Supervision : Carola DOERR

Black-Box Optimization Benchmarking on Real-World Industrial Applications

Au cours des deux dernières décennies, il y a eu une explosion de la capacité des ingénieurs à créer des modèles d'éléments finis pour simuler les performances d'un produit complexe. Grâce à ces avancées, le potentiel d'utilisation de l'optimisation pour améliorer la conception technique est désormais plus important que jamais. Cependant, il existe encore des zones grises et des difficultés dans ce domaine. L'un des plus grands obstacles à l'utilisation de l'optimisation est la longue durée d'exécution des simulations et le manque d'informations sur les gradients dans certaines des simulations les plus compliquées, en particulier dans le domaine de la résistance aux chocs, ce qui limite l'ensemble des solveurs disponibles à l'optimisation de la boîte noire sans gradient. algorithmes.
Une approche particulièrement appropriée pour l'optimisation dans des contextes d'ingénierie est l'utilisation d'algorithmes basés sur des substituts. L'un des algorithmes d'optimisation basés sur des substituts les plus couramment utilisés est l'optimisation bayésienne, mais le principal problème de cette approche se produit lorsque la dimension du domaine est élevée. Étant donné que les problèmes d'ingénierie sont souvent de grande dimension, il est nécessaire d'étendre l'efficacité de l'optimisation bayésienne à un plus grand nombre de paramètres.
L'objectif principal de cette thèse est de développer des algorithmes d'optimisation Black-Box efficaces pour des problèmes de grande dimension en mécanique des structures. Les quatre étapes clés qui composent le projet sont les suivantes : collecter et comparer des algorithmes axés sur des problèmes académiques pour évaluer le potentiel et les limites des solveurs de pointe, sélectionner et étudier des référentiels standard en mécanique et effectuer une analyse du paysage de fitness sur eux identifier les principales caractéristiques des fonctions objectives typiques en mécanique et quantifier la similitude entre les problèmes académiques et pratiques. Ensuite, effectuez une analyse des bibliothèques de méthodes d'éléments finis open source disponibles et des cas de test d'optimisation de topologie de cluster pour concevoir une suite de tests d'optimisation de topologie prête à l'emploi et combler le fossé entre les communautés d'optimisation et de mécanique. Enfin, effectuez une sélection manuelle à l'aide d'"assistants" et d'approches d'apprentissage supervisé (sélection d'algorithmes par instance) pour permettre la configuration automatisée des algorithmes et l'optimisation des hyperparamètres, ainsi que le développement d'algorithmes efficaces.

2022-2024 Publications

• 2024
  • M. Santoni, E. Raponi, R. De Leone, C. Doerr : “Comparison of High-Dimensional Bayesian Optimization Algorithms on BBOB”, ACM Transactions on Evolutionary Learning and Optimization, vol. 4 (3), (ACM) (2024)
• 2023
  • M. Santoni, E. Raponi, R. De Leone, C. Doerr : “Comparison of Bayesian Optimization Algorithms for BBOB Problems in Dimensions 10 and 60”, GECCO '23 Companion: Proceedings of the Companion Conference on Genetic and Evolutionary Computation, Lisbon, Portugal, pp. 2390-2393, (ACM), (ISBN: 979-8-4007-0120-7) (2023)
• 2022
  • C. Benjamins, E. Raponi, A. Janković, K. Van der Blom, M. Santoni, M. Lindauer, C. Doerr : “PI is back! Switching Acquisition Functions in Bayesian Optimization”, 2022 NeurIPS Workshop on Gaussian Processes, Spatiotemporal Modeling, and Decision-making Systems, New Orleans, United States (2022)