWNhw6fDo28sIGUgbsOjbyBmYXLDoSBxdWFscXVlciBhbHRlcmHDp8OjbywgYWzDqW0gZGFxdWVsYXMgY29uY2VkaWRhcyBwb3IgZXN0YSBsaWNlbsOnYS4KRepositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2022-08-11T15:36:45Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Investigação de abordagens evolutivas e otimização Bayesiana restrita no problema de otimização em tempo-real |
dc.title.alternative.pt_BR.fl_str_mv |
Investigation of evolutionary and restricted Bayesian optimization approaches in the real-time optimization problem |
title |
Investigação de abordagens evolutivas e otimização Bayesiana restrita no problema de otimização em tempo-real |
spellingShingle |
Investigação de abordagens evolutivas e otimização Bayesiana restrita no problema de otimização em tempo-real Victor São Paulo Ruela Otimização em tempo-real Modifier adaptation Processos Gaussianos Otimização Bayesiana Otimização não linear Engenharia elétrica Processos Gaussianos Teoria bayesiana de decisão estatística |
title_short |
Investigação de abordagens evolutivas e otimização Bayesiana restrita no problema de otimização em tempo-real |
title_full |
Investigação de abordagens evolutivas e otimização Bayesiana restrita no problema de otimização em tempo-real |
title_fullStr |
Investigação de abordagens evolutivas e otimização Bayesiana restrita no problema de otimização em tempo-real |
title_full_unstemmed |
Investigação de abordagens evolutivas e otimização Bayesiana restrita no problema de otimização em tempo-real |
title_sort |
Investigação de abordagens evolutivas e otimização Bayesiana restrita no problema de otimização em tempo-real |
author |
Victor São Paulo Ruela |
author_facet |
Victor São Paulo Ruela |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Michel Bessani |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/9450846955939545 |
dc.contributor.referee1.fl_str_mv |
Ricardo Hiroshi Caldeira Takahashi |
dc.contributor.referee2.fl_str_mv |
Esly Ferreira da Costa Junior |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/7915424929670533 |
dc.contributor.author.fl_str_mv |
Victor São Paulo Ruela |
contributor_str_mv |
Michel Bessani Ricardo Hiroshi Caldeira Takahashi Esly Ferreira da Costa Junior |
dc.subject.por.fl_str_mv |
Otimização em tempo-real Modifier adaptation Processos Gaussianos Otimização Bayesiana Otimização não linear |
topic |
Otimização em tempo-real Modifier adaptation Processos Gaussianos Otimização Bayesiana Otimização não linear Engenharia elétrica Processos Gaussianos Teoria bayesiana de decisão estatística |
dc.subject.other.pt_BR.fl_str_mv |
Engenharia elétrica Processos Gaussianos Teoria bayesiana de decisão estatística |
description |
A otimização em tempo-real (RTO) é uma técnica capaz de iterativamente levar um processo industrial (planta) à sua operação econômica ótima, utilizando para isso um modelo matemático aproximado aliado à solução de um problema de otimização não linear. Para lidar com discrepâncias entre o modelo e a planta estão disponíveis na literatura diferentes abordagens, entre as quais a de Modifier Adaptation (MA) se destaca. Ela aplica correções de primeira ordem às funções de custo e restrições a fim de alcançar o ótimo da planta após a convergência. No entanto, o cálculo das correções depende de informações do gradiente da planta, que são difíceis de obter. Abordagens promissoras para superar essa limitação são realizar a regressão por Processos Gaussianos (GP) para modelar as incertezas e utilizar técnicas de otimização Bayesiana. Visando iniciar uma maior discussão dos problemas numéricos esperados com a aplicação destas novas abordagens, o objetivo deste trabalho é estudar o efeito do otimizador no desempenho de sistemas RTO inicializados aleatoriamente e na presença ruídos de medição. Para isto, são consideradas as técnicas MA com adaptação via GPs (MA-GP) e uma nova abordagem por otimização Bayesiana restrita através da função de aquisição Expected Improvement with Constraints (EIC). A partir da convergência ao ótimo da planta, viabilidade das iterações e do custo computacional, compara-se o desempenho de algoritmos de otimização não linear determinísticos (Sequential Quadratic Programming (SQP) e Nelder-Mead Simplex (NM)) e uma heurística evolutiva (Differential Evolution (DE)). Para dois modelos de benchmark disponíveis na literatura, ilustra-se que os algoritmos SQP e NM podem falhar em encontrar o ótimo global durante as iterações do sistema RTO. Como resultado é observada uma queda no desempenho do sistema, o qual apresenta uma maior variabilidade e sensibilidade à etapa de inicialização. Para um intervalo de confiança de 95% o DE superou os demais algoritmos, embora necessite de um esforço computacional mais elevado. Além disso, é possível comprovar o potencial da nova técnica proposta via otimização Bayesiana restrita. Ao permitir o uso do algoritmo irrestrito NM, ela se torna eficiente quando comparada ao MA-GP com SQP, demandando ao mesmo tempo um baixo custo computacional. Entretanto, sua convergência ainda precisa de uma maior investigação e seu desempenho é inferior ao MA-GP para problemas onde o ponto de operação ótimo da planta está na interseção de suas restrições. |
publishDate |
2021 |
dc.date.issued.fl_str_mv |
2021-12-16 |
dc.date.accessioned.fl_str_mv |
2022-08-11T15:36:45Z |
dc.date.available.fl_str_mv |
2022-08-11T15:36:45Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/44201 |
url |
http://hdl.handle.net/1843/44201 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc/3.0/pt/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc/3.0/pt/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ENG - DEPARTAMENTO DE ENGENHARIA ELÉTRICA |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/44201/2/license_rdf https://repositorio.ufmg.br/bitstream/1843/44201/4/dissertacao_revisada_mai22_pdfa.pdf https://repositorio.ufmg.br/bitstream/1843/44201/5/license.txt |
bitstream.checksum.fl_str_mv |
33b8016dc5c4681c1e7a582a4161162c 0edfb94aeca82315c838b3217c3798cc cda590c95a0b51b4d15f60c9642ca272 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589374006263808 |