요리 최적화 : 당신은 뜨겁고 빨리 요리해야합니까? 아니면 따뜻하고 천천히 요리해야합니까? - JMP 블로그 쓴 :
[...] 이전 게시물, 나는 확률 적 최적화를 도입했습니다. 이 글에서는 실제 사례를 보여줍니다. 이 예제는 [...]
실험, 모델 모델 실험 - JMP 블로그 쓴 :
[...] 지난 2 주 동안, 나는 견고한 공정 공학과 확률 론적 최적화를 도입했다.
(참고 : 이것은 확률 적 최적화에 대한 3 부 시리즈 중 1 부입니다.)
언덕 꼭대기에 가려면 계속 올라 가세요. 그러나 언덕에는 하위 봉우리가있을 수 있으므로 때때로 계속 올라 가기 위해 주위를 사냥해야합니다. 그러나 올라가는 것은 여전히 기본 아이디어입니다. 이것이 바로 최적화입니다. 언덕 꼭대기를 찾는 것입니다. 운영 연구는 한계가없는 울타리 영역이있을 수있는 더 높은 차원의 언덕을 사용하여보다 일반적으로 최적화 문제를 해결하는 것입니다.
이제 언덕을 오르는 대신 헬리콥터를 타는 것을 상상해보십시오. 헬리콥터에게 어디로 가야하는지 말하고 그 위치에서 5,000 피트 높이에서 낙하산을 타십시오. 쉽게 들리 네요. 그러나 구름이있어서 언덕 자체를 볼 수없고 어떤 방향 으로든 수백 미터를 날릴 수있는 임의의 돌풍이 있습니다. 또한 특정 고도 이상으로 착륙하지 않으면 아플 것입니다. 다른 GPS 위치에서 몇 번의 시험 낙하를 받지만 해당 대상 위치 주변에서 살아야하며 하루에 한 번 점프합니다. 확률 적 최적화의 세계에 오신 것을 환영합니다. 높은 고도에 도달하는 것은 이제 매우 지저분한 일입니다.
이상하게 행동하는 것을 연구하는 이유는 무엇이며 이해하기 어렵습니다.
글쎄요, 세계 제품과 프로세스의 미래 품질은 이런 상황에만 달려 있다는 것이 밝혀졌습니다. 우리는 제품과 프로세스를 최적화하려고 노력하지만 입력 요소가 다양하고 제품과 프로세스가 더 이상 최적이 아닌 것으로 나타났습니다. 입력 요인은 환경 요인으로 인해 변경 될 수 있습니다. 최고의 수확량 옥수수 작물을 재배하는 방법을 알고 있지만, 안타깝게도 최적의 수확량을 얻기 위해 날씨를 제어 할 수 없습니다. 입력 요인은 자연적 변동으로 인해 달라질 수 있습니다. 성분은 다른 공정의 산출물이며 해당 공정에서 모든 변동성을 얻을 수는 없습니다. 종종 분포의 중심이 각 요인의 어디에 있는지 제어 할 수 있지만 변화를 줄일 수 없습니다.
이러한 종류의 최적화에 대한 문헌은 특별히 풍부하지 않습니다. 이 응용 프로그램의 연구 분야는 강력한 프로세스 엔지니어링 — 변화에 맞서 잘 작동하는 제품과 프로세스를 만들기위한 투쟁.
이런 종류의 문제를 해결하기위한 첫 번째 좋은 시도는 일본 엔지니어에게서 나왔습니다. Genichi Taguchi . 그는 두 가지 방향으로 실험을 구성한다고 말했습니다. 무작위 변동의 영향을받지 않고 고정되었다고 가정하는 제어 요인이 있습니다. 그런 다음 프로덕션에서 완전히 제어 할 수없는 노이즈 요인이 있습니다.이 요인에는 무작위 변동이 있습니다. 실험에서 옥수수 작물을 내부에서 재배하고 빛과 물을 제어하여 옥수수 작물의 날씨를 제어 할 수 있습니다. (농업에서는 이런 종류의 실험 장소의 이름이 phytotron입니다.) 그런 다음 제어 요인과 소음 요인을 모두 가로 질러 실험을 진행합니다. 다음으로 각 컨트롤 설정에 대한 노이즈 디자인 전반의 노이즈 변화를 유도합니다. 그런 다음 평균과 변동 또는 일부 결합 된 측정 값 (신호 대 잡음비)에 대해 최적화합니다.
이것은 효과가 있었다. 전 세계에 타 구치 클럽이 생겨 엔지니어들이 타구 치의 방법을 배웠습니다.
일부 서양 통계 학자들은이 방법을보고“우리는 더 잘할 수있다”고 말했습니다. 무엇을 찾아야하는지에 대한 인식과 함께 다양한 계획이 나타났습니다.
고지대에는 고도가 좋은 곳이 많이 있을지 모르지만 그 중에서 가장 넓고 평평한 곳을 찾으십시오. 그런 다음 해당 목표 주위에 무작위로 떨어질 때 좁은 고도 범위에 착륙 할 가능성이 높습니다.
예를 들어 아래에서 주변의 윤곽을 볼 수 있습니다. 로키 산 국립 공원의 롱스 피크 . 13,400 피트 이상으로 낙하산을 타려는 경우 14,200 피트 이상의 정상을 목표로하지 않고 코스를 벗어나 북서쪽면에서 12,400 피트 떨어진 곳에 착륙 할 위험이 있습니다. 넓은 목표물 인 "The Loft"를 목표로합니다. 13,400 피트 이상.
다음 블로그 게시물에서는 일부 첨단 요리, 화학 반응 예를 포함하는 실제 예와 잘 알려진 최적의 고전 예가 변형을 고려할 때 교훈을 뒤집는 방법을 볼 것입니다.
업데이트 : 둘째 과 제삼 이제이 시리즈의 블로그 게시물을 사용할 수 있습니다.
크레딧 : Warren Sarle은 최적화가 언덕 꼭대기에 오르는 것과 같은 방법에 대해 몇 년 전 두 개의 신경망 논문을 썼습니다. 이것이 저의 비유에 영감을 준 것입니다. 지도는 Google지도에서 가져온 것입니다.
