CN113779819B - 考虑混合不确定因素的电工装备的智能鲁棒性优化方法 - Google Patents
考虑混合不确定因素的电工装备的智能鲁棒性优化方法 Download PDFInfo
- Publication number
- CN113779819B CN113779819B CN202110817682.5A CN202110817682A CN113779819B CN 113779819 B CN113779819 B CN 113779819B CN 202110817682 A CN202110817682 A CN 202110817682A CN 113779819 B CN113779819 B CN 113779819B
- Authority
- CN
- China
- Prior art keywords
- optimization
- model
- objective function
- algorithm
- variable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013461 design Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000005070 sampling Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 239000003795 chemical substances by application Substances 0.000 claims description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 5
- 238000000556 factor analysis Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000004870 electrical engineering Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013433 optimization analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及工程优化技术领域，具体涉及一种考虑混合不确定因素（概率型和区间型）的电工装备的智能鲁棒性优化方法。该方法主要针对电气工程领域的实际工程问题中多种类型的不确定因素同时存在的情况下，采用三层嵌套优化模型和全局优化算法在设计空间内搜寻鲁棒最优解，有效避免了只考虑单一不确定因素优化模型的解易保守且误差大的问题；同时，本发明还提供了一种智能鲁棒性优化设计流程，更加迅速、便捷的对电工装备进行设计。
Description
技术领域
本发明涉及工程优化技术领域，具体而言，涉及一种考虑混合不确定因素(概率型和区间型)的电工装备的智能鲁棒性优化方法。
背景技术
近几年，随着互联网和人工智能等学科技术的兴起，使用极简化操作界面的软件和应用便日益增多，使用者只需在界面中输入参数便可自动得出优化结果，大大提高了效率。
在实际的电气工程领域实际问题中，普遍存在着诸如生产误差、材料特性的差异等不确定因素，这些不确定因素必然影响产品的性能。然而，早期的优化设计通常忽略不确定因素的影响，因而获得的优化结果往往无法达到预期的性能要求，因此对于电工装备的不确定性优化设计进行理论和应用研究，具有重要的理论价值和现实意义。
对于不确定因素的类型分为概率型和非概率型，现有的研究往往都只单独考虑概率型不确定因素或者单独考虑非概率型不确定因素。然而，实际工程中往往多种类型的不确定因素同时存在，若仅用某一种不确定因素进行描述，难以得到满意的结果。
发明内容
发明目的：
本发明提供了一种考虑混合不确定因素的电工装备的智能鲁棒性优化方法，其目的在于解决现有技术仅用某一种不确定因素进行描述，得到的最优解过于保守且误差大的问题。
技术方案：
考虑混合不确定因素的电工装备的智能鲁棒性优化方法，其特征在于，所述优化方法是在同时存在概率型和区间型不确定因素的基础上，通过三层嵌套优化模型和粒子群优化算法进行工程问题的寻优，具体实现步骤如下：
步骤1：分析实际工程问题，确定设计变量、不确定因素类型及优化目标、约束函数；
步骤2：根据各个设计变量的的取值范围进行拉丁超立方采样，并应用有限元法计算各样本点的目标函数值和约束函数值；
步骤3：根据样本点及其目标函数值和约束函数值，分别构建目标函数和约束函数的代理模型，并检查模型精度是否满足工程精度要求；如果模型精度不满足要求，则进一步增加采样点，返回步骤2；如果满足要求，则转步骤4；
步骤4：基于所建立的目标函数和约束函数的代理模型开展鲁棒性优化搜索；
步骤5：基于整个优化过程，开发出一种智能鲁棒性优化算法；该算法由不同的程序设计模块实现，包含主程序模块，试验设计模块，不确定因素分析模块和拉丁超立方采样模块，代理模型构建模块，结合鲁棒性优化方法和优化算法的预测优化模块。
所述步骤4中，对于混合不确定因素的鲁棒性优化方法采用的是三层嵌套模型；顶层模型主要采用区间算法来计算各目标函的上下界及其中点和半径；第二层子模型主要采用泰勒近似算法及中心点法来计算目标函数中点和半径的均值和方差；底层在设计空间内搜寻最优解；
首先，对于在一定约束条件下，目标函数最小化的问题，本发明所涉及的混合不确定因素优化问题的数学表述形式为公式(1)：
