Thema3858: Unterschied zwischen den Versionen
Pz7801 (Diskussion | Beiträge) |
Pz7801 (Diskussion | Beiträge) |
||
Zeile 1: | Zeile 1: | ||
{{Abschlussarbeit | {{Abschlussarbeit | ||
|Titel=Bewertung statistischer Auswertungsmethoden zur Performanceevaluation in der multikriteriellen evolutionären Optimierung | |Titel=Bewertung statistischer Auswertungsmethoden zur Performanceevaluation in der multikriteriellen evolutionären Optimierung | ||
− | |Abschlussarbeitstyp= | + | |Vorname=Vitalik |
− | |Betreuer=Marlon Braun | + | |Nachname=Melnikov |
+ | |Abschlussarbeitstyp=Diplom | ||
+ | |Betreuer=Marlon Braun; Hartmut Schmeck | ||
|Forschungsgruppe=Effiziente Algorithmen | |Forschungsgruppe=Effiziente Algorithmen | ||
− | |Abschlussarbeitsstatus= | + | |Abschlussarbeitsstatus=In Bearbeitung |
− | |Beginn=2014/ | + | |Beginn=2014/11/01 |
+ | |Abgabe=2015/05/01 | ||
|Beschreibung DE== Inhaltsbeschreibung = | |Beschreibung DE== Inhaltsbeschreibung = | ||
Multikriterielle Optimierung beschäftigt sich mit der gleichzeitigen Optimierung mehrerer Zielfunktionen. Multikriterielle Optimierungsprobleme besitzen üblicherweise kein globales Optimum, sondern eine Menge an Pareto optimalen Punkten als Lösung. Eine Pareto optimale Lösung kann nur in einem Ziel verbessert werden, wenn sie sich gleichzeitig in einem anderen Ziel verschlechtert. Die Menge der Pareto optimalen Lösungen formt eine Hyperfläche im Lösungsraum. Multikriterielle evolutionäre Algorithmen zielen darauf ab, diese Hyperfläche durch eine begrenzte Menge an Punkten zu approximieren. Die Güte einer Approximation kann über unterschiedliche Performanceindikatoren gemessen werden. In der Literatur wird die Performance eines neuen Algorithmus mit existierenden Algorithmen verglichen. Üblicherweise werden hier jedoch lediglich Mittelwerte verglichen, anstatt statistische Tests durchgeführt. Dies führt dazu, dass sich keinerlei Aussage über die Signifikanz der beobachteten Werte machen lässt. | Multikriterielle Optimierung beschäftigt sich mit der gleichzeitigen Optimierung mehrerer Zielfunktionen. Multikriterielle Optimierungsprobleme besitzen üblicherweise kein globales Optimum, sondern eine Menge an Pareto optimalen Punkten als Lösung. Eine Pareto optimale Lösung kann nur in einem Ziel verbessert werden, wenn sie sich gleichzeitig in einem anderen Ziel verschlechtert. Die Menge der Pareto optimalen Lösungen formt eine Hyperfläche im Lösungsraum. Multikriterielle evolutionäre Algorithmen zielen darauf ab, diese Hyperfläche durch eine begrenzte Menge an Punkten zu approximieren. Die Güte einer Approximation kann über unterschiedliche Performanceindikatoren gemessen werden. In der Literatur wird die Performance eines neuen Algorithmus mit existierenden Algorithmen verglichen. Üblicherweise werden hier jedoch lediglich Mittelwerte verglichen, anstatt statistische Tests durchgeführt. Dies führt dazu, dass sich keinerlei Aussage über die Signifikanz der beobachteten Werte machen lässt. |
Version vom 6. Februar 2015, 15:07 Uhr
Abschlussarbeitstyp: Diplom
Betreuer: Marlon Braun, Hartmut Schmeck
Forschungsgruppe: Effiziente Algorithmen
Archivierungsnummer: 3858
Abschlussarbeitsstatus: In Bearbeitung
Beginn:
01. November 2014
Abgabe: 01. Mai 2015
Inhaltsbeschreibung
Multikriterielle Optimierung beschäftigt sich mit der gleichzeitigen Optimierung mehrerer Zielfunktionen. Multikriterielle Optimierungsprobleme besitzen üblicherweise kein globales Optimum, sondern eine Menge an Pareto optimalen Punkten als Lösung. Eine Pareto optimale Lösung kann nur in einem Ziel verbessert werden, wenn sie sich gleichzeitig in einem anderen Ziel verschlechtert. Die Menge der Pareto optimalen Lösungen formt eine Hyperfläche im Lösungsraum. Multikriterielle evolutionäre Algorithmen zielen darauf ab, diese Hyperfläche durch eine begrenzte Menge an Punkten zu approximieren. Die Güte einer Approximation kann über unterschiedliche Performanceindikatoren gemessen werden. In der Literatur wird die Performance eines neuen Algorithmus mit existierenden Algorithmen verglichen. Üblicherweise werden hier jedoch lediglich Mittelwerte verglichen, anstatt statistische Tests durchgeführt. Dies führt dazu, dass sich keinerlei Aussage über die Signifikanz der beobachteten Werte machen lässt.
Aufgabe
Ziel der Arbeit ist es eine rigorose Aufarbeitung der bestehenden Literatur in der multikriteriellen Optimierung hinsichtlich der verwendeten Auswertungsverfahren durchzuführen. Insbesondere sollen hier die Schwächen der bisherigen Versuchsplanung, -durchführung und –auswertung aufgezeigt werden. Darüber hinaus soll eine Blaupause entwickelt werden, anhand derer multikriterielle Lösungsverfahren ausgewertet und bestehenden Algorithmen verglichen werden können, um statistisch abgesicherte Aussagen über deren Performance treffen zu können.
Voraussetzungen
Sehr gute Kenntnisse im Bereich der Statistik und Versuchsplanung sind wünschenswert. Basiswissen in der multikriteriellen Optimierung ist hilfreich, jedoch nicht erforderlich.