[논문 리뷰] Stochastic simulators based optimization by Gaussian process metamodels - Application to maintenance investments planning issues

Thomas Browne, Bertrand Iooss외 2명|arXiv (Cornell University)|2015. 09. 13.

Advanced Multi-Objective Optimization Algorithms참고 문헌 24인용 수 25

한 줄 요약

이 논문은 계산 비용을 줄이기 위해 스튜디오 시뮬레이터에서 유지보수 투자 전략을 최적화하기 위해 가우시안 프로세스 메타모델을 사용한 분위수 함수 모의 구현 방법을 제안한다. 기저 함수 분해와 적응형 샘플링(QFEI)을 통해 분위수를 모델링함으로써, 최소한의 시뮬레이터 실행 횟수로 거의 최적의 해를 도출한다. 실제 산업 응용 사례인 VME에서 50회의 반복을 수행한 결과, 진짜 최적해에 매우 가까운 해를 확보하였다.

ABSTRACT

This paper deals with the construction of a metamodel (i.e. a simplified mathematical model) for a stochastic computer code (also called stochastic numerical model or stochastic simulator), where stochastic means that the code maps the realization of a random variable. The goal is to get, for a given model input, the main information about the output probability distribution by using this metamodel and without running the computer code. In practical applications, such a metamodel enables one to have estimations of every possible random variable properties, such as the expectation, the probability of exceeding a threshold or any quantile. The present work is concentrated on the emulation of the quantile function of the stochastic simulator by interpolating well chosen basis function and metamodeling their coefficients (using the Gaussian process metamodel). This quantile function metamodel is then used to treat a simple optimization strategy maintenance problem using a stochastic code, in order to optimize the quantile of an economic indicator. Using the Gaussian process framework, an adaptive design method (called QFEI) is defined by extending in our case the well known EGO algorithm. This allows to obtain an "optimal" solution using a small number of simulator runs.

연구 동기 및 목표

• 유지보수 투자 계획에서 스튜디오 시뮬레이터 최적화에 따른 높은 계산 비용을 해결하기 위해.
• 스튜디오 시뮬레이터의 전체 출력 분포, 특히 분위수를 정확하게 예측할 수 있는 메타모델을 개발하기 위해.
• 최소한의 시뮬레이터 실행 횟수로 핵심 경제 지표(NPV 분위수)의 효율적인 최적화를 가능하게 하기 위해.
• 기대 개선도(EI) 기준을 새로운 적응형 설계 알고리즘(QFEI)을 통해 분위수 함수 최적화에 확장하기 위해.
• 실제 산업적 관련성을 지닌 실세계 VME 응용 사례에서 방법을 검증하기 위해.

제안 방법

• 초기 학습 샘플에서의 분위수 출력에 대한 기저 함수 분해를 통해 스튜디오 시뮬레이터의 분위수 함수를 모의하기 위해.
• MMP 알고리즘을 통해 정확도를 유지하면서 항의 수를 최소화하는 대표적인 기저 함수를 선택하기 위해.
• 각 기저 함수 계수를 제약 조건을 포함한 가우시안 프로세스 메타모델로 모델링하여 유효한 분위수 함수 성질을 보장하기 위해.
• 기대 개선도(EI) 기준을 분위수 함수 맥락으로 확장하여, 적응형 설계를 위한 QFEI(분위수 함수 기대 개선도) 알고리즘을 개발하기 위해.
• 관심 분위수의 기대 개선도가 최대가 되는 지점에 새로운 시뮬레이터 실행을 반복적으로 추가하고, 각 단계에서 메타모델을 갱신하기 위해.
• 최종 메타모델을 사용하여 NPV 분포의 원하는 분위수를 최대화하는 최적의 입력 설정을 식별하기 위해.

실험 결과

연구 질문

• RQ1 기저 함수 분해와 가우시안 프로세스 모델링을 통해 스튜디오 시뮬레이터에 대한 분위수 함수 메타모델을 효과적으로 구축할 수 있는가?
• RQ2 기대 개선도 기준을 평균 반응이 아닌 분위수 함수 최적화에 어떻게 적응시킬 수 있는가?
• RQ3 제안된 QFEI 알고리즘이 실세계 유지보수 투자 문제에서 고가의 시뮬레이터 실행 횟수를 최소화하면서 거의 최적의 해를 도출할 수 있는가?
• RQ4 확률 밀도 함수 직접 모의보다 분위수 함수 모의 접근 방식이 최적화 정확도와 효율성 측면에서 뛰어나게 되는가?
• RQ5 다양한 초깃설계와 문제 구성에 대해 QFEI 알고리즘이 얼마나 강건한가?

주요 결과

• QFEI 알고리즘은 진짜 최적해에 매우 가까운 해를 성공적으로 도출하였으며, 추정된 최적 투자 일정(41,47,45,46,19)이 0.4-분위수 NPV -1.74를 기록하여 진짜 최적해인 -1.72에 근접하였다.
• 50회의 반복 후, 초깃설계에서의 0.4-분위수 NPV -1.95에 비해 상당한 개선을 이룩하였다.
• 이 방법은 강건성을 입증하였다: 다양한 초깃설계를 가진 50회의 독립적 반복 실험에서 QFEI 알고리즘은 입력 공간에서 다섯 개의 최상위 해들 중 하나를 항상 도출하였다.
• 이 작업의 최적화 과제에서는 분위수 함수 모의 접근 방식이 직접 밀도 함수 모의보다 더 효율적이었다.
• QFEI 알고리즘은 여전히 고품질의 해로 수렴하면서도 필요한 시뮬레이터 실행 횟수를 줄였으며, 이는 계산 효율성의 타당성을 입증하였다.
• 본 연구는 산업적 유지보수 및 자산 관리 분야에서 복잡한 스튜디오 시뮬레이터의 확장 가능하고 효율적인 최적화를 위한 유망한 첫걸음이다.