PyROS: سالور بهینه‌سازی استوار در Pyomo (مقالهٔ مرجع)

PyROS (Pyomo Robust Optimization Solver) سالوری برای حل مسائل بهینه‌سازی استوار (Robust Optimization) است که به‌صورت رایگان همراه بستهٔ Pyomo ارائه می‌شود. این مقالهٔ ۴۹ صفحه‌ای، مرجع اصلی PyROS است و توسط سازندگان آن از دانشگاه کارنگی ملون، آزمایشگاه ملی شمال‌غرب اقیانوس آرام (PNNL) و آزمایشگاه‌های ملی سندیا نوشته شده است.

PyROS چه مسئله‌ای را حل می‌کند؟

در بیشتر مسائل واقعی، بخشی از پارامترها قطعی نیستند: تقاضا، قیمت انرژی، بازده تجهیزات یا تولید منابع تجدیدپذیر. جوابی که برای مقدار اسمی این پارامترها بهینه است، ممکن است با کوچک‌ترین انحراف ناشدنی شود. بهینه‌سازی استوار به‌جای یک مقدار، یک مجموعهٔ عدم قطعیت تعریف می‌کند و دنبال جوابی می‌گردد که برای همهٔ مقادیر داخل آن مجموعه شدنی بماند.

مزیت اصلی PyROS این است که شما فقط مدل قطعی خود را در Pyomo می‌نویسید و مجموعهٔ عدم قطعیت را مشخص می‌کنید. لازم نیست مسئلهٔ استوار را خودتان بازنویسی (reformulate) کنید؛ PyROS این کار را خودکار انجام می‌دهد. این همان چیزی است که PyROS را برای مدل‌های غیرخطی سیستم قدرت و مهندسی فرایند جذاب می‌کند، جایی که روش‌های بازنویسی کلاسیک معمولاً قابل استفاده نیستند.

مهم‌ترین مفاهیم مقاله

• مسائل دومرحله‌ای: بخشی از تصمیم‌ها «اکنون و اینجا» گرفته می‌شوند و بخشی بعد از مشاهدهٔ عدم قطعیت. PyROS تصمیم‌های مرحلهٔ دوم را با قواعد تصمیم ایستا، خطی (affine) یا درجهٔ دوم تقریب می‌زند.
• قیدهای تساوی نامعین و مدل‌های غیرمحدب: برخلاف بسیاری از ابزارها، PyROS برای مسائل غیرخطی و غیرمحدب با قیدهای تساوی وابسته به عدم قطعیت طراحی شده است.
• الگوریتم برش مجموعه (Cutting-Set): به‌جای کل مجموعهٔ عدم قطعیت، با چند نقطهٔ نمونه شروع می‌کند و در هر تکرار، بدترین نقطه‌ای را که جواب فعلی را نقض می‌کند پیدا و به مسئله اضافه می‌کند.
• نُه نوع مجموعهٔ عدم قطعیت آماده: جعبه‌ای (Box)، کاردینالیتی یا گاما، بودجه (Budget)، مدل عاملی (Factor Model)، چندوجهی، بیضوی هم‌محور، بیضوی عمومی، سناریومحور (گسسته) و اشتراک چند مجموعه؛ به‌علاوهٔ امکان تعریف مجموعهٔ دلخواه. مقاله برای هر کدام یک نمونه‌کد کوتاه Pyomo آورده است.
• مقایسه با ابزارهای دیگر: مقاله PyROS را با ابزارهایی مثل JuMPeR، ROME، YALMIP و افزونهٔ استوار AIMMS مقایسه می‌کند.
• مطالعهٔ محاسباتی: PyROS روی کتابخانه‌ای از ۸۵۹۱ نمونهٔ مسئلهٔ استوار غیرخطی آزمایش شده و حدود ۸۲٪ آن‌ها با موفقیت حل شده‌اند؛ یعنی به جواب استوار بهینه یا شدنی رسیده یا ناشدنی بودن استوار آن‌ها اثبات شده است.

مناسب چه کسانی است؟

این مقاله برای دانشجویان تحصیلات تکمیلی و پژوهشگرانی مناسب است که با Pyomo آشنا هستند و می‌خواهند عدم قطعیت را در مدل خود وارد کنند؛ به‌ویژه در سیستم‌های قدرت و انرژی، مهندسی فرایند و زنجیرهٔ تأمین. پیش‌نیاز آن آشنایی با برنامه‌ریزی غیرخطی و مفهوم بهینه‌سازی استوار است.

چطور کنار آموزش‌های سایت از آن استفاده کنیم؟

اگر با روش‌های مدل‌سازی عدم قطعیت آشنا نیستید، ابتدا یادداشت مدل‌سازی عدم‌قطعیت در سیستم‌های قدرت را بخوانید که رویکردهای تصادفی، فازی، استوار و IGDT را مقایسه می‌کند. برای کار با Pyomo و نصب سالورهایی که PyROS به آن‌ها نیاز دارد، بهینه‌سازی با Pyomo و سه روش عملی استفاده از سالورها در Pyomo نقطهٔ شروع مناسبی‌اند.

برای یادگیری ساختاریافته، دورهٔ مدل‌سازی عدم قطعیت در بهینه‌سازی روش‌های استوار را در کنار روش‌های دیگر آموزش می‌دهد، و دورهٔ بهینه‌سازی پیشرفتهٔ سیستم قدرت کاربرد آن‌ها را در مسائل واقعی شبکهٔ برق نشان می‌دهد. مسیر کامل یادگیری Pyomo در راهنمای جامع آموزش Pyomo آمده است.

منبع و حق نشر

• نویسندگان: Jason A. F. Sherman، Natalie M. Isenberg، John D. Siirola و Chrysanthos E. Gounaris
• منبع رسمی: این مقاله در Optimization Online منتشر شده و دکمهٔ دانلود این صفحه مستقیماً به نسخهٔ رسمی آن در همان سایت لینک می‌دهد. فایل مقاله روی optexpert.org بازنشر نشده است.
• حق نشر: همهٔ حقوق مقاله متعلق به نویسندگان آن است.
• مستندات رسمی PyROS: مستندات Pyomo

متن این صفحه معرفی و خلاصهٔ فارسی مقاله است که توسط optexpert.org نوشته شده و ترجمهٔ متن مقاله نیست.