其中，f(xr,xI)是待优化的目标函数，gi(xr,xI)≤0为约束条件；n维设计变量向量x均含有不确定因素，分为概率型和区间型，分别用xr和xI表示；x＝[xr,xI]，xr＝[xr1，xr2,...xrk]，k+t＝n；xr L和xr U为概率型设计变量的上限和下限；xI L和xI U为区间型设计变量的上限和下限；
顶层模型处理区间型变量，其中概率型设计变量取其均值μxr；对于区间型变量xI，其在不确定因素影响下，其波动范围为[xI-ΔxI,xI+ΔxI]，其中ΔxI为最大的波动值；采用区间算法来计算目标函数的上下界及相应的中点和半径，目标函数f(xI,xr)在区间[xI-ΔxI,xI+ΔxI]内波动的最小值和最大值分别表示为fL(xI,μxr)和fU(xI,μxr)，则目标函数的中点fm(xI,μxr)和半径fr(xI,μxr)可通过公式(2)和公式(3)表示：
在顶层模型的基础上，第二层子模型处理概率型变量；在此过程中，采用泰勒近似算法及中心点法来衡量概率型变量对目标函数的影响，采用泰勒近似方法计算目标函数的中点fm(xI,μxr)对应的均值μfm和标准差σfm见公式(4)：
μfm(xI,μxr)≈fm(xI,μxr)
其中σ2 xri是为第i个概率型变量的方差，式中用到了目标函数的梯度信息，对于不易获得梯度信息的问题一般采用蒙特卡罗法来获取均值和标准差：
式中N是蒙特卡罗实验的仿真次数，对于半径fr(xI,μxr)的均值μfr和标准差σfr可采用同样的公式(4)或(5)来获得；
底层在设计空间内对下述优化问题进行求解：
其中，对于约束函数的鲁棒性，将概率型随机变量xr看成[xr-3σ,xr+3σ]范围内的区间变量，寻找约束函数的上限gi U，使其满足约束即可。
所述步骤5中，代理模型包括克里金法近似模型、多项式响应面模型；优化算法包括粒子群算法、遗传算法、差分进化算法。
所述步骤5中，智能鲁棒性优化界面，在变量和不确定因素类型信息已知的条件下，使用者可根据界面上的操作引导通过点击试验设计、建立代理模型、预测优化界面得出最优解。
优点及效果：
本发明所公开的一种考虑混合不确定因素的电工装备的智能鲁棒性优化方法，其具有以下优点：
1.能够考虑到多种类型不确定因素同时存在的情况，采用三层嵌套优化模型和全局优化算法在设计空间内搜寻鲁棒最优解，有效避免了只考虑单一不确定因素优化模型的解易保守且误差大的问题。
2.对于设计的智能鲁棒性优化界面，使用者只需要输入变量的参数便可以自动计算出最优解，省时、高效。
附图说明
附图1为本发明的方法流程图；
附图2为本发明的主界面示意图；
附图3为本发明的试验设计界面示意图；
附图4为本发明的建立代理界面示意图；
附图5为本发明的预测优化分析界面示意图。
具体实施方式
下面结合附图对本发明进一步描述：
如图1所示，一种考虑混合不确定因素的电工装备的智能鲁棒性优化方法，步骤如下：
步骤1：分析实际工程问题，确定设计变量、不确定因素类型及优化目标、约束函数等。
步骤2：根据各个变量的取值范围进行拉丁超立方采样，并应用有限元法获得各样本点的性能指标(目标函数值和约束函数值)。
步骤3：根据样本点及其目标函数值和约束函数值，分别构建目标函数和约束函数的代理模型，并检查模型精度是否满足要求。如果模型精度不满足要求，则进一步增加采样点，返回步骤2；如果满足要求，则转步骤4。
步骤4：基于所建立的目标函数和约束函数的代理模型开展鲁棒性优化搜索。
首先，对于在一定约束条件下，目标函数最小化的问题，本发明所涉及的混合不确定因素鲁棒性优化设计问题的数学表述形式为：
其中，f(xr,xI)是待优化的目标函数，gi(xr,xI)≤0为约束条件；本发明中，问题(1)中的n维设计变量向量x均含有不确定因素，分为概率型和区间型，分别用xr和xI表示。x＝[xr,xI]，xr＝[xr1，xr2,...xrk]，k+t＝n。xr L和xr U为概率型设计变量的上限和下限；xI L和xI U为区间型设计变量的上限和下限。
顶层模型处理区间型变量，其中概率型设计变量取其均值μxr。对于区间型变量xI，其在不确定因素影响下，其波动范围为[xI-ΔxI,xI+ΔxI]，其中ΔxI为最大的波动值。采用区间算法来计算目标函数的上下界及相应的中点和半径。目标函数f(xI,xr)在区间[xI-ΔxI,xI+ΔxI]内波动的最小值和最大值分别表示为fL(xI,μxr)和fU(xI,μxr)。则目标函数的中点fm(xI,μxr)和半径fr(xI,μxr)可表示为：
在顶层模型的基础上，第二层子模型处理概率型变量。在此过程中，采用泰勒近似算法及中心点法来衡量概率型变量对目标函数的影响。采用泰勒近似方法计算目标函数的中点fm(xI,μxr)对应的均值μfm和标准差σfm为：
μfm(xI,μxr)≈fm(xI,μxr)
其中σ2 xri是为第i个概率型变量的方差。式中用到了目标函数的梯度信息，对于不易获得梯度信息的问题一般采用蒙特卡罗法来获取均值和标准差：
式中N是蒙特卡罗实验的仿真次数。对于半径fr(xI,μxr)的均值μfr和标准差σfr可采用同样的方法(4)或(5)来获得。
底层在设计空间内对下述优化问题进行求解：
其中，对于约束函数的鲁棒性，将概率型随机变量xr看成[xr-3σ,xr+3σ]范围内的区间变量。寻找约束函数的上限gi U，使其满足约束即可。
步骤5：基于整个优化过程，开发出一种智能鲁棒性优化算法。该算法由不同的程序设计模块实现，主要包含主程序模块，试验设计模块，不确定因素分析模块和拉丁超立方采样模块；代理模型(Kriging近似模型，多项式响应面模型等)构建模块，结合鲁棒性优化方法和优化算法(如粒子群算法、遗传算法、差分进化算法等)的预测优化模块。
