Multikriterielle Optimierung mit λ-geregelten modellgestützten EvolutionsstrategienModel Assisted Multiobjective Optimization with λ-Control

Zusammenfassung Evolutionäre Algorithmen benötigen für die Optimierung eine hohe Anzahl an Auswertungen der Gütefunktion. Dieser Aufwand limitiert ihre Anwendbarkeit bei der Hardware-in-the-Loop Optimierung und bei auf zeitaufwändigen Simulationen und Berechnungen basierenden Optimierungsaufgaben. Dieser Beitrag präsentiert einen neuartigen Ansatz zur Fitnessmodellierung, welcher die Anzahl an Güteauswertungen mit Hilfe einer Vorselektion deutlich reduziert. Die Innovation des Ansatzes besteht in der gezielten Regelung des Selektionsdrucks innerhalb der Vorselektion anhand der geschätzten Modellgüte. Diese sogenannte λ-Regelung garantiert gegenüber einer rein statischen Vorselektion eine effiziente Optimierung bezüglich der benötigten Güteauswertungen. Zudem erweitert die hier vorgestellte Methode die bekannten Ansätze zur modellgestützten, skalaren, evolutionären Optimierung auf multikriterielle Probleme. Die Optimierungsergebnisse an Benchmarkproblemen weisen eine verbesserte Konvergenz gegenüber herkömmlichen multikriteriellen Evolutionsstrategien auf und belegen die Effizienz der λ-geregelten Variante.