Fuhrländer, Mona ; Schöps, Sebastian (2022)
Yield Optimization using Hybrid Gaussian Process Regression and a Genetic Multi-Objective Approach.
In: Advances in Radio Science, 2022, 19
doi: 10.26083/tuprints-00021135
Artikel, Zweitveröffentlichung, Verlagsversion
 | Es ist eine neuere Version dieses Eintrags verfügbar. |
Kurzbeschreibung (Abstract)
Quantification and minimization of uncertainty is an important task in the design of electromagnetic devices, which comes with high computational effort. We propose a hybrid approach combining the reliability and accuracy of a Monte Carlo analysis with the efficiency of a surrogate model based on Gaussian Process Regression. We present two optimization approaches. An adaptive Newton-MC to reduce the impact of uncertainty and a genetic multi-objective approach to optimize performance and robustness at the same time. For a dielectrical waveguide, used as a benchmark problem, the proposed methods outperform classic approaches.
| Typ des Eintrags: | Artikel |
|---|---|
| Erschienen: | 2022 |
| Autor(en): | Fuhrländer, Mona ; Schöps, Sebastian |
| Art des Eintrags: | Zweitveröffentlichung |
| Titel: | Yield Optimization using Hybrid Gaussian Process Regression and a Genetic Multi-Objective Approach |
| Sprache: | Englisch |
| Publikationsjahr: | 2022 |
| Publikationsdatum der Erstveröffentlichung: | 2022 |
| Verlag: | Copernicus Publications |
| Titel der Zeitschrift, Zeitung oder Schriftenreihe: | Advances in Radio Science |
| Jahrgang/Volume einer Zeitschrift: | 19 |
| DOI: | 10.26083/tuprints-00021135 |
| URL / URN: | https://tuprints.ulb.tu-darmstadt.de/21135 |
| Zugehörige Links: | |
| Herkunft: | Zweitveröffentlichung aus gefördertem Golden Open Access |
| Kurzbeschreibung (Abstract): | Quantification and minimization of uncertainty is an important task in the design of electromagnetic devices, which comes with high computational effort. We propose a hybrid approach combining the reliability and accuracy of a Monte Carlo analysis with the efficiency of a surrogate model based on Gaussian Process Regression. We present two optimization approaches. An adaptive Newton-MC to reduce the impact of uncertainty and a genetic multi-objective approach to optimize performance and robustness at the same time. For a dielectrical waveguide, used as a benchmark problem, the proposed methods outperform classic approaches. |
| Status: | Verlagsversion |
| URN: | urn:nbn:de:tuda-tuprints-211353 |
| Zusätzliche Informationen: | Special issue statement: This article is part of the special issue “Kleinheubacher Berichte 2020”. |
| Sachgruppe der Dewey Dezimalklassifikatin (DDC): | 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau |
| Fachbereich(e)/-gebiet(e): | 18 Fachbereich Elektrotechnik und Informationstechnik 18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Teilchenbeschleunigung und Theorie Elektromagnetische Felder > Computational Electromagnetics 18 Fachbereich Elektrotechnik und Informationstechnik > Institut für Teilchenbeschleunigung und Theorie Elektromagnetische Felder |
| Hinterlegungsdatum: | 13 Apr 2022 12:18 |
| Letzte Änderung: | 14 Apr 2022 07:53 |
| PPN: | |
| Export: | |
| Suche nach Titel in: | TUfind oder in Google |
Verfügbare Versionen dieses Eintrags
- Yield Optimization using Hybrid Gaussian Process Regression and a Genetic Multi-Objective Approach. (deposited 13 Apr 2022 12:18) [Gegenwärtig angezeigt]
 |
Frage zum Eintrag |
Optionen (nur für Redakteure)
 |
Redaktionelle Details anzeigen |
Drucken
Impressum