und Komponenten-Technologien in der Modellierung ... - CES - KIT

112 5 Konzeption, Realisierung und Bewertung einer Optimierungskomponente
Problemdimension kommt es dadurch zu einem noch stärkeren Rückgang des Voroptimierungsaufwands
als in Experimentreihe E2.
n 2 3 4 5 6 7 8 9 10
mc 40
pg 20
t 2
Tabelle 5.3.3.4: Einstellungen der Kontrollparameter mc, pg und t des Genetischen
Algorithmus in Experimentreihe E3
Die daraus resultierenden Auswirkungen auf den Optimierungserfolg zeigt Diagr. 5.3.3.4, in
dem die wesentlichen Ergebnisse von Experimentreihe E3 zusammengefasst sind. Im Vergleich
zu Diagr. 5.3.3.3 ist hier schon ab Dimension 6 ein drastischer Einbruch des Optimierungserfolgs
zu verzeichnen. Bei den Problemdimensionen 9 und 10 ist der Optimierungserfolg nach
der fünften Optimierungsstufe bereits deutlich unter 0.5 abgesunken.
Durchschnittliche Anzahl Zielfunktionsevaluierungen
pro Stufe
400
350
300
250
200
150
100
50
oa [GA] oa [MS] oe(1) oe(2) oe(3) oe(4) oe(5)
0
2 3 4 5 6 7 8 9 10
Problemdimension
Diagr. 5.3.3.4: In Experimentreihe E3 ermittelter Optimierungserfolg und -aufwand
Die in Diagr. 5.3.3.3 und 5.3.3.4 dargestellten Optimierungsergebnisse sind ein deutlicher Hinweis
darauf, dass die den Voroptimierungsaufwand beeinflussenden Kontrollparameter mc, pg
und t des Genetischen Algorithmus nicht unabhängig von der Problemdimension eingestellt
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
GMP-Trefferwahrscheinlichkeit