Resumen

Durante los últimos años, kriging se ha convertido en uno de los métodos más populares en simulación por ordenador y aprendizaje automático. Los modelos de kriging se han utilizado con éxito en muchas aplicaciones de ingeniería, para aproximar costosos modelos de simulación. Cuando se utilizan muchas variables de entrada, kriging es ineficiente debido principalmente al exorbitante tiempo computacional requerido durante su construcción. Para tratar problemas de alta dimensión (100 ), se ha propuesto recientemente un método que combina kriging con la técnica de mínimos cuadrados parciales, el llamado modelo KPLS. Este método ha mostrado resultados interesantes en términos de ahorro del tiempo de CPU necesario para construir el modelo manteniendo una precisión suficiente, tanto en problemas académicos como industriales. Sin embargo, KPLS ha proporcionado una precisión pobre en comparación con el kriging convencional en funciones multimodales. Para solucionar este problema, este trabajo propone añadir un nuevo paso durante la construcción de KPLS para mejorar su precisión en funciones multimodales. Cuando se utilizan funciones de covarianza exponenciales, este paso se basa en una identificación simple entre la función de covarianza de KPLS y kriging. El método desarrollado se valida especialmente utilizando una función académica multimodal, conocida como función Griewank en la literatura, y mostramos la ganancia en términos de precisión y tiempo de computación comparando con KPLS y kriging.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Kriging; simulación por ordenador; aprendizaje automático; aplicaciones de ingeniería; modelo KPLS; funciones multimodales.
• Keywords:Kriging; computer simulation; machine learning; engineering applications; KPLS model; multimodal functions