文献

J-GLOBAL ID：201802273120251458   整理番号：18A0482430

データ駆動型確率的ロバスト最適化:一般的計算フレームワークとアルゴリズムビッグデータ時代における不確実性の下での最適化のための機械学習の利用【Powered by NICT】

Data-driven stochastic robust optimization: General computational framework and algorithm leveraging machine learning for optimization under uncertainty in the big data era

著者 (2件)： Ning Chao (Robert Frederick Smith School of Chemical and Biomolecular Engineering, Cornell University, Ithaca, NY 14853, USA) ,  You Fengqi (Robert Frederick Smith School of Chemical and Biomolecular Engineering, Cornell University, Ithaca, NY 14853, USA)
資料名： Computers & Chemical Engineering  (Computers & Chemical Engineering)
巻： 111  ページ： 115-133  発行年： 2018年 
JST資料番号： H0199C  ISSN： 0098-1354  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 不確実性活用標識マルチクラス不確実性データの下での最適化のために提案した新しいデータ駆動型確率的ロバスト最適化(DDSRO)フレームワーク。大規模データセットにおける不確実性データは,しばしば種々の条件下,クラスラベルによりコードされるから収集した。Dirichlet過程混合モデルと最尤推定を含む機械学習法は,不確実性をモデル化するために採用した。更なる2レベル最適化構造を通したデータ駆動型不確実性モデルに基づいて提案したDDSROフレームワーク。外部最適化問題は,異なるデータクラスの期待される目的を最適化するために2段階確率的計画法アプローチに従う;解のロバスト性を保証するために内部問題として適応ロバスト最適化を入れ子にしている計算実行可能性を維持した。さらに得られたマルチレベル最適化問題を効率的に解くために開発した分解に基づくアルゴリズム。プロセスネットワーク設計と計画の事例研究は,提案したフレームワークおよびアルゴリズムの適用性を実証した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *アルゴリズム ,  最適化問題 ,  *不確実性 ,  確率的計画法 ,  モデリング ,  *最適化 ,  ロバスト性 ,  *機械学習 ,  最尤法 ,  適応性 ,  事例研究
準シソーラス用語： *ビッグデータ ,  混合モデル ,  *ロバスト最適化 ,  *データ駆動 , 【Automatic Indexing@JST】

著者キーワード (5件)： ビッグデータ ,  不確実性の下での最適化 ,  Bayesモデル ,  機械学習 ,  プロセス設計と運転

分類 (1件)： 化学プロセスの解析  (XC01030R)

タイトルに関連する用語 (10件)： データ駆動 ,  確率 ,  ロバスト最適化 ,  計算 ,  フレームワーク ,  アルゴリズム ,  ビッグデータ ,  不確実性 ,  最適化 ,  機械学習