通过自然选择帮助非专家创建数学模型

 
科学和工程应用，例如高精度运动系统或电化学过程的控制，通常建立在动态系统的数学模型上。博士候选人Dhruv Khandelwal开发了一个框架，该框架使没有数据驱动建模经验的人们可以轻松地开发这些动态系统的高质量，优化的数学模型。这是一个至关重要的工具，可以帮助任何领域的研究人员浏览建模技术和系统动力学的复杂迷宫，并支持数据驱动的研究结果和定价。例如，管理电网健康的电气工程师或研究癌细胞生长的研究人员。 Khandelwal为他的博士学位辩护论文于3月4日发布。
生成针对您的条件优化的模型
创建数学模型的困难部分是选择正确的模型结构并针对您的特定目标和性能指标优化模型。 Khandelwal的算法考虑了这两种情况。
为了帮助用户生成正确的模型，Khandelwal使用树形邻接语法(TAG)为动态模型开发了“语法”，该模型可以探索各种系统，结构和复杂性中的建模选项。为了为用户提供最佳模型，Khandelwal根据达尔文在生物学中自然选择的定义设计了一种进化方法：“ [每一个细微的变化(如果有用的话)都应保留的原理”。模型参与竞争的适应性状况由用户指定的性能标准确定，而进化算法“演化”的模型在这种环境下表现最佳。
与专家创建的模型一样好
在许多学术，现实和基准应用程序上对自动建模方法进行了评估。此评估表明，该框架成功生成了最少的用户交互模型。在完全理解建模应用程序的情况下，自动生成的模型将与真实系统的性质相匹配。在多个案例研究中，框架提出的模型与专家用户采用的最新技术所获得的模型一样好。