Lokale Suchalgorithmen in Optimierungsstrategien sind robust, deklaratorisch genügsam und arbeiten schnell. Jedoch besitzen sie keine Erinnerung an ihre eigene Variablenvorgeschichte. Dies ist ein großer Nachteil gegenüber anderen konkurrierenden Optimierungsalgorithmen. Der Aufsatz beschreibt den Stand der Entwicklung eines lokalen Suchalgorithmus der dadurch Zugriff auf die eigene Variablenvergangenheit erhält, dass ein in den Spektralbereich transformiertes Forschrittsmuster adaptiert wird.
Struktur der wissenschaftlichen Arbeit
1. Einleitung
2. Fortschrittsspektren in lokalen Suchalgorithmen
2.1 Optimierungsfortschritt
2.2 Variablenvergangenheit
2.3 Konditionieren der Variation
2.4 Die spektrale Darstellung des Entwicklungsfortschritts
2.5 Solidierung und Filterung
Zielsetzung & Themen
Die Arbeit untersucht die Entwicklung und Optimierung lokaler Suchalgorithmen, um deren systemimmanente Schwäche der fehlenden "Erinnerung" an vergangene Variablenzustände zu überwinden und so die Effizienz bei hochdimensionalen Optimierungsproblemen signifikant zu steigern.
- Überwindung der Amnesie lokaler Suchalgorithmen
- Einsatz der Spektralanalyse zur Konditionierung der Variation
- Transformation des Optimierungsfortschritts in den Frequenzbereich
- Solidierung und Filterung von Fortschrittsspektren
- Entwicklung der Fortschritt-Spektren-Adaptation (FSA)
Auszug aus dem Buch
Die spektrale Darstellung des Entwicklungsfortschritts
Eine Übertragung in den Spektralbereich ist mit orthogonalen Transformationen möglich. Mit derartigen Transformationen wird ein Signal vom Ortsbereich (Objektbereich) in den Spektralbereich (Transformationsbereich) übertragen. Die Gleichwertigkeit der allgemeinen Signalbeschreibung in einem Originalbereich und einem Spektralbereich lässt sich aus der rezibroken Natur orthogonaler Transformation ableiten [Mef-04]. Das ursprüngliche Signal lässt sich also durch die inverse Transformation iFT wiedergewinnen, demzufolge muß auch die spektrale Darstellung dieselbe Information wie das Ortsabhängige Signal enthalten.
Jean Baptist Fourier behauptete im Jahre 1807, dass sich jedes periodische Signal in harmonische Bestandteile zerlegen lässt, deren Komponenten sich in Amplitude, Phase und Frequenz unterscheiden, wobei die Frequenz der Komponenten immer ein vielfaches der Grundfrequenz ist. Fourier konnte zeigen, dass eine beliebige Kurve (eindimensionales Signal) darstellbar ist als eine Superposition mehrerer Sinus- bzw. Cosinus- Kurven. Die Variablen in den Argumenten der Sinus und Cosinus- Funktionen sind die Koeffizienten der Fouriertransformation (FT). Die Methode der inversen Fouriertransformation (iFT), mit der sich jedes Spektrum in den Bildbereich (eines funktionalen Musters zurück-) transformieren lässt, besitzt eine hohe Gestaltungs- und Erzeugendenqualität.
Wir wenden nun die Fouriertransformation auf den (in jeder Generation (n) auftauchenden) Progress p an und erhalten das Frequenzspektrum S(p) des Fortschritts der Entwicklung der Objektvariablen der Optimierungsaufgabe.
Zusammenfassung der Kapitel
1. Einleitung: Einführung in die Bedeutung der Bionik und die Notwendigkeit effizienter Optimierungsverfahren für komplexe technische Simulationen.
2. Fortschrittsspektren in lokalen Suchalgorithmen: Detaillierte Herleitung der Methodik, bei der durch Spektralanalyse des Optimierungsfortschritts eine lernfähige Strategie zur Steuerung der Variablenvariation entwickelt wird.
Schlüsselwörter
Bionik, Optimierungsalgorithmen, Lokale Suche, Evolutionsstrategie, Variablenvergangenheit, Spektralanalyse, Fouriertransformation, Progress, Konditionierung, Fortschritt-Spektren-Adaptation, Adaptive Algorithmen, Signalverarbeitung, Konvergenzgeschwindigkeit, Simulationsoptimierung, Strukturanalyse.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Optimierung lokaler Suchverfahren durch die Integration von Methoden der Signalverarbeitung, um die Effizienz bei der Lösung komplexer Probleme zu erhöhen.
Welche zentralen Themenfelder werden bearbeitet?
Die Arbeit verknüpft Evolutionsstrategien, mathematische Optimierungsverfahren, Spektralanalyse mittels Fouriertransformation und adaptive Systemsteuerung.
Was ist das primäre Ziel der Forschung?
Ziel ist es, die sogenannte "Amnesie" lokaler Suchalgorithmen zu beheben, indem eine "Erinnerung" an die Variablenvergangenheit geschaffen wird, um die Konvergenzgeschwindigkeit zu steigern.
Welche wissenschaftliche Methode kommt zum Einsatz?
Es wird eine Methodik entwickelt, die den Optimierungsfortschritt in den Spektralbereich transformiert, dort filtert und durch inverse Transformation zur Adaption der Suchschrittweite nutzt.
Was ist der Inhalt des Hauptteils?
Der Hauptteil analysiert den Optimierungsfortschritt, führt das Konzept der Variablenvergangenheit ein und beschreibt die mathematische Transformation sowie die Solidierung der Fortschrittsspektren.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Die zentralen Begriffe sind Fortschritt-Spektren-Adaptation (FSA), Evolutionsstrategien, Fouriertransformation und adaptive Optimierung.
Wie unterscheidet sich FSA von klassischen Evolutionsstrategien?
Im Gegensatz zu Strategien mit globaler Schrittweitenregelung nutzt FSA eine generationsübergreifende Information durch Spektralanalyse, was eine effizientere Steuerung der Variationsbreite ermöglicht.
Was genau bedeutet die "Solidierung" in diesem Kontext?
Unter Solidierung versteht der Autor die iterative Superposition von Fortschrittsspektren, um eine verfestigte und robustere Spur der Optimierungsgeschichte zu erzeugen.
- Quote paper
- Dipl.-Ing. Michael Dienst (Author), 2009, Fortschrittsspektren in lokalen Suchalgorithmen, Munich, GRIN Verlag, https://www.grin.com/document/139076