如图2所示,本发明的提供的用户界面设计包括：主界面，它有产品标识、用户操作引导、当前操作进度显示、最终结果展示等元素和功能。使用者可按照提示依次点击不确定因素的类型、试验设计、建立代理模型、预测及优化等按钮来打开各子模块窗口，在子模块窗口内进行具体操作并得到相应的结果。最终的设计及优化结果也将呈现在主界面下方的文字框中。
如图3所示，试验设计界面之前需要先对不确定因素的类型进行分析，主要包括概率型、区间型和混合型；然后在进行试验设计阶段。本界面的主要作用是在设计空间中对自变量或系统输入参数进行实验模拟抽样，得到满足一定要求的样本点，以便后边进行代理模型的构建和检测。试验设计界面所选择的抽样方法为拉丁超立方采样方法。例如所分析的不确定因素为区间型，使用者可在下方的编辑框中输入自变量的维度和取值范围，点击设置按钮便可在左下角的表格中看到样本点数据，还可点击画图选择查看各样本点在空间分布的情况。若使用者需要将数据点导出，可以点击“保存”按钮将样本点保存到excel文件中，以便于根据样本点仿真计算得到对应的响应值。
如图4所示，建立代理模型界面是基于已有的样本点数据模拟自变量和响应值之间的关系。在电工设备的优化设计过程，代理模型能代替反复无序的有限元仿真计算过程，有效节省成本，缩短设计周期。本界面可以分为两个部分：模型选项及显示部分、模型数据操作部分。使用者建立和检测代理模型所需的训练点和测试点可以直接采用试验设计所得出的样本点，模型的精度结果将会显示在左侧中部区域，若代理模型的精度不足，可以增加训练点的数目重新建立代理模型并检查精度。
如图5所示，预测优化分析界面是基于所建立的代理模型基础上，对于不同的不确定因素选择合适的鲁棒性优化方法，结合优化算法在空间中搜寻最优解。
以上技术特征构成了本发明的实施例，其具有较强的适应性和实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
Claims (3)
1.考虑混合不确定因素的电工装备的智能鲁棒性优化方法，其特征在于，所述优化方法是在同时存在概率型和区间型不确定因素的基础上，通过三层嵌套优化模型和粒子群优化算法进行工程问题的寻优，具体实现步骤如下：
步骤1：分析实际工程问题，确定设计变量、不确定因素类型及优化目标、约束函数；
步骤2：根据各个设计变量的的取值范围进行拉丁超立方采样，并应用有限元法计算各样本点的目标函数值和约束函数值；
步骤3：根据样本点及其目标函数值和约束函数值，分别构建目标函数和约束函数的代理模型，并检查模型精度是否满足工程精度要求；如果模型精度不满足要求，则进一步增加采样点，返回步骤2；如果满足要求，则转步骤4；
步骤4：基于所建立的目标函数和约束函数的代理模型开展鲁棒性优化搜索；
步骤5：基于整个优化过程，开发出一种智能鲁棒性优化算法；该算法由不同的程序设计模块实现，包含主程序模块，试验设计模块，不确定因素分析模块和拉丁超立方采样模块，代理模型构建模块，结合鲁棒性优化方法和优化算法的预测优化模块；
所述步骤4中，对于混合不确定因素的鲁棒性优化方法采用的是三层嵌套模型；顶层模型主要采用区间算法来计算各目标函的上下界及其中点和半径；第二层子模型主要采用泰勒近似算法及中心点法来计算目标函数中点和半径的均值和方差；底层在设计空间内搜寻最优解；
首先，对于在一定约束条件下，目标函数最小化的问题，本发明所涉及的混合不确定因素优化问题的数学表述形式为公式(1)：
其中，f(xr,xI)是待优化的目标函数，gi(xr,xI)≤0为约束条件；n维设计变量向量x均含有不确定因素，分为概率型和区间型，分别用xr和xI表示；x＝[xr,xI]，xr＝[xr1，xr2,...xrk]，k+t＝n；xr L和xr U为概率型设计变量的上限和下限；xI L和xI U为区间型设计变量的上限和下限；
顶层模型处理区间型变量，其中概率型设计变量取其均值μxr；对于区间型变量xI，其在不确定因素影响下，其波动范围为[xI-ΔxI,xI+ΔxI]，其中ΔxI为最大的波动值；采用区间算法来计算目标函数的上下界及相应的中点和半径，目标函数f(xI,xr)在区间[xI-ΔxI,xI+ΔxI]内波动的最小值和最大值分别表示为fL(xI,μxr)和fU(xI,μxr)，则目标函数的中点fm(xI,μxr)和半径fr(xI,μxr)可通过公式(2)和公式(3)表示：
在顶层模型的基础上，第二层子模型处理概率型变量；在此过程中，采用泰勒近似算法及中心点法来衡量概率型变量对目标函数的影响，采用泰勒近似方法计算目标函数的中点fm(xI,μxr)对应的均值μfm和标准差σfm见公式(4)：
μfm(xI,μxr)≈fm(xI,μxr)
其中σ2 xri是为第i个概率型变量的方差，式中用到了目标函数的梯度信息，对于不易获得梯度信息的问题采用蒙特卡罗法来获取均值和标准差：
式中N是蒙特卡罗实验的仿真次数，对于半径fr(xI,μxr)的均值μfr和标准差σfr可采用同样的公式(4)或(5)来获得；
底层在设计空间内对下述优化问题进行求解：
其中，对于约束函数的鲁棒性，将概率型随机变量xr看成[xr-3σ,xr+3σ]范围内的区间变量，寻找约束函数的上限gi U，使其满足约束即可。
2.根据权利要求1所述的考虑混合不确定因素的电工装备的智能鲁棒性优化方法，其特征在于：所述步骤5中，代理模型包括克里金法近似模型、多项式响应面模型；优化算法包括粒子群算法、遗传算法、差分进化算法。
3.根据权利要求1所述的考虑混合不确定因素的电工装备的智能鲁棒性优化方法，其特征在于：所述步骤5中，智能鲁棒性优化界面，在变量和不确定因素类型信息已知的条件下，使用者可根据界面上的操作引导通过点击试验设计、建立代理模型、预测优化界面得出最优解。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110817682.5A CN113779819B (zh) | 2021-07-19 | 2021-07-19 | 考虑混合不确定因素的电工装备的智能鲁棒性优化方法 |
