[論文レビュー] Aggressive design: A density-matching approach for optimization under uncertainty

Pranay Seshadri, Paul G. Constantine+2 more|arXiv (Cornell University)|Sep 24, 2014

Advanced Multi-Objective Optimization Algorithms被引用数 3

ひとこと要約

本稿では、数値積分とガウスカーネル密度推定を用いて、設計者が指定した応答密度と実際のシステム応答密度の距離を最小化する密度マッチング手法を、不確実性下の最適化（OUU）に提案する。CFDを用いた翼型最適化に適用された結果、多目的ロバスト最適化の代替として、応答分布を直接マッチングする強固な手法を提供する。

ABSTRACT

Modern computers enable methods for design optimization that account for uncertainty in the system---so-called optimization under uncertainty. We propose a metric for OUU that measures the distance between a designer-specified probability density function of the system response the target and system response's density function at a given design. We study an OUU formulation that minimizes this distance metric over all designs. We discretize the objective function with numerical quadrature and approximate the response density function with a Gaussian kernel density estimate. We offer heuristics for addressing issues that arise in this formulation, and we apply the approach to a CFD-based airfoil shape optimization problem. We qualitatively compare the density-matching approach to a multi-objective robust design optimization to gain insight into the method.

研究の動機と目的

• 目標応答密度と実際のシステム応答密度の乖離を定量化する、不確実性下の最適化（OUU）のための新しい指標を開発すること。
• すべての妥当な設計においてこの密度距離を最小化するOUU問題を定式化すること。
• 密度推定と積分離散化に起因する数値的困難を、実用的なヒューリスティクスで解決すること。
• CFDを用いた翼型形状最適化問題における手法の性能を評価すること。
• 密度マッチング手法と従来の多目的ロバスト設計最適化を、定性的に比較すること。

提案手法

• 本手法は、設計者が指定した応答密度とシステムの実際の応答密度関数との間の距離尺度を定義する。
• 計算最適化を可能にするために、目的関数を数値積分で離散化する。
• システム応答密度は、サンプルされた応答データに基づくガウスカーネル密度推定によって近似される。
• 密度推定および積分に起因する数値的不安定性や収束問題を管理するためのヒューリスティクスを導入する。
• 性能評価のため、CFDを用いた翼型最適化フレームワークに本手法を実装する。
• トレードオフやロバスト性を評価するために、多目的ロバスト設計最適化と定性的に比較する。

実験結果

リサーチクエスチョン

• RQ1 不確実性下の最適化において、密度マッチング指標を効果的に定式化する方法は何か？
• RQ2 OUUにおいてカーネル密度推定と積分を組み合わせた際に生じる数値的課題は何か、そしてそれらをどのように緩和できるか？
• RQ3 密度マッチング手法は、応答分布の制御面で、多目的ロバスト設計最適化と比べてどのように異なるか？
• RQ4 本手法は、高次元かつ不確実性を含むCFDベースの設計問題において、望ましい応答分布を効果的にマッチングできるか？

主な発見

• 翼型最適化の事例において、密度マッチング手法は、目標密度と実際の応答密度との距離を効果的に最小化した。
• ガウスカーネル密度推定の使用により、サンプルデータから複雑な応答分布を高精度で近似できるようになった。
• 数値積分による離散化により、密度距離尺度の非線形性にもかかわらず、取り扱い可能な最適化が可能になった。
• 本手法は、明示的な統計的モーメントや事前定義された性能指標を必要とせず、不確実性を扱う上でロバストで柔軟であることが示された。
• 定性的な比較により、密度マッチング手法は、多目的ロバスト最適化よりも応答分布の形状に対するより直接的な制御を可能にした。