Investigación sobre la mejora de la eficiencia del algoritmo MEVO de optimización y su aplicación en la ciencia

La optimización basada en modelos sustitutos es una potente técnica que utiliza modelos sustitutos para resolver problemas de optimización en las que se requieran simulaciones complejas y que consumen mucho tiempo. Los algoritmos de optimización basada en modelos sustituto pueden reducir significativamente los costos y el tiempo computacional al reemplazar los costosos modelos de alta fidelidad por modelos de aprendizaje automático que son más rápidos de evaluar. Este enfoque es especialmente beneficioso para abordar problemas complejos, no lineales y de alta dimensión, como lo son diseño de materiales, diseño de producto, ajuste de parámetros de máquinas y líneas de producción, entre otros. Al minimizar el número de experimentos físicos  o simulaciones necesarias, también es posible acelerar el descubrimiento de soluciones innovadoras. 

Este proyecto consiste en evaluar distintas estrategias que mejoren la eficiencia en la calidad de la solución y tiempo de cómputo del algoritmo de optimización basada en modelos sustituto llamado MEVO (Metamodel-based Evolutionary Optimizer). 

Se realizarán experimentos computacionales variando el tipo de método de diseño de experimentos y otras estrategias computacionales y se comparará el algoritmo contra la optimización Bayesiana, utilizando diversos problemas benchmark. Después de realizar los experimentos computacionales se realizarán pruebas estadísticas para verificar las hipótesis propuestas.