PES

From BlueM
Jump to navigation Jump to search


EVO.png BlueM.Opt | Download | Usage | Development

Screenshot of an optimization using the PES algorithm (test problem 'Box')

Beschreibung

Parametric Evolution Strategy (PES) is a multicriteria evolutionary strategy originally developed by Rechenberg[1] and Schwefel[2], modified by Muschalla[3] and Huebner[4][5]. See also Deb (2001)[6].

Required input files

Optional:

Settings

Setting Options Description
Selektion
(EVO_STRATEGIE)
Plus_Strategie Die Selektion erfolgt aus der Menge der Eltern und der Nachfolger
Komma_Strategie Die Selektion erfolgt nur aus der Menge der Nachfolger
Startwerte
(EVO_STARTPARAMETER)
Zufall Zufällige Startparameter
Original Vorgegebene Startwerte
Mutation
(EVO_DNMutation)
Rechenberg Mutation nach Rechenberg[1]
Schwefel Mutation nach Schwefel[2] (aktuellerer Ansatz)
Startschrittweite
(DnStart)
0.01 - 1 Startschrittweite für die Parametervariation
mit Schrittweitenvektor
(is_DnVektor)
ja/nein bei ja bekommt jeder Parameter eine eigene Schrittweite
... ... ...
Ermitteln der Eltern
(EVO_ELTERN)
Siehe Bug 262!
Selektion Ein Individuum wird zufällig mit allen Parametern als Elter aus dem Bestwertspeicher ausgewählt
XX_Diskret Jede Parameterwert-Schrittweiten-Kombination wird zufällig aus allen Individuen des Bestwertspeichers ausgewählt
XX_Mitteln Jede Parameterwert-Schrittweiten-Kombination wird über alle Individuen des Bestwertspeichers gemittelt
XY_Diskret Jede Parameterwert-Schrittweiten-Kombination wird zufällig aus y Individuen des Bestwertspeichers ausgewählt
XY_Mitteln Jede Parameterwert-Schrittweiten-Kombination wird aus y Individuen des Bestwertspeichers gemittelt
XX_Mitteln_Diskret Jeder Parameterwert wird zufällig aus allen Individuen des Bestwertspeichers ausgewählt
Jede Schrittweite wird über alle Individuen des Bestwertspeichers gemittelt
XY_Mitteln_Diskret Jeder Parameterwert wird zufällig aus y Individuen des Bestwertspeichers ausgewählt
Jede Schrittweite wird über y Individuen des Bestwertspeichers gemittelt
Neighbourhood siehe Muschalla (2006)[3] (nur bei MultiObjective)
X/_-Rekombination
(n_RekombXY)
1 - 100 Die Anzahl der Individuen die zur Rekombination herangezogen werden (nur bei Rekombination x/y)
Tournament Selection
(is_diversity_tournament)
ja/nein Zur Ermittlung der zur Rekombination herangezogenen Individuen werden zunächst für jeden zu ermittelnden Elter zwei Individuen aus dem Bestwertspeicher zufällig ausgewählt. Das Individuum mit dem besseren Diversitätswert wird zum Elter. (nur bei Rekombination x/y)

Literaturangaben

  1. 1.0 1.1 Rechenberg, I. (1994): Evolutionsstrategie '94. Werkstatt Bionik und Evolutionstechnik, Band 1. Stuttgart: Frommann-Holzboog.
  2. 2.0 2.1 Schwefel, Hans-Paul (1993): Evolution and Optimum Seeking, John Wiley & Sons, Inc.
  3. 3.0 3.1 Muschalla, Dirk (2006): Evolutionäre multikriterielle Optimierung komplexer wasserwirtschaftlicher Systeme. PhD thesis, Vol. 137/2006, Technische Universität Darmstadt, Mitteilungen des Instituts für Wasserbau und Wasserwirtschaft, Fachgebiet für Ingenieurhydrologie und Wasserbewirtschaftung.
  4. Huebner, Christoph (2003): Entwicklung eines optimalen Hochwassersteuerungskonzeptes information.png. Studienarbeit, Technische Universität Darmstadt, Fachgebiet für Ingenieurhydrologie und Wasserbewirtschaftung.
  5. Huebner, Christoph (2004): Optimale Parameterwahl für Evolutionäre Algorithmen zur Optimierung von Mischwassernetzen information.png. Diplomarbeit, Technische Universität Darmstadt, Fachgebiet für Ingenieurhydrologie und Wasserbewirtschaftung.
  6. Deb, Kalyanmoy (2001): Multi-Objective Optimization using Evolutionary Algorithms, Chichester: Wiley, ISBN 047187339X