12. Vorlesung Stochastische Optimierung · SC WS 17/18 Georg Frey316 • Differential Evolution...
Transcript of 12. Vorlesung Stochastische Optimierung · SC WS 17/18 Georg Frey316 • Differential Evolution...
12. Vorlesung
Stochastische Optimierung
Differential Evolution
Soft Control
(AT 3, RMA)
SC
315 WS 17/18 Georg Frey
12. Vorlesung im Aufbau der Vorlesung
1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen
"intelligenter" Systeme
2. Wissensrepräsentation und Wissensverarbeitung (Symbolische KI)
Anwendung: Expertensysteme
3. Fuzzy-Systeme: Umgang mit unscharfem Wissen
Anwendung: Fuzzy-Control
4. Konnektionistische Systeme: Neuronale Netze
Anwendung: Identifikation und neuronale Regler
5. Stochastische Optimierung (Genetische Algorithmen Simulated
Annealing, Differential Evolution) Anwendung: Optimierung
1. Genetische Algorithmen
2. Simulated Annealing
3. Differential Evolution
6. Zusammenfassung & Literaturhinweise
SC
316 WS 17/18 Georg Frey
• Differential Evolution (DE) gehört, wie auch genetische Algorithmen, zu
den Populations-basierten Optimierungsverfahren
• DE hat kein natürliches Vorbild
• DE wurde 1996 von Storn und Price vorgestellt
R. Storn, R. and K. Price, K. Differential Evolution - A Simple and Efficient
Heuristic for Global Optimization over Continuous Spaces, Journal of
Global Optimization, 11, (1997) pp. 341–359.
• Verfahren kann direkt auf Minimum- und Maximum-Probleme
angewandt werden (siehe GA nur Maximum-Probleme)
• Anwendungsgebiet
Optimierung in mehrdimensionalen Suchräumen mit Gleitkommazahlen
z.B. Reglerauslegung
Differential Evolution: Einführung
SC
317 WS 17/18 Georg Frey
• DE dient zur Suche eines Optimums in einem mehr-
dimensionalen kontinuierlichem Such-Raum
Eine Lösung (x, potenzielles Optimum) wird durch einen Vektor mit der
Dimension (D) des Suchraums beschreiben
Die Elemente des Vektors sind Fließkommazahlen:
• Der Suchraum wird mit mehreren Lösungen (Vektoren,
Individuen) gleichzeitig durchsucht (Populations-basiert)
Die Menge der Lösungen heißt Population (p), mit N Individuen
• Die Güte einer Lösung wird durch eine Funktion beschrieben
: Gütefunktional, Fitness-Funktion
Differential Evolution: Grundidee
Dx
x
x
x2
1
ix
DiN xxxxp ,,,, 21
Dxf :)(
SC
318 WS 17/18 Georg Frey
• Initialisierung
Initiale Population erzeugen (z.B. Zufallslösungen)
• Mutation
Eine neue zufällige Lösung durch Änderung einer bestehenden Lösung der
alten Generation erzeugen
• Rekombination
Zwei Lösungen zu einer neuen Lösung vereinen
• Selektion
Lösung für neue Generation ermitteln
Differential Evolution: Grundalgorithmus 1/2
Initialisierung Mutation Rekombination Selektion
SC
319 WS 17/18 Georg Frey
Differential Evolution: Grundalgorithmus 2/2
4 Vektoren der
alten Generation
Mutation
Rekombination
1 Donator-Vektor (v)
Selektion
3 Vektoren (zufällig gewählt, xr1,xr2,xr3)
1 Vektor (x)
1 Versuchs-Vektor (u)
Neue Generation
Neuer Vektor (x+)
Jeder Vektor der
alten Generation
ist genau einmal
dieser Vektor
SC
320 WS 17/18 Georg Frey
• Für jeden Vektor x der alten Generation bestimme zusätzlich drei
Vektoren aus der alten Generation (xr1,xr2,xr3), sodass gilt: x≠xr1≠xr2≠xr3
• Bestimme den Donator-Vektor (v) als Linear-Kombination von xr1,xr2,xr3
• Anschauliche Interpretation
Erstelle eine neue Lösung auf Basis von xr1 aus der Differenz von xr2 und xr3
Verstärke Heterogenität der Lösungen
• x und v bilden gemeinsam das Elternpaar für die Rekombination
Differential Evolution: Mutation
xr1
xr2
xr3
xr2-xr3
F*(xr2-xr3)
v
2,0),(* 321 FxxFxv rrr
SC
321 WS 17/18 Georg Frey
• Erzeuge einen Versuchs-Vektor (u) durch Mischen der Elemente von x
und v
• Die Mischung der Element von x und v erfolgt zufallsgesteuert
x,v,u sind Vektoren der Dimension D
CR ist die Cross-Over-Rate:
j ist eine ganzzahlige Zufallszahl:
ri ist eine reelle Zufallszahl:
• x und u bilden Konkurrenten bei der Selektion
Differential Evolution: Rekombination
DDD u
u
u
v
v
v
x
x
x
2
1
2
1
2
1
,,
1,0CR
Dj ,1
1,0ir
sonst,
oderfalls,
i
ii
ix
j iCR rvu
j sorgt dafür, dass
sich x und u in
mindestens einem
Element
unterscheiden
CR ist ein Parameter des
Optimierungsverfahrens
SC
322 WS 17/18 Georg Frey
• Wähle einen der beiden Vektoren x, u für die neue Generation aus
• Auswahl erfolgt ausschließlich auf Basis der Güte (Fitness) eines
Individuums (Vektor)
Nur das bessere der beiden Individuen wird in die neue Generation
übernommen
Kein Abhängigkeit von Zufallsgrößen bei der Selektion
f: zu optimierendes Gütefunktional (Fitness-Funktion)
Bei gleicher Güte wird das durch Mutation und Rekombination entstandene
Individuum in die neue Generation übernommen
Verstärke Heterogenität über Generationen hinweg
• Selektion in DE hat impliziten Elitismus
Nur bessere oder gleichgute Individuen bilden die neue Generation
Differential Evolution: Selektion
sonst ,
falls ,
x
f(x)f(u)ux
sonst ,
falls ,
x
f(x)f(u)ux
Minimierung Maximierung
SC
323 WS 17/18 Georg Frey
• Ackleys Funktion
2-dimensonale kontinuierliche Funktion mit mehreren lokalen Minima und
einem globalen Minimum bei (0,0)
Optimierungsproblem: Minimiere f(x1,x2)
Differential Evolution: Anwendungsbeispiel
))**2cos()**2*(cos(5.0)*(5.0*2,0
2121
22
21*2020),(
xxxxeeexxf
SC
324 WS 17/18 Georg Frey
• Parameter für Optimierung
20 Individuen
CR: 50%
F: 0,8
• Initialpopulation
Differential Evolution: Anwendungsbeispiel (Initialisierung)
Minimum: 4,355
SC
325 WS 17/18 Georg Frey
Differential Evolution: Anwendungsbeispiel (1. neue Generation)
Minimum: 4,355
SC
326 WS 17/18 Georg Frey
Differential Evolution: Anwendungsbeispiel (2. neue Generation)
Minimum: 4,355
SC
327 WS 17/18 Georg Frey
Differential Evolution: Anwendungsbeispiel (3. neue Generation)
Minimum: 3,866
SC
328 WS 17/18 Georg Frey
Differential Evolution: Anwendungsbeispiel (4. neue Generation)
Minimum: 1,664
SC
329 WS 17/18 Georg Frey
Differential Evolution: Anwendungsbeispiel (5. neue Generation)
Minimum: 1,664
