Zusammenfassung
Evolutionäre Algorithmen benötigen für die Optimierung eine hohe Anzahl an Auswertungen der Gütefunktion. Dieser Aufwand limitiert ihre Anwendbarkeit bei der Hardware-in-the-Loop Optimierung und bei auf zeitaufwändigen Simulationen und Berechnungen basierenden Optimierungsaufgaben. Dieser Beitrag präsentiert einen neuartigen Ansatz zur Fitnessmodellierung, welcher die Anzahl an Güteauswertungen mit Hilfe einer Vorselektion deutlich reduziert. Die Innovation des Ansatzes besteht in der gezielten Regelung des Selektionsdrucks innerhalb der Vorselektion anhand der geschätzten Modellgüte. Diese sogenannte λ-Regelung garantiert gegenüber einer rein statischen Vorselektion eine effiziente Optimierung bezüglich der benötigten Güteauswertungen. Zudem erweitert die hier vorgestellte Methode die bekannten Ansätze zur modellgestützten, skalaren, evolutionären Optimierung auf multikriterielle Probleme. Die Optimierungsergebnisse an Benchmarkproblemen weisen eine verbesserte Konvergenz gegenüber herkömmlichen multikriteriellen Evolutionsstrategien auf und belegen die Effizienz der λ-geregelten Variante.
Abstract
Evolutionary algorithms require a large number of fitness evaluations in order to find an optimal solution. This property limits their application to hardware in the loop optimization or optimization of time-consuming simulations and calculations. This contribution proposes a preselection with data based models in order to reduce the number of true fitness evaluations. It extends previous approaches for model assisted scalar optimization to multiobjective problems by a proper redefinition of model quality and λ-control. The application to multiobjective benchmark optimization problems underlies the improved convergence of the model assisted evolution strategy compared to a multiobjective evolution strategy as well as the advantages of a λ-controlled variant compared to a static preselection.
© by Oldenbourg Wissenschaftsverlag, München, Germany