| ZA2022/07954A ZA202207954B (en) | 2021-07-19 | 2022-07-18 | Intelligent robustness optimization method of electrical equipment considering mixed uncertain factors |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110817682.5A CN113779819B (zh) | 2021-07-19 | 2021-07-19 | 考虑混合不确定因素的电工装备的智能鲁棒性优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113779819A CN113779819A (zh) | 2021-12-10 |
| CN113779819B true CN113779819B (zh) | 2024-03-22 |
Family
ID=78836196
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110817682.5A Active CN113779819B (zh) | 2021-07-19 | 2021-07-19 | 考虑混合不确定因素的电工装备的智能鲁棒性优化方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113779819B (zh) |
| ZA (1) | ZA202207954B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006293483A (ja) * | 2005-04-06 | 2006-10-26 | Japan Aerospace Exploration Agency | ロバスト最適化問題を解く問題処理方法およびその装置 |
| CN102867083A (zh) * | 2012-08-30 | 2013-01-09 | 浙江大学 | 考虑不确定性的压力机滑块机构高刚度轻量化设计方法 |
| CN105718634A (zh) * | 2016-01-15 | 2016-06-29 | 北京航空航天大学 | 一种基于非概率区间分析模型的翼型鲁棒优化设计方法 |
| CN105893699A (zh) * | 2016-04-25 | 2016-08-24 | 北京航空航天大学 | 一种含混合不确定性参数的连杆机构鲁棒综合方法 |
| CN109992848A (zh) * | 2019-03-14 | 2019-07-09 | 浙江大学 | 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法 |
-
2021
- 2021-07-19 CN CN202110817682.5A patent/CN113779819B/zh active Active
-
2022
- 2022-07-18 ZA ZA2022/07954A patent/ZA202207954B/en unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006293483A (ja) * | 2005-04-06 | 2006-10-26 | Japan Aerospace Exploration Agency | ロバスト最適化問題を解く問題処理方法およびその装置 |
| CN102867083A (zh) * | 2012-08-30 | 2013-01-09 | 浙江大学 | 考虑不确定性的压力机滑块机构高刚度轻量化设计方法 |
| CN105718634A (zh) * | 2016-01-15 | 2016-06-29 | 北京航空航天大学 | 一种基于非概率区间分析模型的翼型鲁棒优化设计方法 |
| CN105893699A (zh) * | 2016-04-25 | 2016-08-24 | 北京航空航天大学 | 一种含混合不确定性参数的连杆机构鲁棒综合方法 |
| CN109992848A (zh) * | 2019-03-14 | 2019-07-09 | 浙江大学 | 一种基于负理想解贴近距离的压力机上横梁稳健优化设计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种工程结构的鲁棒优化设计方法;于利磊, 唐文勇, 张圣坤, 范模;上海交通大学学报;20030830(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202207954B (en) | 2023-03-29 |
| CN113779819A (zh) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zi | Sensitivity analysis approaches applied to systems biology models | |
| Sible et al. | Mathematical modeling as a tool for investigating cell cycle control networks | |
