Exploring black-box parameter calibration techniques on generic system dynamics models, using synthetic data

Bu tez, farklı gürültü koşulları ve sınırlamalar altında sistem dinamiği modellerinde parametre kalibrasyonu için kara-kutu optimizasyon algoritmalarının uygulanmasını incelemektedir. SEIR epidemiyolojik modeli ve Stok Yönetimi modeli örnek olarak seçilmiş ve Grid Search, Random Search, Tree-structured Parzen Estimator (TPE), Covariance Matrix Adaptation Evolution Strategy (CMA-ES) ve Gaussian Process (GP) Sampler yöntemlerinin performansları değerlendirilmiştir. Gerçek dünya belirsizliklerini simüle etmek amacıyla saf ve otokorelasyonlu gürültü içeren sentetik veri setleri üretilmiştir. Sonuçlar, Covariance Matrix Adaptation Evolution Strategy (CMA-ES)'in çoğu senaryoda doğruluk ve sağlamlık açısından diğer algoritmalardan üstün olduğunu göstermektedir. Tree-structured Parzen Estimator (TPE) rekabetçi sonuçlar elde ederken, Grid Search ve Random Search algoritmaları kalibrasyon doğruluğu konusunda zayıf performans sergilemiş ve değişen gürültü koşullarına uyum sağlamakta yetersiz kalmıştır. Gaussian Process (GP) Sampler, bağımlı parametreleri kalibre ederken istikrarlı sonuçlar sağlamış, ancak yüksek hesaplama maliyeti nedeniyle diğer yöntemlere göre daha az verimli olmuştur. Ayrıca, Stok Yönetimi modelindeki zorlu koşul testleri, kara-kutu algoritmalarında arama alanı keşif yeteneğinin önemini vurgulamıştır. Özellikle, keşif yeteneği güçlü algoritmaların, göz ardı edilebilecek salınımlı davranışları dahi tespit edebilme potansiyeline sahip olduğu gözlemlenmiştir. Bu çalışma, geleneksel hata-tabanlı ölçütlerin dinamik davranış analiziyle birleştirilmesinin kalibrasyon süreçlerini iyileştirme potansiyeline dikkat çekmektedir. Gelecek çalışmalarda, hibrit optimizasyon yaklaşımlarının incelenmesi, daha karmaşık modellerin değerlendirilmesi ve gerçek dünya verilerinin dahil edilmesi önerilmektedir.