文献

J-GLOBAL ID：202202277514052540   整理番号：22A0840890

代理モデリングのためのステップバイステップ罰ブラインドクリギング法【JST・京大機械翻訳】

Step-by-Step Penalized Blind Kriging Methods for Surrogate Modeling

著者 (5件)： Feng Ziheng (School of Mathematics and Statistics, Qingdao University, Qingdao 266 071, China) ,  Li Min (School of Mathematics and Statistics, Qingdao University, Qingdao 266 071, China) ,  Wang Xiao (School of Mathematics and Statistics, Qingdao University, Qingdao 266 071, China) ,  Zhao Jianxin (Basic Courses Department, Navy Submarine Academy, Qingdao, China) ,  Li Xinmin (School of Mathematics and Statistics, Qingdao University, Qingdao 266 071, China)
資料名： Mathematical Problems in Engineering (Web)  (Mathematical Problems in Engineering (Web))
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： U7803A  ISSN： 1024-123X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 代理モデルを構築するとき,クリギングモデルに対する適切な平均関数を同定することが重要である。一般的に用いられる変数選択法はペナルティブラインドクリギング(PBK)法である。しかし,この方法は低時間効率をもたらし,それは時間感受性データによる実験に適していない。本論文では,PBK法の予測精度と時間効率を改善するために,適切な平均関数を構築するための3つのステップバイステップアプローチを提案した。いくつかの機能と2つの工学用例を用いて,提案した方法の有効性を証明した。シミュレーションの結果から,方法1(M1)と方法2(M2)は,PBKと比較して予測精度と時間効率の両方で著しく改善されることが分かった。特に,試験関数において,従来のPBK法と比較して,M2の予測精度は,Lassoと弾性ネットのペナルティの下で,それぞれ[数式:原文を参照]と[数式:原文を参照]によって改善され,そして,M1の時間効率は,Lassoと弾性ネットのペナルティの下で,[数式:原文を参照]と[数式:原文を参照]によってそれぞれ改善された。さらに,方法3(M3)はPBKと比較して予測精度において有意に改善された。Copyright 2022 Ziheng Feng et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 関数 ,  弾性 ,  精度 ,  感受性 ,  *モデリング ,  有効性 ,  ペナルティ ,  *クリギング
準シソーラス用語： *罰 ,  用例 ,  予測精度 ,  変数選択 ,  Krigingモデル ,  代用モデル , 【Automatic Indexing@JST】

分類 (1件)： 信頼性  (KB04040H)

引用文献 (21件)：

• T. J. Santner, B. J. Williams, W. I. Notz, The Design and Analysis of Computer Experiments, Springer, New York, 2003.
• K. T. Fang, R. Li, A. Sudjianto, Design and Modeling for Computer Experiments, CRC Press, Florida, 2005.
• H. Dong, P. Wang, C. Fu, B. Song, "Kriging-assisted teaching-learning-based optimization (KTLBO) to solve computationally expensive constrained problems," Information Sciences, vol. 556, pp. 404-435, 2021.
• H. Dong, P. Wang, B. Song, Y. Zhang, X. An, "Kriging-assisted Discrete Global Optimization (KDGO) for black-box problems with costly objective and constraints," Applied Soft Computing, vol. 94, pp. 106429, 2020.
• B. Echard, N. Gayton, M. Lemaire, "Ak-mcs: an active learning reliability method combining Kriging and Monte Carlo simulation," Structural Safety, vol. 33, no. 2, pp. 145-154, 2011.

タイトルに関連する用語 (3件)： モデリング ,  ブラインド ,  クリギング法