| US20070005317A1 (en) | Method and apparatus for integrated modeling, simulation and analysis of chemical and biological systems having a sequence of reactions, each simulated at a reaction time determined based on reaction kinetics | |
| Chakrabarty et al. | Model‐based design of experiments for cellular processes | |
| Miller et al. | Manufacturing assembly time estimation using structural complexity metric trained artificial neural networks | |
| CN113221263A (zh) | 一种考虑分布参数不确定性的机械产品结构失效优化方法 | |
| Sriyudthsak et al. | Mathematical modeling and dynamic simulation of metabolic reaction systems using metabolome time series data | |
| Miskovic et al. | Uncertainty reduction in biochemical kinetic models: Enforcing desired model properties | |
| Bi et al. | Construction of multiscale genome-scale metabolic models: frameworks and challenges | |
| WO2022026069A1 (en) | Kinematic modeling of biochemical pathways | |
| CN113779819B (zh) | 考虑混合不确定因素的电工装备的智能鲁棒性优化方法 | |
| Hao et al. | Design optimization by integrating limited simulation data and shape engineering knowledge with Bayesian optimization (BO-DK4DO) | |
| Chen et al. | Efficient JITL framework for nonlinear industrial chemical engineering soft sensing based on adaptive multi-branch variable scale integrated convolutional neural networks | |
| US20220148685A1 (en) | Free energy landscape modeling with parallel paths | |
| Hart et al. | A mathematical and computational framework for quantitative comparison and integration of large-scale gene expression data | |
| Held et al. | Multiobjective Metamodel-Based Design Optimization—A Review and Classification Approach Using the Example of Engine Development | |
| CN110942149B (zh) | 一种基于信息变化率及条件互信息的特征变量选择方法 | |
| CN116665764B (zh) | 一种预测代谢网络中的缺失反应的方法 | |
| Vankan et al. | Meta-modeling and multi-objective optimization in aircraft Design | |
| US20230281362A1 (en) | Parameter and state initialization for model training | |
| Kurata et al. | Dynamic modeling of metabolic and gene regulatory systems toward developing virtual microbes | |
| CN115859768B (zh) | 一种动态装配作业车间工件完工时间预测方法及装置 | |
| US20220148684A1 (en) | In silico enzymology | |
| Yasojima et al. | Evaluation of bio-inspired algorithms in cluster-based kriging optimization | |
| Gilbert et al. | Computational modelling of kinase signalling cascades |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |