Bewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung
|
|
- Oskar Hinrich Kurzmann
- vor 5 Jahren
- Abrufe
Transkript
1 Weimarer Optimierungs- und Stochastiktage 4.0 Bewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung Dr.-Ing. Andreas Plotzitza, PT/EST4 29. November
2 Inhalt Bewertung Optimierungs + Zuverlässigkeitsalgorithmen für virtuelle Produktauslegung 1. Motivation: Virtuelle Produktauslegung am Beispiel eines Hammer 1.1 Ziele und Zielgrößen des Marktes 1.2 Aufbau und Funktionsweise eines Hammers 2. Optimierung 2.1 Problemstellung für numerische Hammersimulation 2.2 Optimierungsverfahren 2.3 Anwendung der Verfahren und Ergebnisse 3. Zuverlässigkeitsanalyse 3.1 Fertigungstoleranzen und Problemstellung 3.2 Grundlagen der Zuverlässigkeitsanalyse 3.3 Anwendung der Verfahren und Ergebnisse 4. Zusammenfassung 5. Ausblick 2
3 1.1 Ziele und Zielgrößen Ziele aus dem Markt Anpassung eines Hammers an Kundenwünsche und Senkung der Kosten Zielgrößen aus dem Markt Erhöhung der Performance, d.h. der Meißeleindringung Senkung der Vibrationsbelastung des Anwenders Verkürzung der Entwicklungszeit des Produkts 3
4 1.2 Aufbau und Funktionsweise eines Hammers Motivation für die virtuelle Produktauslegung am Beispiel der Hämmer Schlagkette Schlagwerk Werkzeug Döpper Schläger Luftfeder Kolben Exzenter Motor mit Getriebe Handgriff Beton 4
5 2.1 Optimierung Problemstellung Realer Schlaghammer Wand U2max Schlagkette RZsc Schlagwerk 5
6 2.1 Optimierung Problemstellung Schlagkette numerische Hammersimulation Zielgrößen: U 2 max = f1( ms, md ) ( ) RZsc = f m, m 2 S D gilt für ein Werkzeug, z.b. Spitzmeißel 6
7 2.1 Optimierung Problemstellung Zielgrößen numerische Hammersimulation Zielfunktion: obj1 ( ) = (w1 U 2 max( ) + w2 RZsc ( ) ) ( obj2 ( ) = U 2 max( ) w [ RZsc ( ) const RZsc ]2 ) 7
8 2.2 Optimierung Optimierungsverfahren Allgemeines nichtlineares Optimierungsproblem: min f ( x), unter c i h j x ( x) = 0 ( x) 0 x R n für i = 1,..., m für j = 1,..., q Bestimme n-dim. Vektor x *, so dass Zielfunktion f minimal wird, mit: m Gleichgewichtsbedingungen und q Ungleichgewichtsbedingungen Optimierungsverfahren: - deterministisch - stochastisch Gradientenbasierte Verfahren Neuronale Netze Approximationsverfahren Evolutionäre Algorithmen 8
9 2.2 Optimierung Optimierungsverfahren Gradientenbasierte Verfahren: 1. Wahl des Startvektors x 0 2. Für k = 0, 1, 2, (i) Überprüfung der Abbruchkriterien (ii) Bestimmung der Suchrichtung s k (iii) Bestimmung der Schrittweite σ k (iv) Bildung von x k+1 =x k + σ k s k x k s k 9
10 2.2 Optimierung Optimierungsverfahren Adaptive Response Surface Method: 1. Wahl des Startvektors x 0 und des ersten Unterraumes U 0 2. Für k = 0, 1, 2, (i) Überprüfung der Abbruchkriterien (ii) (iii) Generierung der Stützstellen in U k Berechnung der approximierten Zielfunktion (iv) Berechnung des Minimums von (v) Bestimmung des modifizierten Unterraumes U k+1 x 0 10
11 2.2 Optimierung Optimierungsverfahren Evolutionäre Algorithmen: 1. Initialisierung der Anfangspopulation P(0), t = 0 2. Berechnung der Zielfunktion und Bewertung der Individuen 3. Solange die Abbruchkriterien nicht erfüllt sind (i) Selektion der Eltern aus der Population P(t) (ii) Rekombination zur Erzeugung von Nachkommen N(t) (iii) Mutation der Individuen in N(t) zu N(t) (iv) Berechnung der Zielfunktion und Bewertung der Individuen in N(t) (v) Bildung der neuen Population P(t+1) aus P(t) und N(t), t = t+1 4. Bestes Individuum bildet die Lösung P(t) N(t) P(t+1) 11
12 2.3 Optimierung Anwendung der Verfahren Unterteilung der Bereiche: U2max [mm] Bereich 1 Start Bereich 2 RZsc [-] Bereich 1 Start Bereich 2 m D [g] m S [g] m D [g] m S [g] 12
13 2.3 Optimierung Ergebnisse (Bereich 1) Bereich 1 ARSM: Approximationsmethode : quadratisch Methode der Stützstellengenerierung: D-optimal Optimierungsmethode : NLPQL (Gradientenverfahren) Start Range [%] : 50 Startpunkt x 0 : ls = 50 mm; ld = 60 mm Aktivierte Zusatzoption : Wiederverwendung von Stützstellen 14
14 2.3 Optimierung Ergebnisse (Bereich 2) Bereich 2 EA: Populationsgröße : 10 Anzahl an Generationen : 30 Anzahl an Eltern : 10 Rekombination / Wahrscheinlichkeit : uniform / 0,5 Mutationsrate : 0,25 Standardabweichung : 0,2 / 0,01 (Beginn / Ende) Archiv : ,27-0,32 Objective History Parameter History ls Parameter History ld , ,42-0,47-0,52 15
15 2.3 Optimierung - Ergebnisse Bereich 1 ARSM: Optimum: ls = 43,99 mm ld = 90,00 mm ms = 239,69 g = 494,02 g md U2max = 0,53 mm RZsc = 0,35 Bereich 2 EA: Optimum: ls = 90,00 mm ld = 60,20 mm ms = 494,02 g = 329,28 g md U2max = 0,75 mm RZsc = 0,23 16
16 2.3 Optimierung Vergleich der Ergebnisse Optimierung NLPQL ARSM EA Anwendungsbereich - mäßige Nichtlinearität - mäßige Nichtlinearität (quadr. Approx.) - breite Anwendbarkeit Abweichung von Referenz- Design / Aussagegenauigkeit 26,6% - Ɛ 0,0% Ɛ - konvergiert bei geeigneter Approx. gegen globales Optimum 0,5% - Keine Optimalitätsgarantie - Güte hängt von investiertem Aufwand ab CPU- Rechenzeit 85 Designs ca. 18 Stunden 70 Designs ca. 8 Stunden 117 Designs ca. 15 Stunden 17
17 3.1 Zuverlässigkeitsanalyse Fertigungstoleranzen und Problemstellung Fertigungstoleranzen: lm ld ls rs rd rm Maße in mm Bereich 1: Parameter ls rs ld rd Mittelwert Abweichung Bereich 2: Parameter ls rs ld rd Mittelwert Abweichung Nebenbedingungen des sicheren Bereiches: 1,05 RZsc Opti RZsc 0 RZsc 0,95 RZsc 0 Opti U 2 max 0,95 U 2 max 0 Opti 18
18 3.2 Zuverlässigkeitsanalyse - Grundlagen Dichtefunktionen: f (x) f (x) x x Normalverteilung Gestutzte Normalverteilung < x < xmin x xmax 20
19 3.2 Zuverlässigkeitsanalyse - Grundlagen sicherer Bereich unsicherer Bereich g( x) > 0 g( x) 0 Grenzzustandsfunktion: g(x) Versagenswahrscheinlichkeit: P f = g ( n x Λ ) 0 f ( x) dx Stochastische Methoden zur Ermittlung der Versagenswahrscheinlichkeit: 21 Samplingmethoden Approximationsverfahren - Monte Carlo Simulation - First Order Reliability Method - Latin Hypercube Sampling - Adaptive Response Surface Method - Importance Sampling - Directional Sampling
