Evolutionäre Algorithmen: Verfahren, Operatoren Und Hinweise Für Die Praxis

ISBN-13: 9783642630521 / Niemiecki / Miękka / 2013 / 317 str.

Hartmut Pohlheim

Opis

Evolutionare Algorithmen als Optimierungsverfahren bieten vielfaltige Anwendungsmoglichkeiten fur ingenieurtechnische Losungen industrieller Aufgaben. Dieses Buch dient in seiner Aufbereitung als praxisnahes Nachschlagewerk. In anwendungsorientierter Art und Weise werden, von einer einfachen Struktur Evolutionarer Algorithmen ausgehend, grundlegende Bestandteile, Verfahren, Operatoren und Erweiterungen beschrieben und in ihren Anwendungsmoglich- keiten analysiert. Durch die ausfuhrliche Darstellung mehrerer ausgewahlter Praxisbeispiele wird ein Einblick in die Anwendung Evolutionarer Algorithmen gegeben. Fur den Einsatz in der Praxis ist dies von unschatzbarem Wert. Die dem Buch beiliegende Toolbox fur Matlab bietet einen guten Einstieg in die Arbeit mit Evolutionaren Algorithmen und kann sofort fur die Losung eigener Praxisprobleme genutzt werden. Der Benutzer erhalt neben dem notwendigen Grundwissen ein wertvolles Arbeitsmittel an die Hand."

