سمیه دانش‌عسگری دانشجوی دکتری رشته مهندسی صنایع، از رساله خود با عنوان «بهبود روش‌های بهینه‌سازی استوار داده محور با استفاده از الگوریتم‌های یادگیری ماشین» به راهنمایی آقای دکتر محمدی ۲۹ آبان ماه ۱۴۰۳ ساعت ۱۳ دفاع خواهد نمود.
استاد راهنما: آقای دکتر عمران محمدی
اساتید مشاور: آقای دکتر احمد ماکوئی- آقای دکتر مصطفی جعفری
اساتید داور داخلی: آقای دکتر سید جعفر سجادی- آقای دکتر میرسامان پیشوایی
اساتید داور خارجی: آقای دکتر علی ترابی- آقای دکتر رضا رمضانیان
زمان دفاع: سه‌شنبه ۲۹ آبان ماه ۱۴۰۳- ساعت ۱۳- کلاس ۲۰۸ ( طبقه دوم دانشکده)
چکیده:
در سال‌های اخیر، تلفیق یادگیری ماشین و علم داده با بهینه‌سازی ریاضی تحت شرایط عدم قطعیت عمیق، تحولات شگرفی به همراه داشته و منجر به ایجاد حوزه جدیدی با عنوان "بهینه‌سازی استوار داده محور" شده است. در این شاخه از بهینه‌سازی، پیچیدگی داده‌ها، اطلاعات پنهان و ساختار ذاتی آن‌ها در ایجاد مجموعه‌های عدم قطعیت داده محور در نظر گرفته می‌شوند. داده‌ها غالبا شامل اطلاعاتی هستند که به صورت مستقیم قابل مشاهده نیستند ولی تاثیر بسزایی در نتایج بهینه‌سازی دارند. از این رو بهینه‌سازی استوار داده محور تلاش می‌کند تا با در نظر گرفتن این پیچیدگی‌ها، عدم قطعیت موجود در داده‌ها را بهتر مدیریت کنند. یکی از الگوریتم‌های موثر در ایجاد این مجموعه‌ها، خوشه‌بندی بردار پشتیبان است که بدون نیاز به فرضیات ساده کننده در مورد بازه نوسان سناریوهای محتمل و یا شکل پیش فرض مجموعه‌ها قادر است تا مجموعه‌های تصمیم‌گیری با شکل دلخواه ایجاد کند. با وجود مزیت‌های فراوان این الگوریتم در ساخت مرزهای تصمیم‌گیری در شرایط عدم قطعیت عمیق، بکارگیری آن با چالش‌هایی همراه است که در این رساله به بحث پیرامون دو مورد از این چالش‌ها پرداخته و برای رفع آن‌ها تدابیری اندیشیده شده است. چالش اول مربوط به مدیریت حجم انبوه سناریوهای تصمیم‌گیری و یا عدم دسترسی به همه سناریوها از ابتدای فرآیند حل مساله است. نبود روشی سیستماتیک در این الگوریتم مانع استفاده موثر از آن در برخورد با مجموعه داده‌های بزرگ می‌شود. برای رفع این چالش رویکرد "خوشه‌بندی بردار پشتیبان افزایشی" پیشنهاد می‌شود که به صورت تدریجی و کارآمدی به مدیریت حجم انبوه سناریوها در ساخت مجموعه‌های عدم قطعیت می‌پردازد. چالش دوم مربوط به انتخاب مقدار پارامتر کنترل این الگوریتم برای ایجاد تعادل میان اندازه مجموعه عدم قطعیت و میزان از دست دادن اطلاعات است. برای رفع این چالش نیز "خوشه‌بندی بردار پشتیبان مبتنی بر موقعیت" پیشنهاد شده است که میزان اهمیت هر داده را در تعیین پارامتر کنترل لحاظ می‌کند. نتایج بررسی‌ها نشان می‌دهد که هر دو رویکرد پیشنهادی، در مقایسه با الگوریتم خوشه‌بندی بردار پشتیبان عملکرد و کارایی بهتری دارند.
واژه‌های کلیدی: بهینه‌سازی استوار داده محور، مجموعه عدم قطعیت داده محور، عدم قطعیت عمیق، یادگیری ماشین، خوشه‌بندی بردار پشتیبان افزایشی، خوشه بندی بردار پشتیبان مبتنی بر موقعیت |