【仿真优化系列讲座(五)】设计存在相关性时聚类分析和优化的高效学习方法

时间:2022-04-29         阅读:

主题:【仿真优化系列讲座(五)】

设计存在相关性时聚类分析和优化的高效学习方法

主讲人:北京大学 彭一杰副教授

主持人:统计学院 肖辉教授

时间:2022年5月5日14:00-15:00

直播平台及会议ID:腾讯会议 969 625 6158

主办单位:统计学院 科研处

主讲人简介:

北京大学光华管理学院副教授,博士生导师。北京大学人工智能研究院、国家健康医疗大数据研究院兼职研究员。本科毕业于武汉大学数学与统计学院,从复旦大学管理学院获博士学位。在美国马里兰大学和乔治梅森大学分别从事过博士后与助理教授工作。主要研究方向包括仿真建模与优化、金融工程与风险管理、人工智能、健康医疗等。主持多项科研基金项目,包括国家优秀青年科学基金项目,国家青年科学基金项目,北京市青年骨干个人项目等。在《Operations Research》,《INFORMS Journal on Computing》和《IEEE Transactions on Automatic Control》等高质量期刊上发表学术论文20余篇。曾获得2019年INFORMS Outstanding Simulation Publication Award,2020年Winter Simulation Conference Best Theory Paper Finalist,2017年IEEE Robotics and Automatic Society Best Paper Award Finalist。目前担任Asia-Pacific Journal of Operational Research期刊 与IEEE Control Systems Society 会议编委,中国运筹学会金融工程与金融风险管理分会常务理事,中国仿真协会人工社会专委会委员,中国人工智能协会社会计算分会理事,中国管理现代化研究会风险管理专业委员会委员,北京运筹学会副秘书长。

内容简介:

我们考虑存在相关性的情境下进行决策的仿真优化问题,提出了一种计算高效的近似方法,用于在动态抽样过程中学习和利用具有相关性的设计的聚类信息。在贝叶斯框架下我们开发了一个动态抽样策略,可以有效地学习每个簇的全局信息以及每个设计的局部信息,以便在所有情况下选出最佳设计。我们证明了所提出的抽样策略是一致的,并达到了渐近最优抽样比。数值实验表明,我们提出的近似方法在性能和复杂度之间取得了很好的平衡,并且我们提出的抽样策略显著提高了存在相关性时仿真优化的效率。

We consider a simulation optimization problem for context-dependent decision-making. This work proposes a computationally efficient approximation method to learn and utilize clustering information of context-dependent designs in a dynamic sampling process. Under a Bayesian framework, we develop a dynamic sampling policy to efficiently learn both the global information of each cluster and local information of each design for selecting the best designs in all contexts. The proposed sampling policy is proved to be consistent and achieve the asymptotically optimal sampling ratio. Numerical experiments show that the proposed approximation method makes a good balance between the performance and complexity, and the proposed sampling policy significantly improves the efficiency in context-dependent simulation optimization.