7.3 Zusammenfassung

In diesem Kapitel wurde die systemtechnische Anwendung Evolutionärer Algorithmen für die Lösung einiger praktischer Probleme demonstriert. Die Darstellungen wurden auf zwei Beispiele beschränkt, die aus sehr unterschiedlichen Bereichen kommen. Die Optimierung des Gewächshausklimas beinhaltet in einem Teilmodell ein biologisches System, das in seiner Interaktion mit den äußeren Zuständen ein äußerst komplexes System bildet. Erst durch eine Reduktion der Komplexität des biologischen Systems, wie es in dem hier verwendeten Modell stattgefunden hat, ist eine Bearbeitung und Optimierung des Gesamtsystems mit heutigen Mitteln möglich. Im zweiten Beispiel, der Optimierung der Zustandsrückführung eines Gleichstrom-Stellers, handelt es sich dagegen um ein rein technisches System.

Beide Beispiele zeigen, daß sich ein komplexes praktisches Problem durch die Einbeziehung von problemspezifischem Wissen besser und schneller lösen läßt, als wenn dieses Wissen nicht verwendet wird. Bei der Verwendung Evolutionärer Algorithmen ist es möglich, dieses Wissen in den Optimierungsprozeß einzubeziehen. Die hier verwendete GEA Toolbox macht es einfach, problemspezifisches Wissen an verschiedenen Stellen des Optimierungsprozesses zu verwenden. Dies erleichtert die Bearbeitung praktischer Probleme deutlich.

Ein interessanter Aspekt der hier vorgestellten Beispiele ist die Aufgabenteilung bei der Bearbeitung der Probleme. Die Modelle und teilweise die Zielfunktionen und Simulationen wurden jeweils von den entsprechenden Fachleuten auf diesen Gebieten erstellt. Im Kennenlernen der Systeme und der Aufbereitung der Modelle für die folgenden Optimierungen konnten oftmals Fragen aufgeworfen und diskutiert werden, die manchmal zu einer Verbesserung oder Erweiterung der Modelle und Zielfunktionen führten. In ersten Optimierungen, meist noch ohne Verwendung problemspezifischen Wissens, wurden Probleme der Modelle bzw. Zielfunktionen oder Ungereimtheiten gefunden und im Dialog beseitigt. Durch das bis dahin aufgebaute Wissen und Systemverständnis des Systemtechnikers und Eindrücke von ersten Optimierungen konnte für die Optimierung verwendbares problemspezifisches Wissen aufgearbeitet werden. Dies betrifft vor allem im System vorhandene Beschränkungen, die für die weiteren Optimierungen nicht mehr offen gehalten wurden, sondern in den Suchprozeß eingebunden wurden. Dieser Prozeß setzte sich je nach Länge der Bearbeitungszeit in einigen Stufen fort.

Die Aufstellung einer Zielfunktion für die Optimierung führt zu einer neuen Sichtweise auf das zu lösende Problem, wodurch das bekannte Problem von einer anderen Seite betrachtet wird. Es muß die Frage beantwortet werden, wodurch ein gutes Systemverhalten charakterisiert wird. Die Zielfunktion muß so definiert werden, daß gewünschtes Systemverhalten bevorzugt und unerwünschte Eigenschaften unterdrückt werden. Durch diese Arbeit aus einem neuen Sichtwinkel ist zum Ende der Optimierungen das Problem nicht nur gelöst, sondern es konnten neue Erkenntnisse über das System und Wechselwirkungen gesammelt werden, die auf einem anderen Weg nur schwer gefunden worden wären. Dieser Aspekt der Optimierung eines Systems wird meist noch nicht gesehen bzw. als nicht so wichtig erkannt.

Neben den hier vorgestellten Beispielen wurden in den vergangenen Jahren eine Reihe weiterer Probleme unter Verwendung Evolutionärer Algorithmen gelöst. Auf diese Arbeiten soll an dieser Stelle nur kurz verwiesen werden:

• Erstellung der Modellstruktur dynamischer Systeme (Blockschaltbild) mit Genetischer Programmierung, Optimierung der Parameter durch stochastische Suchverfahren (TH Darmstadt und Daimler Benz, [MBC95], [MBF96], [PM96]),
• Optimierung der Parameter eines Simulationsmodells für die Verbrennung in einem Motor (Daimler Benz intern),
• Optimierung eines Reglers für die Längsregelung eines autonomen Fahrzeugs unter Beachtung des Passagierkomforts (Daimler Benz intern).

Diese Beispiele demonstrieren das breite Spektrum praktischer Probleme, die durch die systemtechnische Anwendung Evolutionärer Algorithmen bearbeitet und gelöst werden können. Evolutionäre Algorithmen stellen, unter Verwendung entsprechend zugeschnittener Werkzeuge, leistungsfähige Optimierungsverfahren für die praktische Anwendung dar. Sie lassen sich direkt und einfach einsetzen und können bei der Lösung einer großen Klasse praktisch auftretender Probleme helfen.

Diese Dokument ist Teil der Dissertation von Hartmut Pohlheim "Entwicklung und systemtechnische Anwendung Evolutionärer Algorithmen". This document is part of the .
The is not free.
© Hartmut Pohlheim, All Rights Reserved, (hartmut@pohlheim.com).