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.
18 2 Gr<strong>und</strong>lagen<br />
nistisch arbeitenden Nachbarschaftsstrukturen entscheidend von <strong>der</strong>en Parametrisierung 6 sowie<br />
von <strong>der</strong> Wahl <strong>der</strong> Startlösung x start<br />
<br />
ab. Hier ist man häufig gezwungen, auf e<strong>in</strong>e zufällig ausgewählte<br />
Startlösung zurückzugreifen, <strong>in</strong>sbeson<strong>der</strong>e dann, wenn ke<strong>in</strong>erlei Vorwissen über die<br />
Oberflächencharakteristik <strong>der</strong> zu optimierenden Zielfunktion vorhanden ist.<br />
Der Hauptvorteil des <strong>in</strong> Abb. 2.3.3.1.1 dargestellten Algorithmus besteht <strong>in</strong> se<strong>in</strong>er allgeme<strong>in</strong>en<br />
Anwendbarkeit, da nur <strong>der</strong> Lösungsraum L, e<strong>in</strong>e berechenbare Zielfunktion F <strong>und</strong> e<strong>in</strong>e Nachbarschaftsstruktur<br />
η vorausgesetzt werden. Die Def<strong>in</strong>ition <strong>der</strong> Nachbarschaftsstruktur hängt<br />
stark vom vorgegebenen Optimierungsproblem ab. Handelt es sich um e<strong>in</strong> Komb<strong>in</strong>atorikproblem,<br />
muss die Nachbarschaftsstruktur <strong>in</strong> den meisten Fällen <strong>in</strong>dividuell angepasst werden 7 .<br />
Auch bei Parameteroptimierungsproblemen gibt es durchaus unterschiedliche Realisierungsmöglichkeiten<br />
für e<strong>in</strong>e Nachbarschaftsstruktur. Daraus resultiert auch die Vielzahl <strong>der</strong> heute<br />
existierenden lokalen Parameteroptimierungsverfahren, die unter dem Namen Hill-Climb<strong>in</strong>g<br />
Strategien zusammengefasst werden. Die Vorgehensweise dieser Verfahren ist vergleichbar<br />
mit <strong>der</strong> e<strong>in</strong>es bl<strong>in</strong>den Bergsteigers, <strong>der</strong> sich von e<strong>in</strong>em Tal aus zum nächstgelegenen Gipfel<br />
empor tastet. Die Tastschritte können entwe<strong>der</strong> nach re<strong>in</strong>-determ<strong>in</strong>istischen Regeln vorgenommen<br />
werden o<strong>der</strong> zufallsgesteuert ablaufen (stochastisches Hill-Climb<strong>in</strong>g). In manchen<br />
Fällen wird auch e<strong>in</strong>e Mischform verwendet. Jede dieser drei Verfahrensklassen zeigt eigene,<br />
charakteristische Konvergenzeigenschaften. Determ<strong>in</strong>istische Verfahren konvergieren i.a. dann<br />
sehr schnell, wenn die Startlösung bereits <strong>in</strong> <strong>der</strong> Nähe <strong>der</strong> optimalen Lösung liegt. Stochastische<br />
Verfahren weisen dagegen e<strong>in</strong>e weitaus sicherere Konvergenz bei beliebigen Startlösungen<br />
auf, konvergieren dafür aber deutlich langsamer.<br />
Die wichtigsten direkten Hill-Climb<strong>in</strong>g Verfahren, <strong>der</strong>en Suche sich ausschließlich an <strong>der</strong> Ergebnisoberfläche<br />
<strong>der</strong> Zielfunktion orientiert, s<strong>in</strong>d<br />
- Koord<strong>in</strong>atenstrategie [Sout40], [Sout46], [FrSa47]<br />
- Strategie von Rosenbrock (Rotierende Koord<strong>in</strong>aten) [Rose60]<br />
- Strategie von Hooke <strong>und</strong> Jeeves (Mustersuche) [HoJe61]<br />
- Simplex-Strategie von Nel<strong>der</strong> <strong>und</strong> Mead [SpHH62]<br />
- Strategie von Davies, Swann <strong>und</strong> Campey (DSC) [Swan64], [BoDS69]<br />
- Complex-Strategie von Box [Box65]<br />
- Simultaneous Perturbation Stochastic Approximation (SPSA) [Spal98], [Spall99]<br />
Sämtliche <strong>der</strong> oben genannten Verfahren eignen sich zur Parameteroptimierung mehrdimensionaler<br />
Zielfunktionen. Handelt es sich bei F um e<strong>in</strong>e mathematische Zielfunktion <strong>und</strong> ist diese<br />
stetig <strong>und</strong> differenzierbar, können auch die erste <strong>und</strong> zweite Ableitung von F mit <strong>in</strong> die Optimierungsstrategie<br />
e<strong>in</strong>gebracht werden. Diese so genannten hybriden Strategien spalten sich<br />
wie<strong>der</strong>um auf <strong>in</strong> Gradienten- <strong>und</strong> Newton-Methoden. Bei den Gradienten-Methoden wird die<br />
Existenz <strong>der</strong> ersten Ableitung <strong>der</strong> Zielfunktion vorausgesetzt. Die Newton-Methoden benötigen<br />
6<br />
bei Hill-Climb<strong>in</strong>g Verfahren müssen beispielsweise Anfangsschrittweiten vorgegeben werden<br />
7<br />
In [AaKo89] wird beispielsweise e<strong>in</strong>e speziell auf das Travell<strong>in</strong>g Salesman Problem TSP zugeschnittene<br />
Nachbarschaftsstruktur vorgestellt.