Publication:
Modified loss functions and artificial neural networks in nonlinear multi-response optimization problems

dc.contributor.advisor Artiles-León, Noel
dc.contributor.author Torres-Pizarro, Ismael
dc.contributor.college College of Engineering en_US
dc.contributor.committee Ferrer, Mercedes
dc.contributor.committee Cesaní-Vázquez, Viviana
dc.contributor.department Department of Industrial Engineering en_US
dc.contributor.representative Vásquez-Urbano, Pedro
dc.date.accessioned 2018-11-28T13:22:37Z
dc.date.available 2018-11-28T13:22:37Z
dc.date.issued 2008
dc.description.abstract This work presents four case studies that are used to compare the suitability of several techniques to solve multiple response optimization problems. The approaches compared include linear regression using Lagrange optimization, linear regression using a “brute force” search optimization approach, and a neural network with the same “brute force” optimization method. Our approach uses the loss function technique described by Taguchi (1986) and modified by Artiles-León (1996) for multiple responses optimization. In general, the regression approach with the Lagrange optimization provided the best results with expected loss values up to 1.17 times the actual minimum loss, but the linear regression using a “brute force” optimization proved comparable with up to 1.31 times the actual minimum loss. Results using neural network were neither acceptable nor expected with expected loss values up to 2.4 times the actual minimum loss. en_US
dc.description.abstract Este trabajo presenta cuatro casos de estudios que fueron usados para comparar la adecuacidad de varias metodologías para resolver problemas de optimización multi-respuesta. Las metodologías comparadas incluyeron la regresión lineal usando optimización de Lagrange, la regresión lineal utilizando un método de optimización de búsqueda “fuerza bruta” y una red neural con el mismo método de optimización de búsqueda “fuerza bruta”. Nuestra metodología utiliza la función de pérdidas descrita por Taguchi (1986) y modificada por Artiles-León (1996) para la optimización de múltiples respuestas. En general, la metodología de regresión utilizando optimización de Lagrange obtuvo los mejores resultados con valores esperados para la pérdida de hasta 1.17 veces la pérdida óptima, pero el método de regresión lineal utilizando optimización de búsqueda “fuerza bruta” probó ser comparable con valores esperados para la pérdida de hasta 1.31 veces la pérdida óptima. Los resultados de la red neural no fueron ni aceptables ni esperados con valores esperados para la pérdida de hasta 2.4 veces la pérdida óptima. en_US
dc.description.graduationYear 2008 en_US
dc.identifier.uri https://hdl.handle.net/20.500.11801/1516
dc.language.iso English en_US
dc.rights.holder (c)2008 Ismael Torres-Pizarro en_US
dc.rights.license All rights reserved en_US
dc.subject Multiple response optimization problems en
dc.subject Lagrange optimization en
dc.subject Brute force search optimization en
dc.subject Loss function technique en
dc.title Modified loss functions and artificial neural networks in nonlinear multi-response optimization problems en_US
dc.type Thesis en_US
dspace.entity.type Publication
thesis.degree.discipline Industrial Engineering en_US
thesis.degree.level M.E. en_US
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
ININ_TorresPizarroI_2008.pdf
Size:
850.88 KB
Format:
Adobe Portable Document Format
Description: