Zur Seitenansicht
 

Titelaufnahme

Titel
Enhanced evolutionary algorithms for solving computationally-intensive multi-objective optimization problems / eingereicht von: Alexandru-Ciprian Zăvoianu
VerfasserZăvoianu, Alexandru-Ciprian
Begutachter / BegutachterinKlement, Erich Peter ; Petcu, Dana
Erschienen2015
UmfangXXX, 168 S. : Ill., graph. Darst.
HochschulschriftLinz, Univ., Diss., 2015
Anmerkung
Zszfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (EN)multi-objective evolutionary algorithms / surrogate modeling / coevolution / master-slave parallelization
Schlagwörter (GND)Evolutionärer Algorithmus / Optimierungsproblem / Modellierung / Coevolution / Parallelisierung
URNurn:nbn:at:at-ubl:1-1250 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist gemäß den "Hinweisen für BenützerInnen" verfügbar
Dateien
Enhanced evolutionary algorithms for solving computationally-intensive multi-objective optimization problems [9.1 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Im letzten Jahrzehnt haben sich spezialisierte evolutionäre Algorithmen als eine der besten Methoden zur Lösung von Mehrzieloptimierungsproblemen (MOOP) bewährt, und sie wurden erfolgreich für komplexe Optimierungsszenarien in unterschiedlichsten praktischen Anwendungen eingesetzt. Typisch für evolutionäre Algorithmen ist die häufige Auswertung der Zielfunktion während der Ausführung. Diese inhärente Anforderung ist äußerst problematisch im Kontext von industrieller Optimierung, wo die Berechnung und Beurteilung der erfüllten Optimierungsziele sehr rechenintensiv sind und mehrere Minuten oder sogar Stunden dauern können.

Die Motivation dieser Arbeit beruht auf der Forderung nach effizienter Optimierung von rechenintensiven Mehrzieloptimierungsproblemen (computationally-intensive multiobjective optimization problems - CIMOOPs), wie sie im elektrischen Antriebsdesign auftreten. Diese Designprobleme für elektronische Maschinen sind sehr komplex, da Effizienz, Fehlertoleranz und Betriebseigenschaften bei gleichzeitiger Minimierung der Kosten gesteigert werden sollen. Des Weiteren sind typischerweise eine oder mehrere rechenintensive Finite-Elemente-Simulationen erforderlich, um die Performance eines Designs zu evaluieren.

Diese Dissertation präsentiert Methoden zur Performancesteigerung von Evolutionären Mehrziel-Optimier-Algorithmen (MOEA), angewandt auf CIMOOP. Der Schwerpunkt liegt zunächst auf der Konzeption und Anwendung einer Surrogat-Modellierung während der MOEA-Ausführung, um die Abhängigkeit von Finite-Elemente-Simulationen zu reduzieren.

Surrogat-Modellierung entspricht in diesem Kontext der Erzeugung von schnell auswertbaren linearen und nichtlinearen Regressionsmodellen, welche die Ergebnisse der Finite-Elemente-Simulation approximieren. Im nächsten Schritt wird untersucht, wie MOEA-Berechnungen am Besten in einer Hochleistungsrechnerumgebung unter Annahme einer Master-Slave-Architektur verteilt werden können. Schlussendlich werden zwei neue MOEA, basierend auf Koevolution, präsentiert, die sehr konkurrenzfähig zum Stand der Technik sind und robuste Parametereinstellungen erlauben. Des Weiteren wird eine neue Leistungsbewertungsmethodik vorgestellt, die allgemein beim Testen oder der Feinabstimmung eines bestimmten MOEA über einer großen Anzahl von Benchmark-Problemen unterstützt.

Mehrere statistische Auswertungen von MOOP-Benchmark-Ergebnissen und empirische Beobachtungen der Durchschnittsleistung in CIMOOP aus dem elektrischen Antriebsdesign bestätigen, dass die vorgestellten evolutionären Berechnungsmethoden (individuell und vor allem kombiniert) in der Lage sind, die Geschwindigkeit und die Präzision der Mehrzieloptimierungen zu verbessern.

Zusammenfassung (Englisch)

Over the past decade, specialized evolutionary algorithms have emerged as one of the best methods for solving multi-objective optimization problems (MOOPs). These approaches have been used to tackle complicated real-life optimization scenarios from various fields. One of the characteristics of evolutionary algorithms is that a large number of evaluations of the objective function need to be performed during their execution. This inherent requirement is extremely problematic in the case of industrial optimization contexts where evaluating objective performance and constraint satisfaction is very computationally intensive (i.e., requiring several minutes or even hours).

We are particularly concerned with (and largely motivated by) the need to improve optimization performance on computationally-intensive multi-objective optimization problems (CIMOOPs) from the field of electrical drive design. Such design problems are fairly complicated as they arise from the need to simultaneously increase the efficiency, reduce the costs and improve the fault tolerance and operating characteristics of new electrical machines. Furthermore, (several) computationally-intensive finite element (FE) simulations are usually required in order to evaluate the performance of a single design. In this thesis we present the results of research that was aimed at improving the performance of multi-objective evolutionary algorithms (MOEAs) when applied on CIMOOPs. Initial focus falls on designing and applying on-the-fly surrogate modeling in order to reduce the dependency of the MOEAs on FE simulations. By surrogate modeling we understand the creation of fast-to-evaluate linear and non-linear regression models that can accurately approximate FE results. Next, we investigate the best way of distributing MOEA computations over a high-throughput computing environment, when considering a master-slave architecture. Finally, we propose two new MOEAs (based on coevolution) that are both highly competitive when compared to state-of-the-art approaches and quite robust with regard to their own parameterization settings. We also present a newly synthesized performance assessment methodology that can generally aid when wishing to test or fine tune a particular MOEA over a large set of benchmark problems. Several statistical analyses over benchmark MOOP results and empirical observations of average performance on electrical drive design CIMOOPs confirm that the enhanced evolutionary computation methods we propose are generally able (individually and especially combined) to improve both the speed and the accuracy of multi-objective optimizations.