SC
330 WS 17/18 Georg Frey
Differential Evolution: Anwendungsbeispiel (15. neue Generation)
Minimum: 0,348
SC
331 WS 17/18 Georg Frey
Differential Evolution: Anwendungsbeispiel (50. neue Generation)
Minimum: 0,001
SC
332 WS 17/18 Georg Frey
Differential Evolution: Anwendungsbeispiel (50. neue Generation)
Minimum: 0,001
SC
333 WS 17/18 Georg Frey
Zusammenfassung 12. VL: Vergleich stochastischer Optimierungsverfahren
• Genetische Algorithmen und Genetische Programmierung
Optimierung durch Mutation und Auslese nach dem Vorbild der Evolution in
biologischen Systemen
Paralleles Durchsuchen des Suchraums
Gut geeignet für neue Rechnerstrukturen mit Multi-Core-Prozessoren
Bei Fließkommazahlen hoher Aufwand für Codierung der Lösung
• Simulated Annealing
Optimierungsverfahren inspiriert durch Entstehung von Gitterstrukturen in
Kristallen
Nur eine Lösung wird zum Absuchen verwendet
Keine Geschwindigkeitsvorteile durch Multi-Core-Prozessoren
Besonderheit: temporäre Verschlechterung wird als Verbesserung aufgefasst
• Differential Evolution
Künstliches Populations-basiertes Optimierungsverfahren
Gut geeignet für neue Rechnerstrukturen mit Multi-Core-Prozessoren
Verfahren zur Optimierung von Fließkommazahlen
SC
334 WS 17/18 Georg Frey
Literatur (ergänzend/weiterführend) 1/2
Kapitel 1 bzw. ganze Vorlesung: Allgemeines zu Methoden der KI Götz, Güntzer (Hrsg.): Handbuch der künstlichen Intelligenz. Oldenbourg Verlag, 2000.
"Umfassendes Nachschlagewerk für Interessierte.„
King R.E.: Computational Intelligence in Control Engineering. Marcel Dekker, 1999
"Sehr schöne Übersicht zu Soft-Control.„
Kapitel 2: Expertensysteme Polke, M.: Prozeßleittechnik. Oldenbourg Verlag, 1994.
"Einige Ideen für die Anwendung in der Leittechnik in Kapitel 13.„
Ahrens, W.; Scheurlen, H.-J.; Spohr, G.-U.: Informationsorientierte Leittechnik. Oldenbourg Verlag,
1997.
"Einführung in XPS für leittechnische Aufgaben (und etwas Fuzzy) in Kapitel 9.„
Lunze, J.: Künstliche Intelligenz für Ingenieure I und II. Oldenbourg Verlag, 1994/1995.
"Sehr Ausführliche Behandlung von XPS.„
SC
335 WS 17/18 Georg Frey
Literatur (ergänzend/weiterführend) 2/2
Kapitel 3: Fuzzy Kiendl, H.: Fuzzy Control methodenorientiert. Oldenbourg Verlag, 1997.
"Ausführliche Darstellung mit kurzer Einführung in die Regelungstechnik und sehr sehr
ausführlichem Beispiel.„
Kapitel 4: Neuro Zakharian, S.; Ladewiw-Riebler, P.; Thoer, S.: Neuronale Netze für Ingenieure. Vieweg Verlag,
1998.
"Kompakte und gut verständliche Darstellung mir Anwendungen in der Regelungstechnik."
Kapitel 5: Genetische Algorithmen Goley, D.A.: An Introduction to Genetic Algorithms for Scientists and Engineers. World Scientific
Publishing, 1999.
"Sehr ausfürliche Darstellung."
Fleming, P.J.; Purshouse, R.C.: Genetic algorithms in control systems engineering. IFAC
PROFESSIONAL BRIEF.
"Sehr gute Übersicht.„
SC
336 WS 17/18 Georg Frey
Danksagung
Vielen Dank für Ihr Interesse während des Semesters