Fachbereich Mathematik - GSI
Fachbereich Mathematik - GSI
Fachbereich Mathematik - GSI
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
7 Zusammenfassung und Ausblick<br />
halbstetigkeit und radiale Unbeschränktheit der Zielfunktion voraussetzt. Nach dem<br />
diese beiden Eigenschaften für das Zielfunktional bewiesen werden konnten, konnte<br />
die Existenz mindestens eines globalen Minimums des Optimierungsproblemes bewiesen<br />
werden. Die Eindeutigkeit eines globalen Minimums konnte nicht nachgewiesen<br />
werden, da die Zielfunktion nicht konvex ist. Damit können Standardtechniken,<br />
mit denen Eindeutigkeitsbeweise für Minima geführt werden, nicht angewendet werden.<br />
Des Weiteren wurde die Zielfunktion in dieser Arbeit mit einer angepassten<br />
Tangens Hyperbolicus-Funktion geglättet. Dies war notwendig, damit die Karush-<br />
Kuhn-Tucker-Bedingungen zu dem Optimierungsproblem angegeben werden konnten.<br />
Diese sind die notwendige Optimalitätsbedingung erster Ordnung und besitzen<br />
nur bei einer stetig-differenzierbaren Zielfunktion ihre Gültigkeit.<br />
Für die numerische Lösung des Optimierungsproblemes wurden Linesearch-Verfahren<br />
verwendet. Als erstes wurden diese allgemein eingeführt und deren Arbeitsweise<br />
geschildert. Als Schrittweitensteurung wurden in dieser Arbeit zwei Techniken<br />
verwendet. Bei der einen Technik wird eine skalierte Schrittweite von einem<br />
einfacheren linearen Optimierungsproblem verwendet, bei dem die biologischen<br />
Effekte vernachlässigt werden und die andere Technik ist die bekannte Armijo-<br />
Schrittweitensteuerung. Bei der Armijo-Schrittweite wurden unterschiedliche Startschrittweiten<br />
verwendet. Als Linesearch-Verfahren wurden in dieser Arbeit das Gradientenverfahren,<br />
das konjugierte Gradientenverfahren und das inverse BFGS-Verfahren<br />
in TRiP implementiert und ausgewertet. Deren Arbeitsweise, Vor- und Nachteile<br />
als auch diverse Varianten dieser Verfahren wurden diskutiert. Die besten Minimierungsergebnisse<br />
von den Varianten dieser Verfahren wurden bei Verwendung<br />
des Patientenplanes #135 bzgl. der Iterationsschritte als auch der Rechenzeit gegenübergestellt.<br />
Das Gradientenverfahren schneidet dabei am schlechtesten ab. Bzgl. der<br />
Iterationsschritte arbeiten das inverse BFGS-Verfahren und das konjugierte Gradientenverfahren<br />
ähnlich effizient. Wegen den benötigten Matrixupdates braucht jedoch<br />
das inverse BFGS-Verfahren ca. um einen Faktor von 1.5 mehr Rechenzeit als das<br />
konjugierte Gradientenverfahren. Obwohl beim inversen BFGS-Verfahren viele Varianten<br />
versucht wurden, konnten mit diesem keine besseren Konvergenzergebnisse<br />
als mit dem konjugierten Gradientenverfahren erzielt werden.<br />
In [Hor08] wurde die Levenberg-Marquardt-Minimierung [Lev44, Mar63] für die numerische<br />
Lösung des Optimierungsproblemes untersucht. Dabei konnte beobachtet<br />
werden, das dass Minimierungsergebnis bzgl. der Iterationsschritte sehr gut ist (sogar<br />
deutlich besser als beim konjugierten Gradientenverfahren). Da die auftretenden<br />
Gleichungssysteme in jedem Iterationsschritt mit dem Cholesky-Verfahren gelöst<br />
wurden, ist die Levenberg-Marquardt-Minimierung in dieser Variante extrem zeitaufwendig.<br />
Damit ist das konjugierte Gradientenverfahren im Gesamturteil immer<br />
noch geeigneter für die Optimierung in der Bestrahlungsplanung als diese Variante<br />
der Levenberg-Marquardt-Minimierung.<br />
In der Arbeit [Bus09] wurden die auftretenden linearen Gleichungssysteme in<br />
der Levenberg-Marquardt-Minimierung mit den Krylov-Unterraum-Verfahren gelöst.<br />
Dabei konnten die Rechenzeiten zwar signifikant verringert werden, die Ge-<br />
78