Evolutionäre Algorithmen für die zielgerichtete Optimierung pdfsubject

4.4. Zusammenfassung 51
15
10
∆ t [s]
5
0
Rechner 1
Rechner 2
10 20 30 40 50 60 70
Frame
10000
8000
∆ T [mi]
6000
4000
2000
0
Rechner 1
Rechner 2
10 20 30 40 50 60 70
Frame
Abbildung 4.8: Normierung der zeitlichen Messung für Rechner mit unterschiedlichen Leistungsmerkmalen.
(oben) Gemessene Zeit in Sekunden für die Schätzung einer Postur in jedem
Frame einer Bildsequenz. (unten) Zeitliche Messungen auf die Anzahl der Instruktionen normiert.
einer Postur in einem Frame benötigt. Die prozentuale Differenz der Zeiten über
die Bildsequenz gemittelt beträgt ca. 23%. Diese Zeitmessungen werden nun auf
die Anzahl der Instruktionen normiert. In Abbildung 4.8 (unten) ist dies dargestellt.
Das Resultat ist eine Reduktion der prozentualen Differenz auf 3% der
Zeitmessungen beider Rechner. Man kann hier erkennen, dass diese Normierung
nur eine Angleichung darstellt: Dem eigentlich schnelleren Rechner 2 werden nach
der Normierung größtenteils weniger ausgeführte Instruktionen als dem ersten zugeschrieben.
Die Leistungsreihenfolge beider Rechner wird hier also vertauscht.
Durch die Normierung ist es notwendig, die maximal erwartete Dauer für die
Schätzung einer Postur für die Fitnessskalierung aus Abschnitt 3.2.3 der neuen
Einheit der Messung anzupassen. Anhand der obigen Abbildung wird der maximale
Wert daher auf R (Zeit) = 20 Milliarden Instruktionen gesetzt.
4.4 Zusammenfassung
In diesem Kapitel wurden die Konzepte für die Integration der Optimierungsalgorithmen,
des Body-Trackers und der Ground-Truth erläutert. Die grundlegende
Struktur des Frameworks ist ein Server-Client-Modell in einem lokalen Netzwerk
aus Arbeitsplatzrechnern, wobei die Clients für die Berechnung der Fitnesswerte
der Individuen verwendet werden und der Server für die Verteilung der Berechnungen
zuständig ist.
Der genetische Algorithmus ist sehr robust gegenüber ”
Ausfällen“ einzelner Individuen;
dieses Konzept wurde auf das Framework übertragen. Einzelne Clients