(5) Optimierung soi BA vorlesung8-11.ppt ... · Optimierungsverfahren •systematische Suche...
Transcript of (5) Optimierung soi BA vorlesung8-11.ppt ... · Optimierungsverfahren •systematische Suche...
Optimierungsverfahren
Optimierungsverfahren
•systematische Suche
•Zufallssuche (Monte-Carlo-Verfahren)
•Hill-Climbing-Verfahren
•Evolutionsverfahren
Optimierungsverfahren
•systematische Suche
•Zufallssuche (Monte-Carlo-Verfahren)
•Hill-Climbing-Verfahren
•Evolutionsverfahren
G
x =K1 P
23 4 5
67
891
Beispiel: Gütekriterium (Regelfläche) in Abhängigkeit von einer Variablen x1=KPeingezeichnet sind die bei einer systematischen Suche ermittelten Punkte
Güte
t
x(t)
eBw’
t
x(t)
eBw’
schlechte Güte,KP zu klein:bleibende Regelabweichung
schlechte Güte,KP zu groß:Schwingungen
G
x =K1 P
23 4 5
67
891
Beispiel: Gütekriterium (Regelfläche) eines P-Reglers in Abhängigkeit von einer Variablen x1=KP ; : eingezeichnet sind die bei einer systematischen Suche ermittelten Punkte
Güte
Nachteile:•die besten Lösungen werden nicht getroffen (zwischen den Stützstellen könntedas Minimum versteckt sein)•großer Aufwand (speziell bei mehr als einem Parameter KP , KI , KD)
Optimierungsverfahren
•systematische Suche
•Zufallssuche (Monte-Carlo-Verfahren)
•Hill-Climbing-Verfahren
•Evolutionsverfahren
Kleine Änderung an den Reglerparametern
Analyse durch Simulation ( z.B. Sprungantwort)
Güte-kriterien
G
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien G ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
Kleine Änderung an den Reglerparametern
Analyse durch Simulation ( z.B. Sprungantwort)
Güte-kriterien
G
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien G ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
Start-Entwurf
Kleine Änderung an den Reglerparametern
Analyse durch Simulation ( z.B. Sprungantwort)
Güte-kriterien
G
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien G ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
ZufallsauswahlKP , KI , KD
Kleine Änderung an den Reglerparametern
Analyse durch Simulation ( z.B. Sprungantwort)
Güte-kriterien
G
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien G ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
Kleine Änderung an den Reglerparametern
Analyse durch Simulation ( z.B. Sprungantwort)
Güte-kriterien
G
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien G ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
w
Kleine Änderung an den Reglerparametern
Analyse durch Simulation ( z.B. Sprungantwort)
Güte-kriterien
G
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien G ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
viele Iterationen:Es entsteht eine große Menge zufälliger Lösungen die beste wird am Ende ausgewählt
ZufallsauswahlKP , KI , KD
Nachteile:•die besten Lösungen werden nicht getroffen•großer Aufwand•der Algorithmus kann nicht aus guten Zwischenergebnissen lernen
Optimierungsverfahren
•systematische Suche
•Zufallssuche (Monte-Carlo-Verfahren)
•Hill-Climbing-Verfahren
•Evolutionsverfahren
G
x =K1 P
23 4 5
67
891Güte
Beispiel: Gütekriterium (Regelfläche) eines P-Reglers in Abhängigkeit von einer Variablen x1=KP ; : eingezeichnet sind die bei einer systematischen Suche ermittelten Punkte
Beispiel: Gütegebirge (Gütekriterium Regelfläche) eines PI-Reglers in Abhängigkeit von zwei Variablen x1=KP , x2=KI GüteG
x = K1 P
x =K2 I
t
x(t)
eBw’
t
x(t)
eBw’
schlechte Güte,KP zu klein:bleibende Regelabweichung
schlechte Güte,KP zu groß:Schwingungen
Beispiel: Gütegebirge (Gütekriterium Regelfläche) eines PI-Reglers in Abhängigkeit von zwei Variablen x1=KP , x2=KIlinks: räumliche Darstellungrechts: Höhenliniendarstellung (Projektion)
GüteG
x = K1 P
x =K2 I
G
x = K1 P
x =K2 I
Wie findet man das Optimum (=Minimum) ?
Achsparallele Suche (Gauß-Seidel-Verfahren)
0
10
20
20
30
40
40 60 80
Start
Optimum
X1
X2
Kleine Änderung an den Reglerparametern (z.B. achsparallel)
Analyse durch Simulation ( z.B. Sprungantwort G berechnen)
Güte-kriterienGwunsch
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien (G < Gwunsch ) ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
hat sich Gütewert G verbessert ?
ja
nein
alte Reglerparameter wiederherstellen
Start-Entwurf
Kleine Änderung an den Reglerparametern (z.B. achsparallel)
Analyse durch Simulation ( z.B. Sprungantwort G berechnen)
Güte-kriterienGwunsch
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien (G < Gwunsch ) ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
hat sich Gütewert G verbessert ?
ja
nein
alte Reglerparameter wiederherstellen
Zufalls-auswahlKP , KI
Kleine Änderung an den Reglerparametern (z.B. achsparallel)
Analyse durch Simulation ( z.B. Sprungantwort G berechnen)
Güte-kriterienGwunsch
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien (G < Gwunsch ) ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
hat sich Gütewert G verbessert ?
ja
nein
alte Reglerparameter wiederherstellen
Kleine Änderung an den Reglerparametern (z.B. achsparallel)
Analyse durch Simulation ( z.B. Sprungantwort G berechnen)
Güte-kriterienGwunsch
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien (G < Gwunsch ) ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
hat sich Gütewert G verbessert ?
ja
nein
alte Reglerparameter wiederherstellen
w
Kleine Änderung an den Reglerparametern (z.B. achsparallel)
Analyse durch Simulation ( z.B. Sprungantwort G berechnen)
Güte-kriterienGwunsch
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien (G < Gwunsch ) ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
hat sich Gütewert G verbessert ?
ja
nein
alte Reglerparameter wiederherstellen
Lernen !