Spis treści

1 Einleitung.- 2 Struktur und Aufbau Evolutionärer Algorithmen.- 3 Grundlegende Verfahren und Operatoren.- 3.1 Fitneßzuweisung.- 3.1.1 Proportionale Fitneßzuweisung.- 3.1.2 Reihenfolgebasierte Fitneßzuweisung (Ranking).- 3.1.3 Mehrkriterielle Fitneßzuweisung.- 3.2 Selektion.- 3.2.1 Rouletteselektion.- 3.2.2 Stochastic universal sampling.- 3.2.3 Turnierselektion.- 3.2.4 Truncation-Selektion.- 3.2.5 Analyse der Selektionsverfahren.- 3.2.6 Vergleich der Selektionsverfahren.- 3.3 Rekombination.- 3.3.1 Diskrete Rekombination.- 3.3.2 Rekombination reeller und ganzzahliger Variablen.- 3.3.3 Rekombination binärer Variablen (crossover).- 3.3.4 Rekombination bei kombinatorischen Problemen.- 3.4 Mutation.- 3.4.1 Mutation reeller und ganzzahliger Variablen.- 3.4.2 Mutation reeller Variablen mit Adaption der Schrittweiten.- 3.4.3 Mutation binärer Variablen.- 3.4.4 Mutation bei kombinatorischen Problemen.- 3.5 Wiedereinfügen (Reinsertion).- 3.6 Initialisierung der Individuen.- 3.6.1 Zufällige Initialisierung:.- 3.6.2 Erweiterte Initialisierung (nicht-zufällig).- 3.7 Abbruchkriterien.- 3.7.1 Direkte Abbruchkriterien.- 3.7.2 Abgeleitete Abbruchkriterien.- 3.7.3 Einsatz der Abbruchkriterien.- 3.8 Zusammenfassung.- 4 Populationen, verschiedene Strategien und Konkurrenz.- 4.1 Klassifikation von Populationsmodellen.- 4.2 Globales Modell.- 4.3 Lokales Modell.- 4.3.1 Topologie von Nachbarschaften.- 4.3.2 Allgemeine Beschreibung von Nachbarschaften.- 4.3.3 Selektion in Nachbarschaft.- 4.3.4 Wiedereinfügen in Nachbarschaft.- 4.3.5 Analyse des lokalen Modells.- 4.4 Regionales Modell.- 4.4.1 Anzahl und Größe der Unterpopulationen.- 4.4.2 Migrationstopologien.- 4.4.3 Migrationsintervall und Migrationsrate.- 4.4.4 Auswahl der Migranten.- 4.4.5 Ablauf der Migration.- 4.4.6 Analyse des regionalen Modells.- 4.5 Anwendung verschiedener Strategien.- 4.5.1 Berechnung der Ordnung der Unterpopulationen.- 4.5.2 Beispiel der Anwendung verschiedener Strategien.- 4.5.3 Analyse der Anwendung verschiedener Strategien.- 4.6 Konkurrierende Unterpopulationen.- 4.6.1 Erfolg der Unterpopulationen.- 4.6.2 Aufteilung der Ressourcen.- 4.6.3 Umsetzung der Verteilung der Ressourcen.- 4.6.4 Beispiel des Einsatzes konkurrierender Unterpopulationen.- 4.6.5 Analyse der konkurrierenden Unterpopulationen.- 4.7 Zusammenfassung.- 5 Visualisierung und Optimierung.- 5.1 Systematisierung der Visualisierung von EA.- 5.1.1 Kriterien der Systematisierung.- 5.1.2 Daten zur Visualisierung.- 5.1.3 Schema der Systematisierung.- 5.2 Globale Eigenschaften einer Population.- 5.2.1 Zielfunktionswert des besten Individuums der Population (Konvergenzdiagramm).- 5.2.2 Variablen des jeweils besten Individuums einer Population.- 5.2.3 Zielfunktionswerte (Güte) aller Individuen über mehrere Generationen.- 5.2.4 Position und Größe der Unterpopulationen.- 5.3 Lokale Eigenschaften einer Population.- 5.3.1 Variablen aller Individuen einer Generation.- 5.3.2 Zielfunktionswerte aller Individuen einer Generation.- 5.3.3 Distanzverteilung und Distanzkarten der Individuen einer Generation.- 5.4 Hochdimensionale Visualisierung.- 5.4.1 Verfahren.- 5.4.2 Anwendung der mehrdimensionalen Visualisierung.- 5.4.3 Analyse der mehrdimensionalen Visualisierung.- 5.5 Eigenschaften der Zielfunktion.- 5.5.1 Direkte Darstellung der Zielfunktion.- 5.5.2 Fitneß-Distanz-Verteilung.- 5.5.3 Visualisierung problemspezifischer Daten und Ergebnisse.- 5.6 Protokollierung von Daten und Ergebnissen.- 5.7 Zusammenfassung und Ausblick.- 6 Genetic and Evolutionary Algorithm Toolbox for Matlab.- 6.1 Aufbau und Struktur der GEATbx.- 6.2 Anwenderschnittstelle—Scriptfunktionen.- 6.3 Vordefinierte Algorithmen—Toolboxfunktionen.- 6.4 Zentralfunktion.- 6.4.1 Initialisierung.- 6.4.2 Fitneßzuweisung und Selektion.- 6.4.3 Rekombination.- 6.4.4 Mutation.- 6.4.5 Wiedereinfügen.- 6.4.6 Migration und Konkurrenz zwischen Unterpopulationen.- 6.4.7 Terminierung.- 6.4.8 Visualisierung.- 6.4.9 Protokollierung.- 6.5 Zielfunktionen und Beispiele.- 6.6 Einbeziehung problemspezifischen Wissens.- 6.7 Dokumentation.- 6.8 Zusammenfassung und Ausblick.