Diplomarbeit, 2008
120 Seiten, Note: 1,7
Diese Diplomarbeit befasst sich mit der Untersuchung und Erweiterung globaler Optimierungsverfahren für nichtglatte Funktionen, insbesondere nichtstetige Funktionen. Ziel ist es, bestehend Verfahren zu vergleichen und Verbesserungen zu entwickeln, die eine effizientere globale Suche ermöglichen.
1 Einleitung: Diese Einleitung führt in die Thematik der globalen Optimierung nichtglatter Funktionen ein und beschreibt die Motivation für die vorliegende Arbeit. Die ungelösten Fragen aus einer vorherigen Arbeit zum Thema selbstlernende Bewegungsabläufe von vierbeinigen Robotern werden als Ausgangspunkt für die hier durchgeführten Untersuchungen genannt. Die Arbeit gliedert sich in die einzelnen Kapitel, welche die verwendeten Methoden und deren Ergebnisse detailliert beschreiben.
2 Die Anwendung OptimizeTest: Dieses Kapitel präsentiert die speziell für diese Diplomarbeit entwickelte Testumgebung OptimizeTest. Es wird sowohl die Bedienung der Software beschrieben als auch die Implementierung in Java und JavaScript erläutert. Die Verwendung von XML-Dateien zur Datenverwaltung und die Integration der 2D-Zeichenfläche aus dem Projekt Math4u2 werden hervorgehoben.
3 Testfunktionen für Optimierungsverfahren: Hier werden die verschiedenen Testfunktionen vorgestellt, die zur Evaluierung der Optimierungsverfahren verwendet wurden. Die Funktionen werden nach Anzahl der Variablen (eine oder mehrere) und nach ihren Eigenschaften (differenzierbar, stetig, unstetig) kategorisiert. Für jede Funktion werden die Charakteristika, der Definitionsbereich und die Lage des globalen Optimums beschrieben. Besondere Schwerpunkte liegen auf den Schwierigkeiten, die diese Funktionen für verschiedene Optimierungsalgorithmen darstellen.
4 Evolution: Dieses Kapitel bietet eine Einführung in die biologischen Grundlagen der Evolution. Es werden die Konzepte der Genetik, Vererbung und Artentrennung erläutert, um die Prinzipien der evolutionären Algorithmen besser zu verstehen. Die verschiedenen Evolutionsfaktoren wie genetische Drift, natürliche Selektion und Mutation werden detailliert beschrieben. Schließlich wird die Evolution als Optimierungsprozess interpretiert, der die Grundlage für die in dieser Arbeit verwendeten evolutionären Algorithmen bildet.
5 Evolutionäre Algorithmen: Dieses Kapitel beschreibt evolutionäre Algorithmen im Allgemeinen und Evolutionsstrategien im Besonderen. Es wird die prinzipielle Struktur, die Repräsentation der Individuen, die Initialisierung, Bewertung, Fitness, Selektion, Rekombination, Mutation, das Wiedereinfügen und die Abbruchkriterien erläutert. Verschiedene Varianten dieser Prozesse werden vorgestellt und diskutiert.
6 Weitere Optimierungsverfahren: Dieses Kapitel stellt weitere Optimierungsverfahren vor, darunter Partikelschwarm-Optimierung, zyklisches Abstiegsverfahren, STEP, DIRECT, Simulated Annealing, Nelder-Mead-Verfahren und Rosenbrock-Methode. Für jedes Verfahren werden die grundlegenden Prinzipien und der Algorithmus erläutert.
7 Erweiterung der Algorithmen: In diesem Kapitel werden Erweiterungen für die Evolutionsstrategie und den DIRECT-Algorithmus vorgestellt und diskutiert. Für die Evolutionsstrategie werden neue Rekombinationsmethoden (Parallelogramm- und elliptische Rekombination), eine Fitnessberechnung mit verminderter Überbevölkerung und eine Mutation mit Partitionen eingeführt. Für den DIRECT-Algorithmus wird eine Erweiterung mit dem Nelder-Mead-Verfahren und eine Beschränkung der Partitionsanzahl vorgeschlagen.
8 Vergleich der Optimierungsverfahren: Das letzte Kapitel, welches in dieser Zusammenfassung nicht enthalten ist, da es die Ergebnisse der Arbeit darstellt und somit Spoiler enthalten könnte, vergleicht die verschiedenen Verfahren anhand ausgewählter Testfunktionen und ermittelt die optimalen Parameterkonfigurationen.
