• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>European Symposium on Computer Aided Process Engineering >Hedging Against Uncertainty in Process Planning: A Data-Driven Adaptive Nested Robust Optimization Approach
【24h】

Hedging Against Uncertainty in Process Planning: A Data-Driven Adaptive Nested Robust Optimization Approach

机译：处理过程规划中不确定性的对冲：数据驱动的自适应嵌套稳健优化方法

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

We propose a data-driven adaptive robust optimization (ARO) framework that leverages big data in process industries. A Bayesian nonparametric model - the Dirichlet process mixture model - is adopted to extract the information embedded within uncertainty data via a variational inference algorithm. We then devise data-driven uncertainty sets for ARO. This Bayesian nonparametric model is seamlessly integrated with adaptive optimization approach through a novel four-level robust optimization framework. This framework explicitly considers the correlation, asymmetry and multimode of uncertainty data, and as a result generates less conservative solutions. Additionally, this framework is robust not only to parameter variations, but also to data outliers. An efficient tailored column-and-constraint generation algorithm is further proposed for the resulting problem that cannot be solved directly by any off-the-shelf optimization solvers. The effectiveness and advantages of the framework and solution algorithm are demonstrated through an application in process network planning.
机译：我们提出了一种数据驱动的自适应稳健优化（ARO）框架，它利用了过程行业的大数据。贝叶斯非参数模型 - 采用Dirichlet过程混合物模型 - 通过变分推理算法提取嵌入在不确定性数据内的信息。然后我们为ARO设计数据驱动的数据驱动的不确定性集。该贝叶斯非参数模型与自适应优化方法无缝集成，通过新颖的四级鲁棒优化框架。该框架明确地考虑了不确定性数据的相关性，不对称和多模，并且因此产生更少保守的解决方案。此外，该框架不仅适用于参数变体，还具有稳健性，而且是数据转位。进一步提出了一种有效的定制列和约束生成算法，用于所得到的问题，不能通过任何特征优化求解器直接解决。通过在过程网络规划中的应用来证明框架和解决方案算法的有效性和优点。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号