- 7 Kombination von Operatoren zu Evolutionären Algorithmen.- 7.1 Allgemein einstellbare Verfahren und Operatoren.- 7.1.1 Fitneßzuweisung und Selektion.- 7.1.2 Anwendung verschiedener Strategien und Konkurrenz zwischen Unterpopulationen.- 7.1.3 Regionales Populationsmodell (Migration zwischen Unterpopulationen).- 7.1.4 Zusammenfassung allgemein einstellbare Verfahren.- 7.2 Global orientierte Parameteroptimierung.- 7.3 Lokal orientierte Parameteroptimierung.- 7.4 Parameteroptimierung binärer Variablen.- 7.5 Kombinatorische Optimierung.- 7.6 Parameteroptimierung von Variablen verschiedener Repräsentation.- 7.7 Zusammenfassung.- 8 Anwendung Evolutionärer Algorithmen auf Praxisprobleme.- 8.1 Vorgehen bei der Lösung von Optimierungsaufgaben.- 8.1.1Einordnung des Problems und Festlegung der Zielfunktion.- 8.1.2 Untersuchungen des Systemverhaltens.- 8.1.3 Festlegung des Optimierungsverfahrens.- 8.1.4 Durchführung und Auswertung von Optimierungen.- 8.2 Optimierung mehrdimensionaler Funktionen.- 8.2.1Verwendete Optimierungsverfahren.- 8.2.2 RASTRIGIN’S Funktion.- 8.2.3 RosBROCK’s Funktion.- 8.2.4 Moved axis parallel hyper-ellipsoid Funktion.- 8.2.5 Zusammenfassung mehrdimensionale Funktionen.- 8.3 Parameteridentifikation eines Dieselmotormodells.- 8.3.1 Beschreibung des Systems.- 8.3.2 Untersuchungen des Systemverhaltens.- 8.3.3 Zielfunktion für die Optimierung.- 8.3.4 Verwendetes Optimierungsverfahren.- 8.3.5 Problemspezifische Visualisierung.- 8.3.6 Ergebnisse der Optimierungen.- 8.3.7 Auswertung der Ergebnisse.- 8.3.8 Zusammenfassung Parameteridentifikation Dieselmotor.- 8.4 Optimierung der Parameter eines Reglers (Fahrzeuglenkung).- 8.4.1 Modell der Querlenkung.- 8.4.2 Anforderungen an den Regler.- 8.4.3 Simulation des Gesamtsystems.- 8.4.4 Aufstellung der Zielfunktion.- 8.4.5 Durchführung der Optimierung.- 8.4.6 Ergebnisse der Optimierung.- 8.4.7 Zusammenfassung Fahrzeuglenkung.- 8.5 Steuerung eines komplexen Systems (Gewächshausklima).- 8.5.1 Einleitung.- 8.5.2 Kurzbeschreibung des Gewächshausklimamodells.- 8.5.3 Repräsentation der Individuen und Zielfunktion.- 8.5.4 Einbeziehung problemspezifischen Wissens.- 8.5.5 Optimale Steuerung für durchschnittliche Tage.- 8.5.6 Optimale Steuerung bei veränderten Preisen.- 8.5.7 Optimale Steuerung unter Verwendung realer Wetterdaten.- 8.5.8 Zusammenfassung Gewächshausklima.- 8.6 Zusammenfassung.- 9 Schlußbetrachtungen.- 9.1 Zusammenfassung.- 9.2 Ausblick.- A. 1 Historische Entwicklung Evolutionärer Algorithmen.- A.1.1 Erste Arbeiten zu Evolutionären Algorithmen.- A.1.2 Evolutionäre Programmierung.- A.1.3 Evolutionsstrategien.- A.1.4 Genetische Algorithmen.- A.1.5 Evolutionäre Algorithmen heute.- A.2 Gewächshaus- und Pflanzenmodell.- A.2.1 Zustandsgieichungen des Gewächshauses.- A.2.2 Zustandsgieichungen des Pflanzenmodells (Paprika).- A.2.3 Biomasse und Gewinn.- A.2.4 Beschränkungen.- Evolutionäre Algorithmen und Optimierung.- Kombinatorische Optimierung (TSP, Scheduling).- Behandlung von Populationen—Parallele Modelle.- Visualisierung.- Polyploidie bei Evolutionären Algorithmen.- Biologie, Genetik und Populationsgenetik.- Pflanzenwachstum und Gewächshaus.

Blurb

Evolutionäre Algorithmen als Optimierungsverfahren bieten vielfältige Anwendungsmöglichkeiten für ingenieurtechnische Lösungen industrieller Aufgaben. Dieses Buch dient in seiner Aufbereitung als praxisnahes Nachschlagewerk. In anwendungsorientierter Art und Weise werden von einer einfachen Struktur Evolutionärer Algorithmen ausgehend grundlegende Bestandteile, Verfahren, Operatoren und Erweiterungen beschrieben und in ihren Anwendungsmöglichkeiten analysiert. Durch die ausführliche Darstellung mehrerer ausgewählter Praxisbeispiele wird ein Einblick in die Anwendung Evolutionärer Algorithmen gegeben. Für den Einsatz in der Praxis ist dies von un- schätzbarem Wert. Die dem Buch beiliegende Toolbox für Matlab bietet einen guten Einstieg in die Arbeit mit Evolutionären Algorithmen und kann sofort für die Lösung eigener Praxisprobleme genutzt werden. Der Benutzer erhält neben dem notwendigen Grundwissen ein wertvolles Arbeits- mittel an die Hand.