IOSO ( Optimización Indirecta sobre la Base de la Autoorganización ) es una tecnología de optimización no lineal multidimensional y multiobjetivo .
La tecnología IOSO se basa en el enfoque de la metodología de superficie de respuesta . En cada iteración IOSO, el modelo de superficie de respuesta construido internamente para el objetivo se optimiza dentro de la región de búsqueda actual. A este paso le sigue una llamada directa al modelo matemático real del sistema para el punto óptimo candidato obtenido a partir de la optimización del modelo de superficie de respuesta interna. Durante la operación IOSO, la información sobre el comportamiento del sistema se almacena para los puntos en la vecindad del extremo, de modo que el modelo de superficie de respuesta se vuelve más preciso para esta área de búsqueda. Los siguientes pasos se realizan internamente mientras se pasa de una iteración IOSO a otra:
IOSO se basa en la tecnología que Sigma Technology ha desarrollado durante más de 20 años y que surgió del Centro Tecnológico IOSO en 2001. Sigma Technology está dirigida por el profesor Egorov IN, CEO.
IOSO es el nombre del grupo de software multidisciplinar de optimización de diseño que funciona tanto en Microsoft Windows como en sistemas operativos Unix / Linux y fue desarrollado por Sigma Technology. Se utiliza para mejorar el rendimiento de sistemas complejos y procesos tecnológicos y para desarrollar nuevos materiales en función de la búsqueda de sus parámetros óptimos. IOSO se integra fácilmente con casi cualquier herramienta de ingeniería asistida por ordenador (CAE).
El grupo de software IOSO consta de:
El modelo IOSO NM se utiliza para maximizar o minimizar las características del sistema o del objeto, que pueden incluir el rendimiento, el coste o las cargas del objeto en cuestión. La búsqueda de valores óptimos para las características del objeto o del sistema se lleva a cabo mediante un cambio óptimo en el diseño, la geometría u otros parámetros del objeto.
A menudo es necesario seleccionar o coordinar parámetros de gestión del sistema mientras está en funcionamiento para lograr un determinado efecto durante el funcionamiento del sistema o para reducir el impacto de algunos factores en el sistema.
Cuando el proceso de diseño implica el uso de modelos matemáticos de objetos reales, ya sean comerciales o corporativos, existe el problema de coordinar los hallazgos experimentales y los resultados de los cálculos del modelo. Todos los modelos implican un conjunto de factores o constantes desconocidos. La búsqueda de sus valores óptimos permite coordinar los hallazgos experimentales y los resultados de los cálculos del modelo.
La aplicación práctica de los resultados de la optimización numérica es difícil porque cualquier sistema técnico complejo es un sistema estocástico y las características de este sistema tienen una naturaleza probabilística. Nos gustaría enfatizar que, al hablar de las propiedades estocásticas de un sistema técnico en el marco de las tareas de optimización, implicamos que los parámetros importantes de cualquier sistema se distribuyen de forma estocástica. Normalmente, esto ocurre durante la etapa de producción a pesar del nivel actualizado de la tecnología moderna. Las desviaciones aleatorias de los parámetros del sistema conducen a un cambio aleatorio en la eficiencia del sistema.
Un valor extremo de eficiencia, obtenido durante el problema de optimización al resolverlo con el enfoque tradicional (determinista), es simplemente un valor máximo alcanzable y puede considerarse simplemente como un óptimo convencional desde el punto de vista de su realización práctica. Por lo tanto, se pueden considerar dos tipos diferentes de criterios de optimización. Uno de ellos es una eficiencia ideal que se puede lograr bajo las condiciones de una réplica práctica absolutamente precisa de los parámetros del sistema en consideración. Otros criterios de optimización son de naturaleza probabilística. Por ejemplo: la expectativa matemática de la eficiencia; la probabilidad total de asegurar restricciones preestablecidas; la varianza de la eficiencia, etc. Es evidente que el extremo de uno de estos criterios no garantiza la seguridad del alto nivel de otro. Más aún, estos criterios pueden contradecirse entre sí. Por lo tanto, en este caso tenemos un problema de optimización multiobjetivo .
El concepto IOSO de optimización robusta del diseño y control óptimo robusto permite determinar la solución práctica óptima que podría implementarse con alta probabilidad para el nivel tecnológico dado de las plantas de producción. Muchos enfoques probabilísticos modernos emplean la estimación de criterios de eficiencia probabilística solo en la etapa del análisis de obtención de la solución determinista, o utilizan evaluaciones significativamente simplificadas de criterios probabilísticos durante el proceso de optimización. La característica distintiva de nuestro enfoque es que durante la optimización robusta del diseño resolvemos el problema de optimización que implica una formulación estocástica directa, donde la estimación de criterios probabilísticos se realiza en cada iteración. Este procedimiento produce de manera confiable una solución óptima completamente robusta. La alta eficiencia de la optimización robusta del diseño se garantiza mediante las capacidades de los algoritmos IOSO para resolver problemas de optimización estocástica con un alto nivel de ruido.
Ejemplos de aplicación