und Komponenten-Technologien in der Modellierung ... - CES - KIT
und Komponenten-Technologien in der Modellierung ... - CES - KIT
und Komponenten-Technologien in der Modellierung ... - CES - KIT
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
5 Konzeption, Realisierung <strong>und</strong> Bewertung e<strong>in</strong>er Optimierungskomponente 101<br />
evaluierungen, die während des Optimierungsprozesses mit e<strong>in</strong>er direkten Optimierungsstrategie<br />
durchgeführt wurden, wobei Mehrfachevaluierungen e<strong>in</strong>es Suchpunktes mitgezählt<br />
werden. Damit entspricht <strong>der</strong> Netto-Optimierungsaufwand exakt <strong>der</strong> Basiskenngröße<br />
Optimierungsaufwand o A . Der Brutto-Optimierungsaufwand ist stets größer o<strong>der</strong><br />
gleich dem Netto-Optimierungsaufwand. Unterschiede ergeben sich dann, wenn durch<br />
Maßnahmen zur Reduktion des Optimierungsaufwands wie beispielsweise Vermeidung<br />
von Reevaluation o<strong>der</strong> Zielfunktionsapproximation Zielfunktionsevaluierungen e<strong>in</strong>gespart<br />
werden können. In solchen Fällen übersteigt die Anzahl <strong>der</strong> erzeugten Suchpunkte<br />
die <strong>der</strong> tatsächlich evaluierten.<br />
Die Tatsache, dass die Anwendung probabilistischer Optimierungsverfahren auf e<strong>in</strong> Optimierungsproblem<br />
e<strong>in</strong> Zufallsexperiment mit ungewissem Ausgang darstellt, macht die Quantifizierung<br />
<strong>der</strong> Leistungsfähigkeit dieser Verfahren durch die oben aufgeführten Kenngrößen zu e<strong>in</strong>er<br />
anspruchsvollen <strong>und</strong> meist auch sehr zeitaufwändigen Aufgabe. Da sich die zu bestimmenden<br />
Leistungskenngrößen erst bei wachsen<strong>der</strong> Anzahl von Versuchswie<strong>der</strong>holungen statistisch stabilisieren<br />
(Pr<strong>in</strong>zip <strong>der</strong> großen Zahlen), s<strong>in</strong>d zu ihrer empirischen Ermittlung umfangreiche<br />
Mehrfachexperimente 6 durchzuführen. Die dabei anfallenden Optimierungsdaten werden <strong>in</strong><br />
Form von Datensätzen abgespeichert, um anschließend statistisch ausgewertet <strong>und</strong> auf die oben<br />
genannten Leistungskenngrößen reduziert werden zu können.<br />
5.3.2 Testprobleme<br />
Zur empirischen Bewertung direkter Optimierungsverfahren können als Testprobleme sowohl<br />
Simulationsmodelle als auch mathematische Testfunktionen herangezogen werden. Mathematische<br />
Funktionen haben gegenüber simulationsbasierten Zielfunktionen jedoch zwei entscheidende<br />
Vorteile: Ihre Extremstellen lassen sich meist auf analytische Weise im Voraus bestimmen<br />
<strong>und</strong> die i.a. sehr kurze Evaluierungsdauer ermöglicht die Durchführung e<strong>in</strong>er statistisch<br />
relevanten Anzahl von Optimierungsexperimenten <strong>in</strong> relativ kurzer Zeit. Die im Folgenden beschriebenen<br />
Leistungsuntersuchungen basieren daher ausschließlich auf mathematischen Testproblemen.<br />
Ergebnisse zu Optimierungsexperimenten mit simulationsbasierten Zielfunktionen<br />
f<strong>in</strong>den sich <strong>in</strong> [Syrj97] <strong>und</strong> [Info99].<br />
Die Sucheigenschaften <strong>der</strong> <strong>in</strong> diesem Beitrag beschriebenen Optimierungsalgorithmen sollen<br />
anhand von vier mathematischen Testproblemen mit sehr unterschiedlichem Schwierigkeitsgrad<br />
demonstriert werden. Alle vier Problemstellungen weisen hochgradig nicht-l<strong>in</strong>eare multimodale<br />
Zielfunktionen mit e<strong>in</strong>em globalen <strong>und</strong> mehreren lokalen Optimumpunkten auf.<br />
n n<br />
In Tabelle 5.3.2.1 ist das erste Testproblem ( L, 1 F 1 ) spezifiziert. Hier besteht die Aufgabe<br />
dar<strong>in</strong>, e<strong>in</strong>e trigonometrische Zielfunktion zu optimieren, die für alle Problemdimensionen n∈N<br />
∗<br />
genau e<strong>in</strong>en globalen Maximumpunkt x =(7.98,7.98,...,7.98) aufweist. Beachtet werden sollte,<br />
n n<br />
dass die Anzahl <strong>der</strong> lokalen Maximumpunkte von ( L, 1 F 1 ) mit wachsendem n exponentiell<br />
ansteigt.<br />
6 Als Mehrfachexperiment wird die mehrfache Ausführung e<strong>in</strong>es fest parametrisierten Optimierungsverfahrens zu<br />
e<strong>in</strong>em Optimierungsproblem mit jeweils unterschiedlicher Initialisierung des Pseudo-Zufallszahlengenerators bezeichnet.