Kleine Änderung an den Reglerparametern (z.B. achsparallel)
Analyse durch Simulation ( z.B. Sprungantwort G berechnen)
Güte-kriterienGwunsch
erfüllt der Regelkreis (Regler + Strecke) die Gütekriterien (G < Gwunsch ) ?
ja nein
Entwurf erfolgreich beendet
Automatische Synthese von Reglerparametern
hat sich Gütewert G verbessert ?
ja
nein
alte Reglerparameter wiederherstellen
Lernen !
Lernen ! Keine Zufallsauswahl KP , KI
Wenn der Schritt erfolgreich war, wird die Richtung beibehalten
0
10
20
20
30
40
40 60 80
Start
Optimum
X1
X2
Vorteil:Verfahren kann aus Erfolgen lernen (gute Teilergebnisse und Suchrichtungen beibehalten, schrittweise verbessern)
Gerichtete Suche (Gradientenverfahren)
0
10
20
20
30
40
40 60 80
Start
Optimum
X1
X2
Warum achsparallel suchen ?Die optimale Richtung ist eigentlich ganz anders !
G
x = K1 P
x =K2 I
dGdx2
dGdx1
1.Suchschritt x1 in x1-Richtung; Ermittlung
der partiellen Ableitung
2.Suchschritt x2 in x2-Richtung; Ermittlung
der partiellen Ableitung
3.Bildung des
Gradientenvektors = [ , ]
4.Großer Schritt S in Richtung des Gradienten-Vektors (steilster Abstieg)
= [ S , S ]
dGdx1
dGdx2
dGdx1
dGdx2
60 80
Start
Optimum
X1
dGdx2
dGdx1
1.Suchschritt x1 in x1-Richtung; Ermittlung
der partiellen Ableitung
2.Suchschritt x2 in x2-Richtung; Ermittlung
der partiellen Ableitung
3.Bildung des
Gradientenvektors = [ , ]
4.Großer Schritt S in Richtung des Gradienten-Vektors (steilster Abstieg)
= [ S , S ]
dGdx1
dGdx2
dGdx1
dGdx2
Probleme bei unstetigen Gütegebirgen:
• kleine Schrittweite S: bleibt in lokalen Optima (Tälern) stecken• große Schrittweite S: springt über Optima (Täler) hinweg; findet sie aber nie
Lösung: Schrittweitensteuerung
1. beginnt mit großer Schrittweite; merkt sich alle Erfolge (~ Monte Carlo)2. von den erfolgreichen Startpunkten aus (1) weiter mit kleiner Schrittweite findet von jedem Startpunkt aus das benachbarte lokale Optimum (Tal)3. große Schrittweite: Ausbruchsversuch aus einem lokalen Optimum
Evolutionsstrategien
REKOMBINATION:Zwei Eltern-Individuen vererben ihre Eigenschaften auf eine neue Generation von Nachkommen
MUTATION:Die Erbanlagen der neuen Generation werden anschließend nach dem Zufallsprinzip willkürlich verändert
SELEKTION:Sind die Eigenschaften der neuen Generation nunbesser als die der Eltern, so wird sie überleben.Sind sie schlechter, wird sie aussterben.
Evolution von Lebewesen
REKOMBINATION:Zwei Eltern-Regler vererben ihre Eigenschaften auf eine neue Generation von Nachkommen
MUTATION:Die Erbanlagen der neuen Generation werden anschließend nach dem Zufallsprinzip willkürlich verändert
SELEKTION:Sind die Eigenschaften der neuen Generation nunbesser als die der Eltern, so wird sie überleben.Sind sie schlechter, wird sie aussterben.
Zufalls-auswahlKP , KI
w
ideale Sprungantwortreale Sprungantwort
Lernen !
Lernen !
Evolution von Reglern
KP1
KD2
KI1
KP2
KD2
KI2
KP1
KD1
KI1
Reglerneu
Regler2
Regler1
A
Z
B
X
Z
Y
A
C
B
KindDNS
MutterDNS
VaterDNS
Lernen durch Vererbung
50 100 150 200
100
200
50 100 150 200
Versuche
Versuche
Versuche
Versuche
Parameter 3
Parameter 2
Parameter 1
Gütewert
50 100 150 200
50 100 150 200
Proportional-Anteil KP
Integral-Anteil KI
Differential-Anteil KD
Gütefunktion G(Regelfläche)
Evolution eines PID-Reglers über 250 Generationen
Ergebnis: PI-Regler !
Wann wird der Optimierungsalgorithmus abgebrochen ?
1. wenn ein bestimmter Gütewert erreicht wurde (G < Gwunsch)
2. wenn keine Verbesserung mehr möglich ist
3. wenn maximale Laufzeit überschrittenoder maximale Zahl von Versuchen erreicht
dGdt < minimaler Grenzwert
Versuche
Gütewert
50 100 150 200