Mehrdimensionale Problemstellungen finden sich in allen wissenschaftlichen Bereichen, in denen Ziele und Entscheidungen das Ergebnis mehrerer, oft konfliktionären, Entscheidungsvariablen sind. Komplexität und Anwendbarkeit haben nicht zuletzt durch den Einsatz der Informationstechnologie stark zugenommen und an Bedeutung für die Wissenschaft gewonnen. Vor allem das Abbilden realer Situationen, wie sie zum Beispiel in den Ingenieursbereichen vorkommen, ist oft nur mit komplexen Funktionen möglich, welche nur unter enormem Zeitaufwand oder starker Approximation lösbar sind. Die zeiteffiziente Lösung solcher Probleme ist somit ein wissenschaftliches Anliegen und führt zu immer neuen Optimierungsverfahren. Gegenstand dieser Ausarbeitung soll das von Kennedy und Eberhart Mitte der 1990er-Jahre publizierte Verfahren der Partikelschwarmoptimierung sein. Dieser evolutionäre und auf sozialen Strukturen basierende Algorithmus, dessen Ergebnisse stark von externen Parametern abhängen, soll hier auf die Möglichkeit einer optimalen Parameterwahl empirisch untersucht werden. Die Ausarbeitung wird beweisen, dass für das betrachtete Problem sogenannte Regionen guter Parameterqualitäten existieren, in denen jene Parameter der Partikelschwarmoptimierung liegen, welche zu optimalen Ergebnissen führen. Basierend auf dieser Beobachtung wird gezeigt werden, dass die Kenntnis von der Position einer solchen Region genügt, um über eine gezielte Stichprobe im entsprechenden Parameterbereich zu annähernd global optimalen Ergebnissen zu gelangen. Abschließend wird ein vom Autor entwickelter Algorithmus vorgestellt, welcher beide Eigenschaften umsetzt und so die Laufzeit der Partikelschwarmoptimierung bei gleichbleibend guten Ergebnissen auf bis zu 0,5% der zuvor durchgeführten Erhebung reduziert.
Inhaltsverzeichnis
1. Einleitung
2. Themenfelder und Grundlagen
2.1 Elektrochemische Bearbeitung: Prinzip und Modell
2.2 Die Partikelschwarmoptimierung
2.2.1 Geschichte und Funktionsweise
2.2.2 Ergebnisbeeinflussende Faktoren
2.2.3 Vereinfachungen und Abwandlungen
2.3 Betrachtung der PSO-Parameterwahl zur Lösung des ECM-Problems nach Rao et al.
2.4 Grundlagen der Empirischen Analyse
2.4.1 Überblick
2.4.2 Methoden
3. Untersuchung zur optimierten Parameterwahl bei der Partikelschwarmoptimierung
3.1 Planung und Erhebung
3.2 Datenanalyse
3.2.1 Deskriptive Datenanalyse
3.2.2 Vergleich mit den Ergebnissen bei hoher Vektorbegrenzung
3.2.3 Analyse der Regionen guter Parameterqualität
3.2.4 Stellungnahme zur Parameterwahl von Rao et al. und der Lösung des ECM
3.3 Stichprobenbasierter Algorithmus zur automatischen Parameterwahl
3.3.1 Prinzip und Programmierung
3.3.2 Funktionalität und Laufzeit
4. Fazit
Zielsetzung & Themen
Diese Arbeit zielt darauf ab, einen systemischen Zusammenhang zwischen der Parameterwahl bei der Partikelschwarmoptimierung (PSO) und den erzielten Ergebnissen zu identifizieren, um die Effizienz bei der Lösung multikriterieller ingenieurwissenschaftlicher Problemstellungen, wie der elektrochemischen Bearbeitung (ECM), zu steigern.
- Methodische Evaluation der PSO-Parameter (w, cp, cg)
- Identifikation sogenannter "Regionen guter Parameterqualität" (RgP)
- Kritische Analyse der Parameterwahl von Rao et al. (2008)
- Entwicklung eines effizienten, stichprobenbasierten Algorithmus zur automatischen Parameteroptimierung
- Vergleichende Laufzeitanalyse und Validierung der Algorithmen-Performance
Auszug aus dem Buch
2.2.1 Geschichte und Funktionsweise
Die Partikelschwarmoptimierung ist ein Verfahren zur Optimierung stetiger Funktionen, das Mitte der 1990er Jahre von Kennedy und Eberhart publiziert wurde. Es basiert auf der künstlichen Imitierung von tierischem Schwarmverhalten und ist eher zufällig bei Arbeiten in eben letzterem Themenbereich entstanden. Um die Funktionsweise zu erläutern, soll der Entstehungsprozess des Verfahrens wiedergegeben werden. Ziel des von Heppner und Grenader (1990) ursprünglich geschriebenen Programmes war das Simulieren der synchronen Bewegungen eines Schwarms ohne das Vorgeben der individuellen Bewegungen. Dabei sollte gezeigt werden, aufgrund welcher Parameter sich die Angehörigen des Schwarms einheitlich verhalten ohne dabei zu kollidieren.
