Dezentrale Strategieelemente für Evolutionsstrategien und Anwendung zum Reglerentwurf

Viele wissenschaftliche und technische Problemstellungen lassen sich auf Optimierungspro-bleme zurückführen. Zu deren Lösung steht eine Vielzahl unterschiedlicher Verfahren zur Verfügung. Dabei stellt die Auswahl eines geeigneten Verfahrens oft eine Schwierigkeit dar. Für die Lösung komplexer Optimierungsaufgaben haben sich in vielen Fällen Evolutionsstra-tegien (ES) bewährt. Mit der technischen Anwendung von Optimierungsverfahren werden meist die folgenden bei-den Ziele verfolgt. Zum einen möchte man möglichst optimale Lösungen, d. h. Parametereinstellungen, finden. Zum anderen möchte man den Suchraum der einzustellenden Parametervektoren möglichst gut ausschöpfen, um die gefundenen Lösungen und das Potenzial des Suchraums einschätzen zu können. Zudem sollen beide Ziele mit möglichst wenigen Gütebewertungen von Parametereinstellungen erreicht werden, da diese bei technischen Anwendungen oft aufwendige Simulationen oder Experimente an realen Prozessen erfordern. Herkömmliche ES weisen im Hinblick auf diese Ziele gewisse Defizite auf. Sie erfordern häufig eine vergleichsweise große Anzahl von Gütebewertungen und es stellt sich oft eine vergleichsweise schnelle Konzentration der konkurrierenden Lösungen (Individuen) auf nur wenige Varianten ein. Die Ursachen hierfür liegen u. a. darin, dass die zur Fortpflanzung verwendeten Paare von Individuen (Parametervektoren) in der Regel rein zufällig gebildet werden und zur Selektion der günstigsten Individuen meist ein Ranking verwendet wird. In der vorliegenden Arbeit werden neue Strategieelemente für ES entwickelt, die den genannten Zielen besser gerecht werden. Eines dieser Strategieelemente sorgt für eine automatische Umschaltung von globaler auf lokale Suche in Abhängigkeit von der bereits erreichten relativen Güte. Damit wird bei vergleichsweise schlecht bewerteten Individuen, die vor allem zu Beginn eines Optimierungsprozesses auftreten, bevorzugt eine globale Suche vorgenommen. Umgekehrt wird bei vergleichsweise gut bewerteten Individuen auf lokale Suche umgeschaltet, um in der näheren Umgebung dieser Individuen nach noch besseren Lösungen zu suchen. So wird ein günstiger Kompromiss zwischen globaler und lokaler Suche und damit eine effizientere Optimierung erreicht. Ein weiteres Strategieelement besteht in der Kombination einer Evolutionsstrategie mit einem lokal arbeitenden Optimierungsverfahren, das eine bevorzugte Suchrichtung im Suchraum verwendet. Damit wird berücksichtigt, dass häufig vorab nicht bekannt ist, ob zur Lösung eines Optimierungsproblems eine ungerichtete oder eine zielgerichtete Suche besser geeignet ist. Durch das hier entwickelte hybride Optimierungskonzept passt sich der Optimierungsprozess automatisch an die Beschaffenheit des Optimierungsproblems an, ohne dass eine Vorabentscheidung des Anwenders zugunsten einer ungerichteten oder einer zielgerichteten Suche erforderlich ist. Dieses hybride Optimierungskonzept stellt somit einen wichtigen Schritt in Richtung des übergeordneten Ziels dar, ein für einen Anwender möglichst einfach und universell einsetzbares Optimierungsverfahren zu schaffen, dessen erfolgreicher Einsatz ohne tief gehende Vorkenntnisse über Optimierungsverfahren oder die Beschaffenheit der zu lösenden Optimierungsaufgabe möglich ist. Die Wirkungsweise der neuen Strategieelemente wird anhand von analytischen Testfunktionen nachgewiesen. Ferner werden sie erfolgreich zur Lösung eines regelungstechnischen Optimierungsproblems – Optimierung der Reglerparameter für die Positionsregelung eines industriellen Hydraulikventils – eingesetzt. Somit wird deren Leistungsfähigkeit – auch für andere praxisbezogene Anwendungen – aufgezeigt