Academic Journal
Оптимизационные модели подбора параметров технологических процессов на основе результатов машинного обучения: Optimization models for selecting parameters of technological processes based on the machine learning results
| Τίτλος: | Оптимизационные модели подбора параметров технологических процессов на основе результатов машинного обучения: Optimization models for selecting parameters of technological processes based on the machine learning results |
|---|---|
| Πηγή: | Информационные и математические технологии в науке и управлении. :45-56 |
| Στοιχεία εκδότη: | Melentiev Energy Systems Institute, 2023. |
| Έτος έκδοσης: | 2023 |
| Θεματικοί όροι: | математическое программирование, классификация, прочность агломерата, исследование операций, регрессия, машинное обучение |
| Περιγραφή: | При решении практических задач достаточно часто возникает необходимость одновременного применения методов машинного обучения и методов исследования операций. Так как в основе многих методов решения задач в обеих областях может лежать кардинально отличающийся друг от друга математический инструментарий, то объединить их результаты в единый комплекс будет невозможно. В данной статье приведен взаимосвязанный комплекс моделей машинного обучения и исследования операций, предназначенный для подбора параметров технологических процессов. Все модели имеют общую математическую базу на основе задач математического программирования с частично-целочисленными переменными. Модели апробированы на реальной задаче подбора состава шихты и технологических параметров агломерационного производства и приведены в последовательности их возникновения в процессе решения задач, поставленных заказчиками исследования. На первом этапе на основе задач регрессии осуществляется отбор наиболее информативных входных признаков и степень их влияния на выходные признаки. Затем на основе задач классификации определяются рекомендуемые области управляемых входных признаков для получения высококачественной продукции. Данные области могут иметь достаточно сложную геометрическую конфигурацию в пространстве признаков. Далее в рамках задач исследования операций определяется эталонные состояния процесса, к которым необходимо стремиться. На заключительном этапе результаты всех предыдущих исследований объединяются в единую оптимизационную модель, которая может быть дополнена результатами исследований, полученных из других источников информации, если эти результаты можно представить как линейные ограничения. Предлагаемый подход к оптимизации параметров может быть использован в различных предметных областях. |
| Τύπος εγγράφου: | Article |
| Γλώσσα: | Russian |
| ISSN: | 2413-0133 |
| DOI: | 10.25729/esi.2023.30.2.005 |
| Αριθμός Καταχώρησης: | edsair.doi...........e6cf6567c93d53a351841dba1e527ca9 |
| Βάση Δεδομένων: | OpenAIRE |
| FullText | Text: Availability: 0 |
|---|---|
| Header | DbId: edsair DbLabel: OpenAIRE An: edsair.doi...........e6cf6567c93d53a351841dba1e527ca9 RelevancyScore: 948 AccessLevel: 3 PubType: Academic Journal PubTypeId: academicJournal PreciseRelevancyScore: 947.626586914063 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Оптимизационные модели подбора параметров технологических процессов на основе результатов машинного обучения: Optimization models for selecting parameters of technological processes based on the machine learning results – Name: TitleSource Label: Source Group: Src Data: <i>Информационные и математические технологии в науке и управлении</i>. :45-56 – Name: Publisher Label: Publisher Information Group: PubInfo Data: Melentiev Energy Systems Institute, 2023. – Name: DatePubCY Label: Publication Year Group: Date Data: 2023 – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22математическое+программирование%22">математическое программирование</searchLink><br /><searchLink fieldCode="DE" term="%22классификация%22">классификация</searchLink><br /><searchLink fieldCode="DE" term="%22прочность+агломерата%22">прочность агломерата</searchLink><br /><searchLink fieldCode="DE" term="%22исследование+операций%22">исследование операций</searchLink><br /><searchLink fieldCode="DE" term="%22регрессия%22">регрессия</searchLink><br /><searchLink fieldCode="DE" term="%22машинное+обучение%22">машинное обучение</searchLink> – Name: Abstract Label: Description Group: Ab Data: При решении практических задач достаточно часто возникает необходимость одновременного применения методов машинного обучения и методов исследования операций. Так как в основе многих методов решения задач в обеих областях может лежать кардинально отличающийся друг от друга математический инструментарий, то объединить их результаты в единый комплекс будет невозможно. В данной статье приведен взаимосвязанный комплекс моделей машинного обучения и исследования операций, предназначенный для подбора параметров технологических процессов. Все модели имеют общую математическую базу на основе задач математического программирования с частично-целочисленными переменными. Модели апробированы на реальной задаче подбора состава шихты и технологических параметров агломерационного производства и приведены в последовательности их возникновения в процессе решения задач, поставленных заказчиками исследования. На первом этапе на основе задач регрессии осуществляется отбор наиболее информативных входных признаков и степень их влияния на выходные признаки. Затем на основе задач классификации определяются рекомендуемые области управляемых входных признаков для получения высококачественной продукции. Данные области могут иметь достаточно сложную геометрическую конфигурацию в пространстве признаков. Далее в рамках задач исследования операций определяется эталонные состояния процесса, к которым необходимо стремиться. На заключительном этапе результаты всех предыдущих исследований объединяются в единую оптимизационную модель, которая может быть дополнена результатами исследований, полученных из других источников информации, если эти результаты можно представить как линейные ограничения. Предлагаемый подход к оптимизации параметров может быть использован в различных предметных областях. – Name: TypeDocument Label: Document Type Group: TypDoc Data: Article – Name: Language Label: Language Group: Lang Data: Russian – Name: ISSN Label: ISSN Group: ISSN Data: 2413-0133 – Name: DOI Label: DOI Group: ID Data: 10.25729/esi.2023.30.2.005 – Name: AN Label: Accession Number Group: ID Data: edsair.doi...........e6cf6567c93d53a351841dba1e527ca9 |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edsair&AN=edsair.doi...........e6cf6567c93d53a351841dba1e527ca9 |
| RecordInfo | BibRecord: BibEntity: Identifiers: – Type: doi Value: 10.25729/esi.2023.30.2.005 Languages: – Text: Russian PhysicalDescription: Pagination: PageCount: 12 StartPage: 45 Subjects: – SubjectFull: математическое программирование Type: general – SubjectFull: классификация Type: general – SubjectFull: прочность агломерата Type: general – SubjectFull: исследование операций Type: general – SubjectFull: регрессия Type: general – SubjectFull: машинное обучение Type: general Titles: – TitleFull: Оптимизационные модели подбора параметров технологических процессов на основе результатов машинного обучения: Optimization models for selecting parameters of technological processes based on the machine learning results Type: main BibRelationships: IsPartOfRelationships: – BibEntity: Dates: – D: 10 M: 07 Type: published Y: 2023 Identifiers: – Type: issn-print Value: 24130133 – Type: issn-locals Value: edsair – Type: issn-locals Value: edsairFT Titles: – TitleFull: Информационные и математические технологии в науке и управлении Type: main |
| ResultId | 1 |