MENÜ MENÜ  

cover

Evolutionary Algorithms in Multi-Modal and Multi-Objective Environments

Felix Streichert

ISBN 978-3-8325-1552-2
210 Seiten, Erscheinungsjahr: 2007
Preis: 40.50 €
Evolutionary algorithms belong to a class of stochastic optimization heuristics, also known as meta-heuristics, inspired by the example of natural evolution. In contrast to many other optimization techniques, evolutionary algorithms are population-based, utilize probabilistic selection, and perform random mutation and crossover on the solutions of an optimization problem.

Due to the general character of these mechanisms and operators, evolutionary algorithms are suited for arbitrary data types regarding the decision variables of a given optimization problem.

Additionally, these mechanisms make evolutionary algorithms very robust such that they can even be applied to non-linear, non-differentiable, multi-modal optimization problems and also multi-objective optimization problems. However, for problems without these unfavorable properties there are already very efficient non-evolutionary optimization approaches. Therefore, this thesis concentrates on the application of evolutionary algorithms especially on those problem instances where classical optimization techniques cannot be applied, either due to the unfavorable characteristics of the optimization problem or because of the required solution representation.

On the one hand, this thesis proposes a novel modularization scheme for evolutionary algorithms, which allows an expert to mix different optimization strategies, representations and optimization problems arbitrarily. On the other hand, this thesis suggests clustering-based niching for evolutionary algorithms to address multi-modal optimization problems. The same niching method is also used to evaluate parallelization schemes for multi-objective evolutionary algorithms. The new modularization scheme and the proposed extensions are evaluated and tested on real-world optimization problems like system identification, portfolio selection and drug design. These diverse applications do not only illustrate the flexibility of evolutionary algorithms, but also allow this thesis to introduce problem specific extensions. For example, this thesis introduces a problem specific representation for the portfolio selection problem, and a novel interactive multi-objective optimization approach applied to the combinatorial library design.

To summarize, this thesis gives numerous examples how evolutionary algorithms can be applied on multi-modal and multi-objective optimization problems. However, this investigation is not limited to theoretical benchmark problems, but this thesis also evaluates evolutionary algorithms and problem specific extensions on real-world optimization problems.

Zusammenfassung

Evolutionäre Algorithmen gehören zu einer Klasse der stochastischen Optimierungsal-gorithmen, auch bekannt als Metaheuristiken, welche an das Beispiel der natürlichen Evolution angelehnt sind. Im Gegensatz zu vielen anderen Optimierungsverfahren sind Evolutionäre Algorithmen populationsbasierte Ansätze, die probabilistische Selektions-mechanismen sowie zufällige Mutation und Rekombinationen von Lösungen benutzen. Durch diese allgemeingültigen Mechanismen sind Evolutionäre Algorithmen in der Lage, Entscheidungsvariablen beliebigen Typs und eine Vielzahl verschiedener Optimierungs-probleme zu optimieren. Gleichzeitig sind Evolutionäre Algorithmen sehr robust und sie sind anwendbar auf nicht-lineare, nicht-differenzierbare, multi-modale und/oder multi-kriterielle Optimierungsprobleme. Da es für einfachere Optimierungsprobleme bereits eine Vielzahl effizienter nicht-evolutionärer Optimierungsalgorithmen gibt, konzentriert sich diese Arbeit auf diejenigen Problemstellungen, auf denen die klassischen Optimier-ungsverfahren versagen.

In dieser Arbeit wird zunächst ein vereinheitlichendes Modularisierungsschema für Evolutionäre Algorithmen eingeführt, welches nahezu beliebige Kombinationen von Optimierungsstrategien, Repräsentationen und Optimierungsproblemen erlaubt. Zusätzlich werden Evolutionäre Algorithmen mit Clustering Algorithmen kombiniert, um für multi-modale Optimierungsprobleme mehrere verschiedene Optima zuverlässig zu erkennen. Das gleiche Clusterbasierte Schema wird auch für die Parallelisierung von multi-kriteri-ellen Evolutionären Algorithmen verwendet und auf seine Zweckmäßigkeit geprüft.

Das Modularisierungsschema und die Erweiterungen werden auf mehreren praktischen Opti-mierungsproblemen getestet, wie dem Systemidenfikationsproblem, der Portfolio Opti-mierung und der Wirkstoffsuche. Diese unterschiedlichen Optimierungsprobleme verdeutlichen nicht nur die Variabilität von Evolutionären Algorithmen bezüglich der erlaubten Datentypen, sondern auch die Möglichkeiten, Evolutionäre Algorithmen problemspezifisch anzupassen. So wird zum Beispiel eine problemspezifische Repräsentation für die Portfolio Selektion getestet und ein neuer, interaktiver Ansatz zur inkrementellen multi-kriteriellen Optimierung wird auf dem Kombinatorischen Bibliotheksdesign eingeführt.

Diese Arbeit untersucht zahlreiche Anwendungen von Evolutionäre Algorithmen auf multi-modalen und multi-kriteriellen Optimierungsproblemen. Die Experimente finden jedoch nicht nur auf künstlichen Testfunktionen statt, sondern diese Arbeit wendet Evolutionäre Algorithmen und die Erweiterungen direkt auf praktischen Optimierungsproblemen an. %

Keywords:
  • Evolutionary Algorithms
  • Multi-Modal Optimization
  • Multi-Objective Optimization
  • Portfolio Selection
  • Drug Design

KAUFOPTIONEN

40.50 €
auf Lager
Versandkostenfrei innerhalb Deutschlands


Wollen auch Sie Ihre Dissertation veröffentlichen?

cover cover cover cover cover cover cover cover cover