MetaEvo: Difference between revisions
m (category) |
|||
| (5 intermediate revisions by 3 users not shown) | |||
| Line 8: | Line 8: | ||
== | == Kurzbeschreibung == | ||
MetaEvo ermöglicht das sequentielle Nutzen von | MetaEvo ermöglicht das sequentielle Nutzen von globalen und lokalen Optimierungsverfahren. Die globale Optimierung erfolgt mit Hilfe der Evolutionsstrateigen einschließlich dynamischer Verwendung verschiedener Algorithmen für Mutation und Selektion. Die lokale Optimierung basiert auf dem Algorithmus von Hook & Jeeves. | ||
== Globale Optimierung == | |||
Die globale Optimierung nutzt mehrere, parallel ausgeführte, evolutionäre Algorithmen. Das Austauschen, Erweitern oder Verringern dieser Menge ist leicht möglich. Basiered auf dem Erfolg eines Algorithmus (d.h. hohe Überlebensrate der erzeugten Individuen nach der Selektion) wird die Menge der neu zu erzeugenden Individuen in der nächsten Generation bestimmt. Dieses System der Initiative ermöglicht es dem Meta-Algorithmus auf das gegebene Problem zu reagieren sowie zeitliche Änderungen ind er Berechnungsituation mit einzubeziehen. | Die globale Optimierung nutzt mehrere, parallel ausgeführte, evolutionäre Algorithmen. Das Austauschen, Erweitern oder Verringern dieser Menge ist leicht möglich. Basiered auf dem Erfolg eines Algorithmus (d.h. hohe Überlebensrate der erzeugten Individuen nach der Selektion) wird die Menge der neu zu erzeugenden Individuen in der nächsten Generation bestimmt. Dieses System der Initiative ermöglicht es dem Meta-Algorithmus auf das gegebene Problem zu reagieren sowie zeitliche Änderungen ind er Berechnungsituation mit einzubeziehen. | ||
== Umschaltpunkt == | |||
Nachdem sich die Effektivität der globalen Optimierung durch Annäherung an die Paretofront der optimalen Lösungen verringert hat (Prüfung mit Solutionvolume), wird zur lokalen Optimierung umgeschaltet. Es besteht weiter die Möglichkeit den Umfang der nun folgende, lokale Optimierung durch die Reduzierung der gewünschten Lösungen zu beeinflussen. | Nachdem sich die Effektivität der globalen Optimierung durch Annäherung an die Paretofront der optimalen Lösungen verringert hat (Prüfung mit [[Solutionvolume]]), wird zur lokalen Optimierung umgeschaltet. Es besteht weiter die Möglichkeit den Umfang der nun folgende, lokale Optimierung durch die Reduzierung der gewünschten Lösungen zu beeinflussen. | ||
== Lokale Optimierung == | |||
Für die lokale Optimierung wir der Algorithmus nach | Für die lokale Optimierung wir der Algorithmus nach [[Hooke & Jeeves]] genutzt. Die im Umschaltpunkt definierte Anzahl an Lösungen stellt die Anzahl der parallel ablaufenden, separaten Hooke & Jeeves-Prozesse dar. Für jeden Prozess wird die nötige, feste Gewichtung der verschiedenen Zielfunktionen, basierend auf der Positionierung der Individuen zueinander im Lösungsraum zum Umschaltzeitpunkt gesetzt. | ||
==Literaturangaben== | ==Literaturangaben== | ||
<references/> | <references/> | ||
[[Kategorie: | [[Kategorie:BlueM.Opt]] | ||
Latest revision as of 03:04, 22 January 2018
BlueM.Opt | Download | Usage | Development
MetaEvo ist ein multi-kriterieller, hybrider Optimierungsalgorithmus[1].
- Kurzbeschreibung der Funktionalität
- Anwendungshinweise
- TODO?
Kurzbeschreibung
MetaEvo ermöglicht das sequentielle Nutzen von globalen und lokalen Optimierungsverfahren. Die globale Optimierung erfolgt mit Hilfe der Evolutionsstrateigen einschließlich dynamischer Verwendung verschiedener Algorithmen für Mutation und Selektion. Die lokale Optimierung basiert auf dem Algorithmus von Hook & Jeeves.
Globale Optimierung
Die globale Optimierung nutzt mehrere, parallel ausgeführte, evolutionäre Algorithmen. Das Austauschen, Erweitern oder Verringern dieser Menge ist leicht möglich. Basiered auf dem Erfolg eines Algorithmus (d.h. hohe Überlebensrate der erzeugten Individuen nach der Selektion) wird die Menge der neu zu erzeugenden Individuen in der nächsten Generation bestimmt. Dieses System der Initiative ermöglicht es dem Meta-Algorithmus auf das gegebene Problem zu reagieren sowie zeitliche Änderungen ind er Berechnungsituation mit einzubeziehen.
Umschaltpunkt
Nachdem sich die Effektivität der globalen Optimierung durch Annäherung an die Paretofront der optimalen Lösungen verringert hat (Prüfung mit Solutionvolume), wird zur lokalen Optimierung umgeschaltet. Es besteht weiter die Möglichkeit den Umfang der nun folgende, lokale Optimierung durch die Reduzierung der gewünschten Lösungen zu beeinflussen.
Lokale Optimierung
Für die lokale Optimierung wir der Algorithmus nach Hooke & Jeeves genutzt. Die im Umschaltpunkt definierte Anzahl an Lösungen stellt die Anzahl der parallel ablaufenden, separaten Hooke & Jeeves-Prozesse dar. Für jeden Prozess wird die nötige, feste Gewichtung der verschiedenen Zielfunktionen, basierend auf der Positionierung der Individuen zueinander im Lösungsraum zum Umschaltzeitpunkt gesetzt.
Literaturangaben
- ↑ Kerber, D. (2009): Entwicklung eines multi-kriteriellen, hybriden Optimierungsalgorithmus für den Einsatz in der Kanalnetzsteuerung
, Diplomarbeit, TU Darmstadt