Meier, Almuth (2020) Prediction-based nature-inspired dynamic optimization. PhD, Universität Oldenburg.

Preview

Volltext (3519Kb)

Abstract

Dynamic optimization problems typically appear in real-world systems underlying environmental influence. Solving this kind of problems requires algorithms considering relationships between problem instances at different points in time. Nature-inspired optimization is frequently used to solve dynamic problems as they store information about past environments in the population by a natural means. In order to circumvent the premature convergence of nature-inspired meta-heuristics in dynamic optimization problems, prediction is one among other approaches. In this thesis, we show that neural networks are a reasonable alternative to commonly used prediction models, suggest variants extending particle swarm optimization by prediction, and propose a new strategy to take into account predictive uncertainty during optimization. In addition, we construct a benchmark generator and a convergence measure that are tailored to the characteristics of prediction-based optimization algorithms.

["eprint_fieldname_title_plus" not defined]

Vorhersagebasierte naturinspirierte dynamische Optimierung

["eprint_fieldname_abstract_plus" not defined]

Dynamische Optimierungsprobleme treten häufig in Anwendungen auf, die Umwelteinflüssen unterliegen. Die Lösung solcher Probleme erfordert Algorithmen, die Zusammenhänge zwischen Probleminstanzen verschiedener Zeitpunkte berücksichtigen. Naturinspirierte Optimierungsverfahren werden in diesem Kontext häufig eingesetzt. Ein Ansatz, um die vorzeitige Konvergenz von naturinspirierten Metaheuristiken in dynamischen Optimierungsproblemen zu verhindern, ist Vorhersage. In dieser Arbeit wird gezeigt, dass neuronale Netze eine gute Alternative zu den bisher in dieser Domäne eingesetzten Vorhersagemodellen sind. Außerdem werden Erweiterungen von Partikelschwarmoptimierung mit Vorhersage vorgeschlagen und ein Ansatz zur Berücksichtigung der Vorhersageunsicherheit während der Optimierung vorgestellt. Zusätzlich werden ein Benchmark und ein Konvergenzmaß konstruiert, die auf die Charakteristiken von vorhersagebasierten Optimierungsalgorithmen zugeschnitten sind.

Item Type:	Thesis (PhD)
Uncontrolled Keywords:	Optimierung, Neuronales Netz, Zeitreihe, Evolutionsstrategie
Subjects:	Generalities, computers, information > Computer science, internet
Divisions:	School of Computing Science, Business Administration, Economics and Law > Department of Computing Science
Date Deposited:	08 May 2020 09:26
Last Modified:	13 May 2020 12:32
URI:	https://oops.uni-oldenburg.de/id/eprint/4602
URN:	urn:nbn:de:gbv:715-oops-46831
DOI:
Nutzungslizenz:

Actions (login required)

View Item