EVOlutionary Learning by Intelligent Variation and choice of suitable Operator sets

Eigenmittelfinanziertes Projekt


Details zum Projekt

Projektleiter/in:
Prof. Dr.-Ing. Jürgen Teich

Projektbeteiligte:
Prof. Dr.-Ing. Christian Haubelt
Sanaz Mostaghim

Beteiligte FAU-Organisationseinheiten:
Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design)
Technische Fakultät

Akronym: EVOLIVO
Projektstart: 01.10.1998
Projektende: 31.03.2005


Abstract (fachliche Beschreibung):


EVOLIVO - lautet der Name dieses Projekts, das unsere Forschung im Bereich Evolutionärer Algorithmen und Programme beschreibt. Dazu gehören die Probleme der Analyse, der Verbesserung und Online-Adaption von existierenden Selektions- und Rekombinationsverfahren sowie die Entwicklung problemspezifischer bzw. bereichsspezifischer Operatormengen und deren Anwendung auf Probleme von technischem Interesse, insbesondere auf dem Gebiet der automatischen Systemsynthese.

Aktuelle Forschungsarbeiten beschäftigen sich mit multikriteriellen Optimierungsstrategien für unscharfe Zielgrößen. Hierbei wird davon ausgegangen, dass die Zielgrößen für eine gefundene Lösung nicht exakt bekannt, sondern z. B. durch ein Intervall gegeben sind. Das Intervall beschreibt hierbei den minimalen bzw. maximalen Wert, den diese Zielgröße annehmen kann. Ein essentieller Begriff im Zusammenhang mit der multikriteriellen Optimierung ist die so genannte Dominanz, die aussagt, dass eine Lösung besser als eine andere Lösung ist. Im Fall von unscharfen Zielgrößen ist diese Dominanz nun aber nicht mehr definiert, was den Einsatz von multikriteriellen Optimierungsverfahren im Umfeld von unscharfen Zielgrößen einzuschränken scheint. Innerhalb des Projektes EVOLIVO gelang nun jedoch die Verallgemeinerung dieser Optimierungsverfahren durch die Definition von „Dominanzwahrscheinlichkeiten“, die den unscharfen Zielgrößen Rechnung tragen. Diese Ergebnisse gehen weit über das Einsatzgebiet des Hardware-Software-Co-Designs hinaus.

Im letzten Jahr konnten diese multikriteriellen Optimierungsstrategien auf die automatische Entwurfsraumexploration erfolgreich angewendet werden. Hierbei kam die so genannte „Pareto-Front-Arithmetik“ zur schnellen Entwurfsraumexploration zum Einsatz. Die Idee hierbei war, dass Optimierungsprobleme im Allgemeinen hierarchischer Struktur sind, d. h. das gesamte Optimierungsproblem lässt sich in Teilprobleme zerlegen. Bei der Kombination der gefundenen Teilergebnisse ergeben sich nun jedoch Probleme derart, dass das globale Optimum nicht aus den Optima der Teilergebnisse bestehen muss. Dies gilt nur unter der Bedingung, dass alle Zielgrößen monoton sind. Der Beitrag dieses Projektes bestand nun darin, dass gezeigt werden konnte, dass sich die Teilergebnisse sehr wohl kombinieren ließen, wobei das Ergebnis unscharfe Zielgrößen für das gesamte Optimierungsproblem darstellt. Mit Hilfe der oben beschriebenen Dominanzwahrscheinlichkeit gelang es nun, durch die Zerlegung des Problems das Gesamtproblem zu verkleinern und schnell eine gute Approximation der Gesamtlösung zu konstruieren.

Zukünftige Arbeiten beschäftigen sich mit der Integration von populationsbasierten Optimierungsverfahren in dynamischen Systemen. Untersucht werden soll hierbei die Einsatzfähigkeit dieser Verfahren zur Online-Optimierung. Das Einsatzgebiet dieser neuen Verfahren stellen vernetzte eingebettete Systeme dar. Neben Evolutionären Algorithmen sollen auch weiterhin neuere populationsbasierte Optimierungsstrategien, wie „Ant-Colony-Optimization“ und „Particle-Swarm-Optimization“, untersucht werden.



Publikationen
Go to first page Go to previous page 1 von 2 Go to next page Go to last page

Helwig, S., Haubelt, C., & Teich, J. (2005). Modeling and analysis of indirect communication in Particle Swarm Optimization. In Proceedings of the 2005 IEEE Congress on Evolutionary Computation (pp. 1246-1253). Edinburgh, GB.
Mostaghim, S., & Teich, J. (2005). Quad-trees: A Data structure for storing Pareto-sets in Multi-objective Evolutionary Algorithms with Elitism. In Ajith Abraham and Lakhmi Jain and Robert Goldberg (Eds.), Evolutionary Multiobjective Optimization (pp. 81-104). London: Springer.
Mostaghim, S., & Teich, J. (2004). Covering Pareto-optimal fronts by subswarms in multi-objective particle swarm optimization. In Proceedings of the Congress on Evolutionary Computation (CEC '04) (pp. 1404-1411). Portland, OR, US.
Frauenheim, T., Hoffmann, M., König, P., Mostaghim, S., & Teich, J. (2004). Molecular Force Field Parameterization using Multi-Objective Evolutionary Algorithms. In Proceedings of the Congress on Evolutionary Computation (CEC '04) (pp. 212-219). Portland, US.
Bambha, N., Bhattacharyya, S.S., Teich, J., & Zitzler, E. (2004). Systematic Integration of Parameterized Local Search Techniques in Evolutionary Algorithms. In Proceedings of the Genetic and Evolutionary Computation Conference (pp. 383-384). Seattle, Washington, US: Berlin, Heidelberg: Springer-verlag.
Dellnitz, M., Mostaghim, S., Schütze, O., & Teich, J. (2003). Covering Pareto Sets by Multilevel Evolutionary Subdivision Techniques. In Proceedings of the Second International Conference on Evolutionary Multi-Criterion Optimization (EMO) (pp. 118-132). Faro, PT: Springer-verlag.
Haubelt, C., Mostaghim, S., Slomka, F., Teich, J., & Tyagi, A. (2003). Hierachical Synthesis of Embedded Systems Using Evolutionary Algorithms. In Drechsler, R. and Drechsler, N (Eds.), Evolutionary Algorithms in System Design (pp. 63-104). Boston, Dordrecht, London: Kluwer Academic Publishers.
Teich, J., Haubelt, C., Mostaghim, S., & Tyagi, A. (2003). Solving hierarchical optimization problems using MOEAs. In Carlos M. Fonseca, Peter J. Fleming, Eckart Zitzler, Kalyanmoy Deb, and Lothar Thiele (Eds.), Evolutionary Multi-Criterion Optimization (pp. 162-176). Berlin, Heidelberg, New York: Springer.
Mostaghim, S., & Teich, J. (2003). Strategies for finding good local guides in multi-objective particle swarm optimization. In Proceedings of the Swarm Intelligence Symposium (pp. 26-33). Indianapolis, US.
Mostaghim, S., & Teich, J. (2003). The role of e-dominance in Multi-Objective Particle Swarm Optimization Methods. In Proceedings of the Congress on Evolutionary Computation (CEC'03) (pp. 1764-1771). Canberra, AU: IEEE Computer Society.

Zuletzt aktualisiert 2018-22-11 um 17:22

Link teilen