und Komponenten-Technologien in der Modellierung ... - CES - KIT
und Komponenten-Technologien in der Modellierung ... - CES - KIT
und Komponenten-Technologien in der Modellierung ... - CES - KIT
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
124 5 Konzeption, Realisierung <strong>und</strong> Bewertung e<strong>in</strong>er Optimierungskomponente<br />
5.5 Mögliche Weiterentwicklungen<br />
Abschließend sei noch auf folgende Erweiterungsmöglichkeiten für die <strong>in</strong> diesem Kapitel beschriebene<br />
Optimierungskomponente h<strong>in</strong>gewiesen:<br />
- Behandlung von Komb<strong>in</strong>atorikproblemen<br />
Bei <strong>der</strong> Modelloptimierung s<strong>in</strong>d neben den bislang betrachteten reellwertigen Parameteroptimierungsproblemen<br />
auch Aufgabenstellungen denkbar, die <strong>in</strong> den Bereich <strong>der</strong> Komb<strong>in</strong>atorikprobleme<br />
12 fallen. Zu <strong>der</strong>en Lösung können Genetische Algorithmen <strong>und</strong> das Simulated<br />
Anneal<strong>in</strong>g als universell anwendbare Verfahren gr<strong>und</strong>sätzlich beibehalten werden. Die Mustersuche,<br />
die speziell auf die reellwertige Parameteroptimierung zugeschnitten ist, muss jedoch<br />
durch e<strong>in</strong>en auf das jeweils vorliegende Komb<strong>in</strong>atorikproblem angepassten Greedy-<br />
Algorithmus ersetzt werden.<br />
- Parallelisierung des Optimierungsprozesses<br />
Gerade die zur Voroptimierung e<strong>in</strong>gesetzten globalen Optimierungsverfahren bieten vielfältige<br />
Möglichkeiten zur Parallelisierung. Durch gezieltes Ausnutzen dieser Möglichkeiten<br />
lässt sich die zur Durchführung <strong>der</strong> Optimierung benötigte Rechenzeit <strong>in</strong> <strong>der</strong> Regel beträchtlich<br />
reduzieren.<br />
- Nachweis von Periodizität<br />
Durch frühzeitiges Erkennen von Periodizität ließe sich bei <strong>der</strong> mehrstufigen Optimierung<br />
von Zielfunktionen mit periodisch verlaufen<strong>der</strong> Ergebnisoberfläche 13 <strong>in</strong> hohem Maße Optimierungsaufwand<br />
e<strong>in</strong>sparen.<br />
- Integration weiterer Fe<strong>in</strong>optimierungsverfahren<br />
Zur Fe<strong>in</strong>optimierung stellt die <strong>in</strong> Abschnitt 5.2 beschriebene Optimierungskomponente bislang<br />
ausschließlich die aus den sechziger Jahren stammende Mustersuche von Hooke <strong>und</strong><br />
Jeeves [HoJe61] zur Verfügung. Dieses weit verbreitete determ<strong>in</strong>istische Hill-Climb<strong>in</strong>g<br />
Verfahren wurde deshalb ausgewählt, weil es äußerst effizient arbeitet, relativ hohe Unempf<strong>in</strong>dlichkeit<br />
gegenüber stochastisch gestörten Zielfunktionswerten aufweist <strong>und</strong> <strong>in</strong> <strong>der</strong> Lage<br />
ist, Extremstellen mit e<strong>in</strong>er vom Anwen<strong>der</strong> e<strong>in</strong>stellbaren Genauigkeit zu lokalisieren. E<strong>in</strong>e<br />
gute Ergänzung zur Mustersuche würde beispielsweise <strong>der</strong> <strong>in</strong> den neunziger Jahren entwickelte<br />
SPSA (Simultaneous Perturbation Stochastic Approximation) Algorithmus darstellen.<br />
Dabei handelt es sich ebenfalls um e<strong>in</strong> direktes Hill-Climb<strong>in</strong>g Verfahren, das aber im Gegensatz<br />
zur Mustersuche auf stochastischen Suchoperatoren basiert. Detaillierte Beschreibungen<br />
des sehr effizient arbeitenden SPSA Algorithmus f<strong>in</strong>den sich <strong>in</strong> [Spal98] <strong>und</strong><br />
[Spall99].<br />
12<br />
z.B. die Optimierung <strong>der</strong> Modellstruktur<br />
13<br />
die Zielfunktionen aus Tabelle 5.3.2.1 <strong>und</strong> 5.3.2.5 weisen beispielsweise e<strong>in</strong>e periodisch verlaufende Ergebnisoberfläche<br />
auf