|
Une pléthore d'outils tels que les statistiques multivariées, réseaux neuronaux, les réseaux bayésiens, self-organizing maps, CART (Classification and Regression Trees), etc sont disponibles à l'heure actuelle de convertir les données en connaissances processus utile (modèles, règles, etc). Un ajout relativement récent à cette famille est la programmation génétique (GP) qui a ses origines dans les algorithmes génétiques (GA). GP est un bio-inspirés, domaine de méthode indépendante que les populations de races génétiquement (des programmes d'ordinateur, etc formules mathématiques) pour résoudre les problèmes. L'aptitude de chaque GP assemblés individu de la population est évaluée par sa simulation et la comparaison des résultats prévus avec les données mesurées. Numerical efficacité et la robustesse du rôle moteur de simulation jouent critique dans un système GP. Le roman dans notre schéma de codage de GEMS (le programme mis au point dans ma recherche de maîtrise) permet de simuler GP différence de domaine d'application sans changer de travail de l'algorithme de GP. La connaissance a priori processus peut être employé par la règle définie par l'utilisateur. L'applicabilité de l'approche a été démontrée dans plusieurs systèmes non linéaires dans les applications chimiques et biologiques. Les problèmes d'optimisation se produire dans un nombre toujours croissant de domaines. Dans la plupart des cas on est intéressé à trouver l'extremum global d'une fonction donnée objective à l'égard de plusieurs paramètres. Dans une exécution typique de GP pour la modélisation des processus comprend plusieurs milliers d'optimisation globale de trouver les paramètres dans chaque expression assemblés modèle. Les deux techniques locales et globales sont utilisées pour estimer les paramètres. Le local technique (Levenberg-Marquardt optimisation) est utilisé pour trouver de meilleurs points dans le voisinage de certains (bon) point afin d'améliorer la précision d'une solution. La technique globale est chargée d'explorer toute la zone d'intérêt et de cette façon assure qu'un point dans la région d'attraction du minimum global est trouvé. Comme aucun optimiseur global est adapté à tous les problèmes, les outils GP comprennent des algorithmes les plus connus tels que le recuit simulé, algorithmes génétiques, recherche aléatoire adaptative et l'évolution récente relative méthode différentielle. Un inconvénient de la programmation génétique est de calcul étendus et sans profiter de l'installation informatique de haute performance, résolution de problème redoutable n'est pas possible. Auparavant, le programme a été écrit en langage MATLAB et employés TCP / IP et la commutation maître / esclave sur une architecture cluster de PC de cinq ordinateurs. Le programme a finalement été porté en Fortran 95. Front interface utilisateur final est développé avec Borland C + + Builder. Haute performance a été réalisée par OpenMP pour ordinateur à mémoire partagée et de la transformation du grain cours parallèle Message Passing Interface (MPI). Nouvelle route à quatre postes de travail à double processeur Xeon HT ont été acquis pour le projet. De nombreux processus chimiques sont bien représentés par le modèle d'espace d'état ou différentielle équations algébriques. Une littérature abondante sur la modélisation algébrique utilisant GP approche est disponible, mais il ya eu peu ou pas signalé applications de GP dans le cadre des modèles d'espace d'état. Le problème de base sur lequel cette recherche est abordée est celle de développer des techniques et des outils efficaces pour l'identification des modèles d'espaces non-linéaires Etat de traiter des données expérimentales. Depuis le domaine de recherche dans l'espace état est plus élargir et d'estimation des paramètres est plus difficile que le système algébrique, numériquement efficaces et d'un algorithme robuste est un must pour le projet. |