Globale Optimierung, nichtglatte Funktionen, nichtstetige Funktionen, Evolutionsstrategien, Genetische Algorithmen, Partikelschwarmoptimierung, STEP, DIRECT, Simulated Annealing, Nelder-Mead-Verfahren, Rosenbrock-Methode, Konvergenzgeschwindigkeit, Testfunktionen, Optimierungsparameter, Populationsdynamik, biologische Evolution.
Die Diplomarbeit untersucht und erweitert globale Optimierungsverfahren für nichtglatte, insbesondere nichtstetige Funktionen. Ziel ist der Vergleich bestehender Verfahren und die Entwicklung von Verbesserungen für eine effizientere globale Suche.
Die Arbeit betrachtet verschiedene globale Optimierungsverfahren, darunter Evolutionsstrategien, Genetische Algorithmen, Partikelschwarmoptimierung, STEP, DIRECT, Simulated Annealing, Nelder-Mead-Verfahren und die Rosenbrock-Methode. Zusätzlich werden Erweiterungen für die Evolutionsstrategie und den DIRECT-Algorithmus entwickelt und implementiert.
Für die Evolutionsstrategie wurden neue Rekombinationsmethoden (Parallelogramm- und elliptische Rekombination), eine Fitnessberechnung mit verminderter Überbevölkerung und eine Mutation mit Partitionen eingeführt. Für den DIRECT-Algorithmus wurde eine Erweiterung mit dem Nelder-Mead-Verfahren und eine Beschränkung der Partitionsanzahl vorgeschlagen.
Der Vergleich der Verfahren erfolgt anhand ausgewählter Testfunktionen mit unterschiedlichen Eigenschaften (Anzahl der Variablen, Differenzierbarkeit, Stetigkeit). Die optimalen Parameterkonfigurationen für jedes Verfahren werden ermittelt und die Konvergenzgeschwindigkeit analysiert.
Die Arbeit verwendet eine Reihe von Testfunktionen, die nach Anzahl der Variablen (eine oder mehrere) und ihren Eigenschaften (differenzierbar, stetig, unstetig) kategorisiert sind. Die Auswahl der Testfunktionen zielt darauf ab, die Stärken und Schwächen der verschiedenen Optimierungsverfahren aufzuzeigen.
Die Diplomarbeit nutzt die speziell entwickelte Testumgebung OptimizeTest, implementiert in Java und JavaScript. Die Datenverwaltung erfolgt über XML-Dateien, und die 2D-Zeichenfläche aus dem Projekt Math4u2 ist integriert.
Die Arbeit enthält eine Einführung in die biologischen Grundlagen der Evolution, einschließlich Genetik, Vererbung, Artentrennung und Evolutionsfaktoren. Dies dient dem Verständnis der Prinzipien evolutionärer Algorithmen, da die Evolution als Optimierungsprozess interpretiert wird.
Globale Optimierung, nichtglatte Funktionen, nichtstetige Funktionen, Evolutionsstrategien, Genetische Algorithmen, Partikelschwarmoptimierung, STEP, DIRECT, Simulated Annealing, Nelder-Mead-Verfahren, Rosenbrock-Methode, Konvergenzgeschwindigkeit, Testfunktionen, Optimierungsparameter, Populationsdynamik, biologische Evolution.
Ja, die Arbeit bietet eine detaillierte Zusammenfassung jedes Kapitels, beginnend mit der Einleitung und der Motivation, über die Beschreibung der verwendeten Methoden und Algorithmen bis hin zu den Ergebnissen (ausgenommen das Kapitel mit den Ergebnissen, um Spoiler zu vermeiden).
Die Ergebnisse des Vergleichs der Optimierungsverfahren sind im letzten Kapitel der Diplomarbeit enthalten. Die Zusammenfassung enthält diese Ergebnisse nicht, um Spoiler zu vermeiden.
Der GRIN Verlag hat sich seit 1998 auf die Veröffentlichung akademischer eBooks und Bücher spezialisiert. Der GRIN Verlag steht damit als erstes Unternehmen für User Generated Quality Content. Die Verlagsseiten GRIN.com, Hausarbeiten.de und Diplomarbeiten24 bieten für Hochschullehrer, Absolventen und Studenten die ideale Plattform, wissenschaftliche Texte wie Hausarbeiten, Referate, Bachelorarbeiten, Masterarbeiten, Diplomarbeiten, Dissertationen und wissenschaftliche Aufsätze einem breiten Publikum zu präsentieren.
Kostenfreie Veröffentlichung: Hausarbeit, Bachelorarbeit, Diplomarbeit, Dissertation, Masterarbeit, Interpretation oder Referat jetzt veröffentlichen!
Kommentare