APPROFONDIMENTI SULLE METODOLOGIE DI … Presentazione dello scenario industriale ..... 3 1.1...
Click here to load reader
Transcript of APPROFONDIMENTI SULLE METODOLOGIE DI … Presentazione dello scenario industriale ..... 3 1.1...
Università degli studi di Genova
Facoltà di Ingegneria
Corso di Laurea in Ingegneria Gestionale
_________________________________________________
Tesina di laurea
AAPPPPRROOFFOONNDDIIMMEENNTTII SSUULLLLEE MMEETTOODDOOLLOOGGIIEE
DDII IINNDDIIVVIIDDUUAAZZIIOONNEE DDEELLLLAA ZZOONNAA
DDEELLLL’’OOTTTTIIMMOO IINN SSIIMMUULLAATTOORRII
IINNDDUUSSTTRRIIAALLII CCOOMMPPLLEESSSSII
_________________________________________________
Relatore: Prof. Ing. Roberto Mosca
Candidato: Pier Giuseppe Giribone
Anno Accademico
2007-2008
I
Approfondimenti sulle metodologie di individuazione della zona dell’ottimo in simulatori industriali complessi
Indice
Introduzione ................................................................. 1
1 Presentazione dello scenario industriale ....................... 3
1.1 Definizione delle variabili del problema ............................ 3
1.2 Modellizzazione del problema esposto .............................. 6
1.3 La grigliatura dei fattori ............................................... 11
1.4 I risultati delle tecniche di ottimizzazione tradizionali ....... 16
2 Gli algoritmi genetici ................................................ 19
2.1 Matlab e la terminologia dei genetic algorithm ................ 20
2.2 L’implementazione di un algoritmo genetico in Matlab ...... 22
2.3 Come lavorano gli algoritmi genetici .............................. 29
2.4 Impostare i parametri corretti ....................................... 36
2.5 Connessione a Simul8 .................................................. 56
3 Le reti neurali ......................................................... 63
3.1 L’architettura delle reti neurali feedforward .................... 64
3.2 L’algoritmo di backpropagation ..................................... 69
3.3 La CGM Neural Network Application ............................... 76
4 Metodologie di magliatura triangolare ........................ 96
4.1 La tassellazione di Voronoi ........................................... 96
4.2 La triangolazione di Delaunay ..................................... 103
4.3 Metodo numerico di implementazione degli algoritmi ..... 113
4.4 Connessione a Simul8 ................................................ 115
5 Rappresentazione grafica del simplesso di Nelder ....... 127
5.1 La funzione patch di Matlab ........................................ 127
5.2 La funzione patch e la costruzione grafica dei simplessi .. 135
5.3 Visual Simplex .......................................................... 143
Bibliografia ................................................................ 169
Indice delle figure e tabelle ......................................... 178
1
Approfondimenti sulle metodologie di individuazione della zona dell’ottimo in simulatori industriali complessi
Introduzione
Il presente elaborato costituisce un approfondimento della Tesi di Laurea triennale
in Ingegneria Gestionale “Metodologie di individuazione della zona dell’ottimo nella
simulazione discreta e stocastica di impianti industriali complessi”. Partendo dai
risultati già ottenuti, ci si propone di selezionare, di analizzare ed implementare in
una procedura automatizzata altre tipologie di tecniche dell’ottimo, atte a migliorare
i risultati già conseguiti.
Nel primo capitolo viene proposta la presentazione dello scenario industriale
comune alla tesi di primo livello, tradotto da un modello di simulazione, di cui viene
definita la funzione obiettivo economica da massimizzare. Vengono inoltre
brevemente ricordati i risultati ottenuti dalle metodologie di ottimizzazione già
analizzate ed oggetto di comparazione: tecniche di calcolo sequenziale del
gradiente (Steepest Ascent, DFP e BFGS method), tecniche di ricerca diretta (GPS
N+1, GPS 2N, MADS N+1 e MADS 2N) e l’algoritmo del simplesso di Nelder e Mead
in versione originale.
Nel secondo capitolo vengono presi in considerazione gli algoritmi genetici e le
relative modalità di utilizzo in ambiente Matlab, per esplorare la superficie di
risposta di un simulatore industriale. Il loro impiego risulta particolarmente indicato
per studiare i punti di stazionarietà di fitness function, particolarmente critici da
approcciare con i metodi convenzionali.
Il terzo capitolo analizza una rete neurale adattattiva (CGM Neural Network
Application) e le sue prestazioni nell’impiego in ambito simulativo; in particolare
vengono considerate fasi di apprendimento condotte su differenti numerosità di run
d’indagine disponibili.
Il quarto capitolo affronta le principali tipologie di magliatura triangolare,
focalizzando in particolare la triangolazione di Delaunay in abbinamento con
l’algoritmo di Nelder e Mead in versione originale, pervenendo ad una chiara
rappresentazione magliata del percorso tridimensionale seguito dal simplesso.
Il quinto capitolo affronta l’implementazione della funzione patch in ambiente
Matlab, finalizzata alla visualizzazione grafica dei passi seguiti dal simplesso. Nella
2
Approfondimenti sulle metodologie di individuazione della zona dell’ottimo in simulatori industriali complessi
seconda parte viene presentato il programma Visual Simplex, che, oltre a costruire
dinamicamente i triangoli, implementa la versione modificata del simplesso di
Nelder e Mead, il cui utilizzo è risultato più efficiente in termini prestazionali della
versione originale.
A parte il primo capitolo di introduzione al problema e di raccordo con la tesi di
primo livello, i successivi rappresentano studi mono-tematici, svincolati gli uni dagli
altri, che consentono la possibile valutazione prestazionale indipendente e
comparativa sull’efficienza di raggiungimento della regione di stazionarietà in una
generica superficie di risposta.
Per il proseguo dello studio, si ritiene oltremodo interessante continuare ad
approfondire le metodologie di individuazione della zona dell’ottimo, estendendo
l’analisi ad ulteriori tecniche, proprie della ricerca operativa, quali la Tabu Search, la
Simulated Annealing, l’Ant Colony Optimization, la Particle Swarm Optimization e la
k-opt.