大型随机系统之仿真优化演算法

摘要

Chang et al.(2009)提出了一以RSM为基础之方法称为STRONG(Stochastic Trust Region Response Surface Method)。STRONG结合了RSM和非线性规划之信赖区域法(Trust Region Method)消除了原始RSM 上述之三缺点,为一相当吸引人之方法。然而,当处理实务上极为大型之随机系统时，由于STRONG 仍须相当大之计算量,因此在应用上有其困难性。此研究为发展以STRONG为基础之演算法以处理大型随机系统之优化问题。我们发展了一个有效之筛选方法(Screening Method)并将其与STRONG进行整合,称之STRONG-LS,以减少处理大型问题时所需之计算量。更详细的说,我们利用筛选方法于每次运行时筛选出重要因子,再利用筛选出之重要因子建构出小型之反应曲面并进行优化,由于大型问题已被拆解为小型问题,因此可以避免直接处理大型问题时所需要之大量的计算量。本研究提出一套以STRONG为基础之改善方法以处理大型随机系统优化之间题。透过实证研究,我们不但证实了新的方法确实可用来处理大型之间题,并更进一步分析了不同之分群法之计算表现。未来研究方面,我们将考虑使用随机分群法以降低固定分群法所产生之可能偏误(bias),更进一步的,我们计划将发展之方法应用于处理实务问题。