Sie wurden dazu durch zufällig initialisierte Punkte in einem zweidimensionalen Koordinatensystem repräsentiert (im Folgenden bereits Partikel genannt), von denen jeder einen eigenen (zufälligen) Vektor, als Repräsentant von Bewegungsrichtung und -geschwindigkeit, zugewiesen bekam. In jedem Durchlauf (=Iteration) bestimmt das Programm für jedem Partikel einen Nachbarn, dessen Vektor von dem fokussierten Partikel übernommen wird. Durch diese einfache Zuweisung wurde, eine einheitliche Bewegung erreicht. Um das schnelle Einschlagen einer gemeinsamen und von da an konstanten Richtung zu vermeiden, wurden zufällig ausgewählte Vektoren willkürlich verändert (laut Heppner und Grenader (1990) auch, um Einflüsse wie Wind oder andere Störfaktoren zu simulieren), wodurch ein „lebensechtes“ Schwarmverhalten simuliert werden konnte.
Zusammenfassung der Kapitel
1. Einleitung: Einführung in die Problematik multikriterieller Optimierung und Zielsetzung der empirischen Untersuchung zur Parameterwahl bei der Partikelschwarmoptimierung.
2. Themenfelder und Grundlagen: Darstellung des theoretischen Rahmens, umfassend das elektrochemische Bearbeitungsverfahren (ECM) sowie die Geschichte und Funktionsweise der PSO.
3. Untersuchung zur optimierten Parameterwahl bei der Partikelschwarmoptimierung: Detaillierte empirische Evaluation der PSO-Parameter, Analyse der Daten sowie Vorstellung eines entwickelten Algorithmus zur automatischen Optimierung.
4. Fazit: Zusammenfassende Bewertung der Untersuchungsergebnisse und Ausblick auf zukünftige Forschungsansätze zur weiteren Optimierung der PSO.
Schlüsselwörter
Partikelschwarmoptimierung, PSO, Elektrochemische Bearbeitung, ECM, Parameterwahl, Multikriterielle Optimierung, Regionen guter Parameterqualität, RgP, Algorithmus, Stichprobenbasierte Optimierung, Zielfunktion, Statistische Datenanalyse, Laufzeitoptimierung, Exploration, Exploitation
Häufig gestellte Fragen
Worum geht es in dieser wissenschaftlichen Arbeit grundlegend?
Die Arbeit befasst sich mit der Optimierung der Parameterwahl für den Algorithmus der Partikelschwarmoptimierung (PSO) im Kontext technischer Problemstellungen, insbesondere der elektrochemischen Bearbeitung.
Welche zentralen Themenfelder werden behandelt?
Die Arbeit kombiniert die Themengebiete statistische Datenanalyse, das ingenieurwissenschaftliche Verfahren der elektrochemischen Bearbeitung und die informationstechnische Optimierung mittels evolutionärer Algorithmen.
Was ist das primäre Forschungsziel?
Das Hauptziel ist der Nachweis, dass durch die Kenntnis spezifischer "Regionen guter Parameterqualität" eine zielgerichtetere und zeiteffizientere Parametereinstellung möglich ist als durch rein zufälliges Ausprobieren.
Welche wissenschaftlichen Methoden kommen zur Anwendung?
Es werden empirische Erhebungen, deskriptive und explorative statistische Analysen sowie die Entwicklung und Programmierung eines eigenen Stichproben-Algorithmus zur Parameterwahl genutzt.
Was wird im Hauptteil der Arbeit detailliert untersucht?
Der Hauptteil analysiert den Einfluss der PSO-Parameter auf verschiedene Zielfunktionen, vergleicht diese mit Ergebnissen aus der Literatur und evaluiert die Performance eines neu entwickelten Algorithmus hinsichtlich Laufzeit und Ergebnisqualität.
Welche Schlüsselwörter charakterisieren die Untersuchung?
Wichtige Begriffe sind Partikelschwarmoptimierung, Regionen guter Parameterqualität (RgP), Multikriterielle Zielfunktion, Laufzeitminimierung und experimentelle Datenanalyse.
Warum ist die von Rao et al. gewählte Parameterkombination laut dieser Arbeit suboptimal?
Die Arbeit zeigt, dass die von Rao et al. vorgeschlagenen Werte nicht nur eine höhere Standardabweichung aufweisen, sondern zudem gegen technische Nebenbedingungen der untersuchten ECM-Problematik verstoßen.
Wie trägt der entwickelte Algorithmus zur Effizienzsteigerung bei?
Der neue Algorithmus reduziert die notwendige Rechenzeit für die Parameteroptimierung signifikant auf ca. 0,5% der ursprünglichen Erhebungsdauer, indem er den Suchraum gezielt auf die identifizierten Regionen guter Parameterqualität eingrenzt.
- Arbeit zitieren
- Marvin Müller (Autor:in), 2011, Empirische Evaluation der optimierten Parameterwahl für die Partikelschwarmoptimierung, München, GRIN Verlag, https://www.grin.com/document/184842
