A benchmark of optimization algorithms for thermal, luminous and energy multi- objective analysis on Grasshopper for Rhino

Autor: Silva, Mario Alves da
Přispěvatelé: Garcia, Rafael de Paula, Carlo, Joyce Correna
Jazyk: angličtina
Rok vydání: 2022
Předmět:
Zdroj: LOCUS Repositório Institucional da UFV
Universidade Federal de Viçosa (UFV)
instacron:UFV
Popis: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior Esta dissertação tem por objetivo estabelecer qual algoritmo é mais adequado a um processo de otimização baseada em simulação (OBS), baseado no tipo de simulação usado, no número e tipo dos parâmetros empregados e também na quantidade de funções objetivo. Este estudo focou na avaliação de processos de análise multi- objetivo. A plataforma Grasshopper para Rhinoceros foi escolhida devido a sua robustez e diversidade, que permite processos de modelagem paramétrica, simulação e otimização dentro da mesma interface. Foram avaliados diferentes plugins de otimização disponíveis na interface Grasshopper e optou-se por trabalhar com os motores de otimização Opossum e Octopus. O primeiro motor possui os algoritmos RBFMOpt, NSGA2, MOEA/D, NSPSO e MHACO, o segundo possui os algoritmos HypE e SPEA2. Deste modo, foram utilizados 7 algoritmos de otimização. Foram propostos 14 problemas relacionados ao desempenho de edificações. Os problemas variaram entre 5 e 18 parâmetros, e pelo menos 1 tipo de simulação térmica, luminosa ou energética. O desempenho dos algoritmos foi avaliado a partir de diferentes métricas de desempenho implementadas e disponíveis por meio da linguagem de programação Python, como o indicador de hipervolume, modified inverted generational distance, generational distance, e additive epsilon indicator. Tais métricas proporcionaram uma metodologia robusta para avaliar o desempenho dos algoritmos e determinar qual é mais adequado a cada tipo de problema de otimização. O teste não-paramétrico de Kruskal-Wallis foi utilizado para verificar as diferenças entre os algoritmos e também para determinar possíveis reduções de custo computacional. O benchmark inicialmente comparou o desempenho dos algoritmos RBFMOpt, NSGA2 e MHACO em um único problema. Após este passo, foi feita uma comparação em larga escala, com todos os algoritmos aplicados a 9 problemas de otimização diferentes. Em geral, os resultados apontaram que o algoritmo RBFMOpt possui o melhor desempenho, inclusive com a sua configuração default. O algoritmo não somente obtém os melhores resultados, como também requer um menor número deavaliações dos problemas para obter tais resultados. O algoritmo ainda apresenta uma tendência de redução de custo computacional, ao permitir reduções significativas no número de avaliações dos problemas sem que haja impacto no desempenho médio do algoritmo. O algoritmo HypE também possui um bom desempenho, ocupando a segunda posição geral. No entanto, o algoritmo genético requer mais avaliações dos problemas para atingir seu melhor desempenho, de acordo com o número de avaliações proposto neste estudo. De modo geral, o algoritmo RBFMOpt deve ser usado em processos OBS multi-objetivo na plataforma Grasshopper, principalmente em situações que o simulador tiver menor disponibilidade de avaliações ou quando o problema envolver simulações dispendiosas. Palavras-chave: Benchmarking. Simulação baseada em otimização. Algoritmo model- based. Algoritmos bioinspirados. desempenho de edificações. Métricas de desempenho. A benchmark of optimization algorithms for thermal, luminous and energy multi- objective analysis on Grasshopper for Rhino. Advisor: Joyce Correna Carlo. Co- advisor: Rafael de Paula Garcia. This master thesis aims to establish which algorithm is more suited to a Simulation- based optimization (SBO) process, based on the type of simulation used, and also on the number of parameters, type of parameters, and number of fitness functions. We focused on the optimization algorithms for multi-objective optimization processes, since they have a fundamental role in SBO processes. We choose to use the Grasshopper for Rhinoceros platform due to its diversity and robustness, that allows performing parametric modelling, simulation, and optimization in the same environment. We initiate this study investigating the optimization engines available on Grasshopper and decide to focus on Opossum and Octopus. For multi-objective optimization, Opossum has RBFMOpt, NSGA2, MOEA/D, NSPSO, and MHACO, and Octopus has HypE and SPEA2. Then, we used seven different algorithms. We proposed 14 building performance related problems. The problems varied from 5 to 18 parameters, and required at least one type of simulation such as thermal, luminous, and energy. We compare the algorithms’ performance by using Python implementations of different performance metrics, such as hypervolume, modified inverted generational distance, generational distance, and additive epsilon indicator, that provided a robust methodology to assess algorithms’ performance and state which one is more suited for each optimization problem. We also applied the Kruskal-Wallis non-parametric test to support stating the difference between algorithms performance and also to assess the potential of each algorithm to computational cost reduction. Based on this benchmark steps, we initially compared the performance of RBFMOpt, NSGA2, and MHACO on a single problem. Then we advance by proposing a sequential study with all algorithms and nine problems. The overall results point out that RBFMOpt has the best performance, especially with its default hyperparameters configurations. RBFMOpt not only provides the best results but also need less function evaluations to obtain those results, and also presents an additional tendency for computational cost reduction by allowing reducing the number of runs withoutsignificantly impact its average performance. HypE also have a good performance, with the second position on the overall ranking, but requires more function evaluations than RBFMOpt. In general, RBFMOpt should be used in multi-objective SBO processes in the Grasshopper platform, especially when the simulator has a lower budget or more time cost consuming simulations. Keywords: Benchmarking. Simulation-based optimization. Model-based algorithm. Bioinspired algorithms. Performance metrics. Building performance simulation.
Databáze: OpenAIRE
Externí odkaz: