En este artículo se desarrollan métodos de optimización estocástica basados en gradientes para el diseño de experimentos sobre un espacio de parámetros continuo. Dado un estimador de Monte Carlo de ganancia de información esperada, se utiliza un análisis de perturbación infinitesimal para obtener los gradientes de este estimador. así, se está en la capacidad de formular dos enfoques de optimización estocástica basados en gradientes: la aproximación estocástica Robbins-Monro y la aproximación promedio de muestras combinada con un método determinístico cuasi-newtoniano.
Una aproximación de caos polinomial del modelo anticipado (forward model) acelera las evaluaciones objetivo y gradiente en ambos casos. Se discute la implementación de estos métodos y se conduce una comparación empírica de su desempeño. Para demostrar el diseño en un escenario no lineal con modelos anticipados de ecuaciones diferenciales parciales, se usa el problema de colocación del sensor para inversión de fuente.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Análisis de la robustez de la prueba del máximo residuo normalizado para el procesamiento de errores gruesos de mediciones en el estimador de estado de mínimos cuadrados ponderados
Artículo:
Algoritmo híbrido de búsqueda de armonía y de recocido simulado para problemas de localización-inventarios-enrutamiento en el diseño de cadena de suministro
Artículo:
Aplicación del proceso de análisis jerárquico extendido con lógica difusa para la selección de software para logística
Video:
Introducción a los estándares GRI
Artículo:
Diseño organizacional estratégico cuántico: alineación de los sistemas de gestión ciber físicos complejos de la industria 4.0