Narzędzia użytkownika

Narzędzia witryny


2015:gajda:start
DZIEKAN i RADA WYDZIAŁU
INFORMATYKI, ELEKTRONIKI I TELEKOMUNIKACJI
AKADEMII GÓRNICZO-HUTNICZEJ im. ST. STASZICA W KRAKOWIE
zapraszają na
publiczną dyskusję nad rozprawą doktorską

mgr Ewy Gajdy-Zagórskiej
ADAPTIVE POPULATION-BASED ALGORITHMS FOR SOLVING SINGLE- AND MULTIOBJECTIVE INVERSE PROBLEMS
Termin:21 kwietnia 2015 roku o godz. 11:15
Miejsce:Sala 1.20, pawilon D-17,
ul. Kawiory 21, 30-059 Kraków
PROMOTOR:Prof. dr hab. inż. Robert Schaefer - Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
RECENZENCI:Dr hab. inż. Andrzej Obuchowicz, prof. UZ - Uniwersytet Zielonogórski
Prof. dr hab. inż. Witold Dzwinel - Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
Z rozprawą doktorską i opiniami recenzentów można się zapoznać
w Czytelni Biblioteki Głównej AGH, al. Mickiewicza 30


Adaptive population-based algorithms for solving single- and multiobjective inverse problems


mgr Ewa Gajda-Zagórska


Promotor: prof. dr hab. inż. Robert Schaefer (AGH) Dyscyplina: Informatyka


Rozwiązywanie problemów odwrotnych sformułowanych jako zadania jedno- i wielokryterialnej optymalizacji globalnej jest często trudnym i kosztowym obliczeniowo zadaniem. Z drugiej strony, tego typu problemy są bardzo ważne, ponieważ pojawiają się w kluczowych obszarach technologii, przemysłu i medycyny. Główne trudności w rozwiązywaniu problemów odwrotnych związane są z ich złym uwarunkowaniem, w szczególności z wielomodalnością funkcji kryterialnych i małą wrażliwością na zmianę parametrów w pobliżu rozwiązań. Dotychczasowe metody stosowane do powyższych problemów nie dają satysfakcjonujących wyników jednocześnie pod względem dokładności, kompletności rozwiązań, oraz kosztu obliczeniowego. Zaproponowane algorytmy, ich implementacje oraz matematyczne teorie mają na celu poprawę uwarunkowania, dokładności oraz złożoności rozwiązywania problemów optymalizacji globalnej przez zastosowanie:

  • podwójnej adaptacji dokładności w rozwiązaniach problemów prostych i odwrotnych dla zachowania jednocześnie niskiego kosztu obliczeniowego i małego błędu,
  • wielopopulacyjnej stochastycznej strategii do równoległego poszukiwania wielu ekstremów,
  • wielokryterialnego podejścia bazującego na wielu modelach fizycznych w celu poprawy uwarunkowania problemu, oraz
  • rezultatów częściowej analizy teoretycznej zaproponowanych metod dla zweryfikowania założonych celów.

Głównym celem rozprawy jest pokazanie, że możliwe jest rozwiązywanie trudnych problemów odwrotnych sformułowanych jako jedno- wielokryterialne zadania optymalizacji globalnej przy pomocy adaptacyjnych strategii genetycznych ewoluujących hierarchię populacji.

W rozprawie doktorskiej zaproponowano populacyjne algorytmy optymalizacji jedno- i wielokryterialnej, które mogą być z powodzeniem stosowane do analizy odwrotnej. Rozwinięto algorytmikę z podwójną adaptacją dokładności, łączącą hierarchiczną strategię genetyczną z metodą elementów skończonych oraz z metodą lokalną. Powyższą strategię zastosowano do rozwiązywania problemów wyszukiwania złóż ropy naftowej oraz analizy elastycznych odkształceń. Opracowano także wielokryterialną hierarchiczną strategię genetyczną opartą na selekcji rangowej i optymalności w sensie Pareto. Algorytmika obejmuje przypadek wielu kryteriów, pochodzących z różnych modeli fizycznych i używanych dla poprawienia uwarunkowania trudnych problemów odwrotnych. W tym celu zastosowana jest modyfikacja rang bazująca na incydencji między kryteriami oraz hybrydowa strategia z klastrowaniem próbek genetycznych. Działanie powyższych metod zostało pokazane na wybranych problemach testowych. Wyniki teoretyczne obejmują konstrukcję operatora selekcji i heurystyki dla pewnej klasy wielokryterialnych algorytmów ewolucyjnych oraz wyniki asymptotyczne. Oprócz tego, podano definicję dobrego uwarunkowania dla wielokryterialnych algorytmów ewolucyjnych.


Ważniejsze publikacje dokotorantki:

  1. Barabasz B., Gajda-Zagórska E., Migórski S., Paszyński M., Schaefer R., Smołka M., „A hybrid algorithm for solving inverse problems in elasticity”, International Journal of Applied Mathematics and Computer Science, 24(4): 865-886, 2014.
  2. Gajda-Zagórska E., Schaefer R., Smołka M., Paszyński M., Pardo D., „A hybrid method for inversion of 3D DC resistivity logging measurements”, Natural Computing, 2014, DOI 10.1007/s11047-014-9440-y.
  3. Gajda-Zagórska E., Paszyński M., Schaefer R., Pardo D., „hp-HGS strategy for inverse AC/DC resistivity logging measurement simulations”, Computer Science 14(4):629-644, 2014.
  4. Gajda-Zagórska E., „Multiobjective evolutionary strategy for finding neighbourhoods of Pareto-optimal solutions”, In A. I. Esparcia-Alcázar et al., editors, 16th European conference, EvoApplications 2013, volume 7835 of Lecture Notes in Computer Science pp. 112-121. Springer-Verlag Berlin Heidelberg, 2013.
  5. Gajda-Zagórska E., „Recognizing sets in evolutionary multiobjective optimization”, Journal of Telecommunications and Information Technology 1:74-82, 2012.
  6. Gajda-Zagórska E., Paszyński M., Schaefer R., Pardo D., Calo V., „hp-HGS strategy for inverse 3D DC resistivity logging measurement simulations”, ICCS 2012 : International Conference on Computational Science, Procedia Computer Science 9:927-936, 2012.
  7. Gajda E., Schaefer R., Smołka M., „Evolutionary multiobjective optimization algorithm as a Markov system”, In R. Schaefer, C. Cotta, J. Kołodziej, and G. Rudolph, editors, Parallel Problem Solving from Nature - PPSN XI, volume 6238 of Lecture Notes in Computer Science, pp. 617-626. Springer-Verlag Berlin Heidelberg, 2010.

2015/gajda/start.txt · ostatnio zmienione: 2015/04/10 11:35 przez Ewa Gajda-Zagórska