Empirische Evaluation der Optimierten Parameterwahl für die Partikelschwarmoptimierung (en Alemán)
Reseña del libro "Empirische Evaluation der Optimierten Parameterwahl für die Partikelschwarmoptimierung (en Alemán)"
Masterarbeit aus dem Jahr 2011 im Fachbereich BWL - Unternehmensforschung, Operations Research, Note: 1,3, Helmut-Schmidt-Universität - Universität der Bundeswehr Hamburg, Sprache: Deutsch, Abstract: 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. Abschlie end 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.