20 3.3 Zuverlässigkeitsanalyse - Anwendung Bereich 1: Grenzzustandsfunktionen: 0,36 RZsc RZsc 0, U 2 max 0,50 0 geschätzte Versagenswahrscheinlichkeit: 0 % 24
21 3.3 Zuverlässigkeitsanalyse - Ergebnisse Bereich 1: Methode Versagenswahrscheinlichkeit Standardabweichung Anzahl der Systemanalysen Laufzeit Latin Hypercube h Adaptive Sampling (Importance Samp.) ,5 h ARSM ERROR h Directional Sampl. 7, , ,5 h FORM 0, h 25
22 3.3 Zuverlässigkeitsanalyse - Anwendung Bereich 2: Grenzzustandsfunktionen: 0,25 RZsc RZsc 0, U 2 max 0,72 0 geschätzte Versagenswahrscheinlichkeit: 26 % 26
23 3.3 Zuverlässigkeitsanalyse - Ergebnisse Bereich 2: Methode Versagenswahrscheinlichkeit Standardabweichung Anzahl der Systemanalysen Laufzeit Latin Hypercube 0,2663 0, h Latin Hypercube 0,2517 0, h Adaptive Sampling (Importance Samp.) 0,2236 0, h ARSM 0,1578 0, h Directional Sampl. ERROR h FORM 0, h ISPUD 0,1834 0, h 27
24 4. Zusammenfassung Optimierung ARSM: - für mäßig nichtlineare Probleme wie in Bereich 1 - quadratische Approximation - aktivierte Zusatzoption: Wiederverwendung von Stützstellen EA: Zuverlässigkeit - breite Anwendbarkeit, für Bereich 2 geeignet - Kombination von Rekombination und Mutation Adaptive : - für kleine erwartete Versagenswahrscheinlichkeiten wie in Sampling Bereich 1 - bei weniger als 10 Zufallsvariablen Latin : - nur für hohe erwartete Versagenswahrscheinlichkeiten P f >10-2 Hypercube wie in Bereich 2 - unabhängig von der Anzahl an Zufallsvariablen 28
25 5. Ausblick - Weitere Untersuchungen im Bereich 2 - Einfluss unterschiedlichen Werkzeugeinsatzes im Bereich 2 - Zuverlässigkeitsanalyse: ARSM der nächsten optislang-version testen Fazit: Optimierungs- und Zuverlässigkeitsalgorithmen sind für die virtuelle Produktauslegung zwingend notwendig, deren Kenntnis für den Anwendungsbereich des Problems erforderlich und dessen Ergebnisse anschließend auf Plausibilität zu überprüfen. 29
Optimierung und Robustheitsbewertung mit OptiSLang bei der Robert Bosch GmbH
Optimierung und Robustheitsbewertung mit OptiSLang bei der Robert Bosch GmbH Markus Könning 1*, Henning Kreschel 1, Roland Schirrmacher 1, Andreas Plotzitza 2 1 Robert Bosch GmbH, FV/PLE4, Schwieberdingen
MehrZuverlässigkeitsanalyse und zuverlässigkeitsbasierte Optimierung mit probabilistischen Methoden am Beispiel. eines Magnetantriebes
Zuverlässigkeitsanalyse und zuverlässigkeitsbasierte Optimierung mit probabilistischen Methoden am Beispiel In1 eines Magnetantriebes Dr.-Ing. The-Quan Pham OptiY e.k. Aschaffenburg Dr.-Ing. Alfred Kamusella
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen Teil II Evolutionsfenster durch Mutation und sexuelle Rekombination Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Evolutionäre Algorithmen
MehrSynthese durch Rechner-Optimierung
4.2.4. Synthese durch Rechner-Optimierung Möglichkeiten zum Finden passender Reglerparameter: 1. Theoretische Synthese (Herleitung der optimalen Werte) 2. Einstellregeln Messungen an der Strecke (z. B.
MehrInformatiCup 2009 EvolutionConsole
InformatiCup 2009 EvolutionConsole Wilhelm Büchner Hochschule 19. März 2010 1 1. Das Team Teammitglieder Ralf Defrancesco KION Information Services GmbH Systemadministrator Daniel Herken Scooter Attack
MehrKostengünstige Entwicklung von Qualitätsprodukten durch probabilistische Simulation und Optimierung
In1 Kostengünstige Entwicklung von Qualitätsprodukten durch probabilistische Simulation und Optimierung Dr.-Ing. The-Quan Pham OptiY GmbH Aschaffenburg Dr.-Ing. Alfred Kamusella Institut für Feinwerktechnik
MehrGrundlagen der Probabilistik und Zuverlässigkeit
DVM Seminar 2014: Zuverlässigkeit und Probabilistik Grundlagen der Probabilistik und Zuverlässigkeit Matthias Schubert Dipl.-Ing., Dr. sc. ETH München, 29.10.2014, 10:15-11:00 Probability is the most important
MehrGenetische und Evolutionäre Algorithmen (Vol. 1)
Vortrag über Genetische und Evolutionäre Algorithmen (Vol. ) von Adam El Sayed Auf und Kai Lienemann Gliederung: ) Einführung 2) Grundkonzept 3) Genaue Beschreibung des Genetischen Algorithmus Lösungsrepräsentation
MehrParameteroptimierung von Simulationsmodellen mit Evolutionären Algorithmen in optislang
Parameteroptimierung von Simulationsmodellen mit Evolutionären Algorithmen in optislang Kopplung mit CAE-Tools SimulationX und Simulink Dipl.-Ing. M. Koch Weimarer Optimierungs- und Stochastiktage 6.0
MehrTeil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006
Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden
Mehr10. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 10. Vorlesung Stochastische Optimierung Genetische Algorithmen 10. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrErfolgversprechende Konfigurationen für Versuche mit Evolutionsstrategien anhand von ausgewählten Testfunktionen
Erfolgversprechende Konfigurationen für Versuche mit Evolutionsstrategien anhand von ausgewählten Testfunktionen Krischan Keitsch 3. Juni 214 Zusammenfassung Um ein Optimierungsproblem mit einer Evolutionsstrategie
MehrDas Gradientenverfahren
Das Gradientenverfahren - Proseminar: Algorithmen der Nichtlinearen Optimierung - David Beisel December 10, 2012 David Beisel Das Gradientenverfahren December 10, 2012 1 / 28 Gliederung 0 Einführung 1
MehrKombination von Optimierung und Robustheit in der Simulation mechanischer Systeme
Kombination von Optimierung und Robustheit in der Simulation mechanischer Systeme Markus Könning 1 1 Robert Bosch GmbH, CR/ARD4, 71701 Schwieberdingen Zusammenfassung Die Optimierung und Robustheitsbewertung
MehrOptimale Produktliniengestaltung mit Genetischen Algorithmen
Optimale Produktliniengestaltung mit Genetischen Algorithmen 1 Einleitung 2 Produktlinienoptimierung 3 Genetische Algorithmen 4 Anwendung 5 Fazit Seite 1 Optimale Produktliniengestaltung mit Genetischen
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrGenetische Algorithmen
Genetische Algorithmen Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
MehrOptimierungscharakteristik von endlosfaserverstärkten Kunststoffen (optimization characteristics of continuous fiberreinforced
Optimierungscharakteristik von endlosfaserverstärkten Kunststoffen (optimization characteristics of continuous fiberreinforced plastics) Markus Kellermeyer 1,2, Sandro Wartzack 2 1 CADFEM GmbH 2 Lehrstuhl
MehrOptimierung. Optimierung. Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren. 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 2 Optimierung ohne Nebenbedingungen Gradientenverfahren 1 Minimierung ohne Nebenbedingung Ein Optimierungsproblem besteht aus einer zulässigen Menge und einer Zielfunktion Minimum
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung 12. Vorlesung Dr. Jochen Köhler 1 Aufbau der Vorlesung 2 Der Lebenszyklus eines Bauwerks 3 Der Lebenszyklus eines Bauwerks 4 Der Lebenszyklus eines Bauwerks 5
Mehrmit Ungleichungen als Restriktionen Quadratische Programmierung Gliederung Geodätische Woche 2009 Lutz Roese-Koerner und Wolf-Dieter Schuh
. Geodätische Woche 29 Quadratische Programmierung mit Ungleichungen als Restriktionen 1 Lutz Roese-Koerner und Wolf-Dieter Schuh Institut für Geodäsie und Geoinformation Professur für Theoretische Geodäsie
MehrComputational Intelligence 1 / 28. Computational Intelligence Evolutionsstrategien 3 / 28
1 / 28 Gliederung 1 Evolutionsstrategien Selektion Rekombination Mutation Ablauf 2 Genetische Programmierung Repräsentation Genetische Operatoren Ablauf Überblick Evolutionsstrategien 3 / 28 Repräsentation
MehrRL und Funktionsapproximation
RL und Funktionsapproximation Bisher sind haben wir die Funktionen V oder Q als Tabellen gespeichert. Im Allgemeinen sind die Zustandsräume und die Zahl der möglichen Aktionen sehr groß. Deshalb besteht
MehrAllgemeine Betriebswirtschaftslehre Planungs- und Entscheidungstechniken
FernUniversität in Hagen Lehrstuhl für Betriebswirtschaftslehre, insb. Operations Research Prof. Dr. Wilhelm Rödder Allgemeine Betriebswirtschaftslehre Planungs- und Entscheidungstechniken Sandra Rudolph,
MehrSeminarvortrag: Trust-Region-Verfahren
Seminarvortrag: Trust-Region-Verfahren Helena Klump Universität Paderborn Dezember 2012 Helena Klump 1 / 22 Trust-Region-Verfahren Problemstellung Sei die Funktion f : R n R gegeben. Betrachtet wird das
MehrOptimierung und Simulation
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Optimierung und Simulation Von Dr. Jörg Biethahn O. Professor für
MehrMathematische Werkzeuge R. Neubecker, WS 2016 / 2017
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 2016 / 2017 Optimierung: Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen Optimierungsprobleme Optimierung Suche nach dem Maximum oder Minimum
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
MehrInhaltsverzeichnis. 4 Lagrange-Funktion und Dualität... 63 4.1 Lagrange-FunktionmitGleichheitsrestriktionen... 63
1 Einleitung... 1 1.1 Optimierungstypen.............................................. 3 1.2 Motivation und Grundbegriffe der Optimierung........................... 4 1.3 Allgemeine Form des Optimierungsproblems............................
MehrLösung von Optimierungsproblemen mit Monte Carlo Methoden
Lösung von Optimierungsproblemen mit Monte Carlo Methoden Am Beispiel des Problem des Handlungsreisenden Vortragende: Alexandra Vosseler Inhaltsverzeichnis I. Einleitung II. Optimierung mit MCM II.i Vom
MehrPVK Probeprüfung FS 2017
PVK Probeprüfung FS 07 Lucas Böttcher Numerische Methoden ETH Zürich June 3, 07. Radioaktiver Zerfall Gegeben sind zwei radioaktive Substanzen, welche mit den Raten λ = 0.5 und λ = 0. zerfallen: A λ B
MehrAnwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen
Anwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen Jana Müller Seminar Das Virtuelle Labor Otto von Guericke Universität Magdeburg Gliederung 1. Motivation
Mehr1. Inhaltsverzeichnis
1. Inhaltsverzeichnis Inhaltsverzeichnis 1. Einleitung 1.1. Darwins Evolutionstheorie 1.2. Darwins Evolutionstheorie als Inspiration für Evolutionäre Algorithmen 1.3. Die Unterschiede der verschiedenen
MehrOptimierung und Entwurf mit Evolutionären Algorithmen
Fakultät Informatik, Institut für Angewandte Informatik, Lehrstuhl für Technische Informationssysteme Optimierung und Entwurf mit Evolutionären Algorithmen Dresden, 01.02.2007 Gliederung natürliche Evolution
MehrProbabilistische, strukturmechanische Untersuchung von Rotorscheiben unter Berücksichtigung geometrischer Streuungen
Probabilistische, strukturmechanische Untersuchung von Rotorscheiben unter Berücksichtigung geometrischer Streuungen I. Reuter, M. Voigt, K. Vogeler - Technische Universität Dresden T. Weiß, H. Schlums
MehrEinführung in die Methoden der Künstlichen Intelligenz. Evolutionäre Algorithmen
Einführung in die Methoden der Künstlichen Intelligenz Evolutionäre Algorithmen Dr. David Sabel WS 2012/13 Stand der Folien: 12. November 2012 Evolutionäre / Genetische Algorithmen Anwendungsbereich: Optimierung
MehrGenetische Algorithmen
Michael Gerhäuser Universität Bayreuth 28.06.2008 1 Motivierende Beispiele 2 Grundbegriffe der biologischen Evolution 3 Formalisierung der Grundbegriffe 4 Modellierung mit Markov-Ketten 5 Konvergenzanalyse
MehrEvolutionäre / Genetische Algorithmen. Einführung in die Methoden der Künstlichen Intelligenz. Evolutionäre / Genetische Algorithmen (2) Beispiel
Evolutionäre / Genetische Algorithmen Einführung in die Methoden der Künstlichen Intelligenz PD Dr. David Sabel SoSe 0 Anwendungsbereich: Optimierung von Objekten mit komplexer Beschreibung Objekte: Üblicherweise
Mehr12. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 12. Vorlesung Stochastische Optimierung Differential Evolution 12. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrOptimierung auf rekonfigurierbaren Rechensystemen
Optimierung auf rekonfigurierbaren Rechensystemen Evolution in dynamisch rekonfigurierbarer Hardware Peter Bungert Hartmut Schmeck Institut für Angewandte Informatik und Formale Bescheibungsverfahren (AIFB)
MehrGenetische und Evolutionäre Algorithmen (Vol. 2)
Vortrag über Genetische und Evolutionäre Algorithmen (Vol. 2) von Adam El Sayed Auf und Kai Lienemann Gliederung: 4) Rückblick 5) Allgemeine Einführung 6) Genauere Beschreibung von Evolutionären Strategien
MehrStatistische Methoden für Bauingenieure WS 13/14
Statistische Methoden für Bauingenieure WS 13/14 Einheit 6: Simulation und probabilistische Bemessung/ Zuverlässigkeit Univ.Prof. Dr. Christian Bucher Typische Problemstellung Auslegung des Turmschafts
MehrFundamente der Computational Intelligence
Fundamente der Computational Intelligence Dozent: Günter Rudolph Vertretung: Nicola Beume Wintersemester 2006/07 Universität Dortmund Fachbereich Informatik Lehrstuhl für Algorithm Engineering (LS11) Fachgebiet
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 5.04.01 1 Inhalte der heutigen Vorlesung Kurze Zusammenfassung der letzten Vorlesung Ereignisse undeinfachezufallsvariablen Lineare
MehrVerwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen
Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen Katharina Witowski (DYNAmore GmbH) Peter Reithofer (4a engineering GmbH) Übersicht Problemstellung Parameteridentifikation
Mehrv R n ist Abstiegsrichtung in x R n wenn f(x) v < 0 v R n ist Abstiegsrichtung in x R n wenn i=1,,d: f i
MOP: Pareto-Gradientenabstiegsverfahren Annahme: Zielfunktion differenzierbar Wintersemester 2007/08 Praktische Optimierung (Vorlesung) d = 1: (monokriteriell) v R n ist Abstiegsrichtung in x R n wenn
MehrKommunikationsnetzwerkplanung unter Kosten- und Zuverlässigkeitsgesichtspunkten mit Hilfe von evolutionären Algorithmen
Kommunikationsnetzwerkplanung unter Kosten- und Zuverlässigkeitsgesichtspunkten mit Hilfe von evolutionären Algorithmen Dissertation zur Erlangung des akademischen Grades doctor rerum politicarum (Dr.
MehrOptimale Steuerung 1
Optimale Steuerung 1 Kapitel 6: Nichtlineare Optimierung unbeschränkter Probleme Prof. Dr.-Ing. Pu Li Fachgebiet Simulation und Optimale Prozesse (SOP) Beispiel: Parameteranpassung für Phasengleichgewicht
MehrProbabilistisches Sicherheitskonzept für die brandschutztechnische Bemessung
Institut für Baustoffe, Massivbau und Brandschutz Technische Universität Caroio-Wilhelmina zu Braunschweig Probabilistisches Sicherheitskonzept für die brandschutztechnische Bemessung Vom Fachbereich Bauingenieurwesen
MehrNewton- und und Quasi-Newton-Methoden in der Optimierung. János Mayer
Newton- und und Quasi-Newton-Methoden in der Optimierung János Mayer 1 GLIEDERUNG Newton-Methode für nichtlineare Gleichungen nichtlineare Gleichungssysteme freie Minimierung. Quasi-Newton-Methoden für
MehrFinanzmarktprognose mit neuronalen Netzen
Reihe: Quantitative Ökonomie Band 131 Herausgegeben von Prof. Dr. Eckart Bomsdorf, Köln, Prof. Dr. Wim Kösters, Bochum, und Prof. Dr. Winfried Matthes, Wuppertal Dr. Christoph A. Hövel Finanzmarktprognose
MehrProseminar Genetische und Evolutionäre Algorithmen Evolutionsstrategien
Proseminar Genetische und Evolutionäre Algorithmen Evolutionsstrategien Michael Stahl 4. Juni 2002 Inhaltsverzeichnis 1 Überblick 2 2 Generischer ES-Algorithmus 2 2.1 Initialisierung....................................
MehrMathematische Werkzeuge R. Neubecker, WS 2018 / 2019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen
Mustererkennung Mathematische Werkzeuge R. Neubecker, WS 018 / 019 Optimierung Lagrange-Funktionen, Karush-Kuhn-Tucker-Bedingungen 1 Optimierung Optimierungsprobleme Suche nach dem Maximum oder Minimum
MehrOptimierung technischer Systeme mittels Evolutionsstrategien - ein Standardverfahren in SIMUL_R
- 1 - Optimierung technischer Systeme mittels Evolutionsstrategien - ein Standardverfahren in SIMUL_R R. Ruzicka SIMUTECH Hadikgasse 150, A-1140 Wien Kurzfassung Die Methode der Evolutionsstrategien wurde
MehrOptimierung. Optimierung. Vorlesung 4 Newton und Quasi Newton Verfahren (Teil II) 2013 Thomas Brox, Fabian Kuhn
Optimierung Vorlesung 4 Newton und Quasi Newton Verfahren (Teil II) 1 Newton Verfahren Taylor Approximation 1. Ordnung von Newton Verfahren! 0 Setze 0und berechne Löse lineares Gleichungssystem für : 2
MehrAuswahl repräsentativer Netznutzungsfälle zur Bewertung zukünftiger Systemzustände in der Betriebsplanung elektrischer Übertragungsnetze
Auswahl repräsentativer Netznutzungsfälle zur Bewertung zukünftiger Systemzustände in der Betriebsplanung elektrischer Übertragungsnetze Oliver Scheufeld, Lukas Kalisch, Andreas Moormann, Simon Krahl,
MehrStrukturoptimierung. Grundlagen und Anwendungen. Lothar Harzheim. Verlag Harri Deutsch
Lothar Harzheim 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Strukturoptimierung Grundlagen und Anwendungen Verlag
MehrSeminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen
Fachhochschule Wedel - SS 2006 Seminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen Marco Lehmann (wi5909) m@rco-l.de 3. Juli 2006 Gliederung 1.
MehrPopulationsbasierte Suche. Evolutionäre Algorithmen (1)
Populationsbasierte Suche Bisherige Meta-Heuristiken: Simulated Annealing Tabu Search Ausgehend von einer Lösung wird gesucht Populationsbasierte Heuristiken Suche erfolgt ausgehend von mehreren Lösungen
MehrEvolutionäre (Genetische) Algorithmen
Evolutionäre (Genetische) Algorithmen Ziel, Aufgabe von evolutionären Algorithmen: Optimierung von Objekten mit komplexer Beschreibung, wobei es Parameter gibt. Die Objekte kodiert man so als Bitstrings,
MehrRelevanz moderner Optimierungsmethoden im Strömungsmaschinenbau
Relevanz moderner Optimierungsmethoden im Strömungsmaschinenbau Vorgestellt vom Akkreditierten Forschungsschschwerpunkt Computer Simulation im Maschinenbau Motivation Energieeffizienz Komplexe physikalische
Mehr7. Optimierung von Simulationsmodellen
7. Optimierung von Ziel vieler Simulationsmodelle ist das finden einer guten/optimalen Lösung Allgemein formuliert: Min f(x) unter den Nebenbedingungen x W oft sind die Nebenbedingungen durch Gleichungen/Ungleichungen
MehrMathematik 2 Probeprüfung 1
WWZ Wirtschaftswissenschaftliche Fakultät der Universität Basel Dr. Thomas Zehrt Bitte in Druckbuchstaben ausfüllen: Name Vorname Mathematik 2 Probeprüfung 1 Zeit: 90 Minuten, Maximale Punktzahl: 72 Zur
MehrNICHTRESTRINGIERTE OPTIMIERUNG
3 NICHTRESTRINGIERTE OPTIMIERUNG Die Aufgabe, mit der wir uns im Folgen beschäftigen werden, ist die Lösung von Minimierungsproblemen der Form minimiere f(x) in R n, (3.1) wobei f : R n R eine gegebene
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrOptimierung eines Seitenschutz Ersatzmodells mittels Sensitivitätsstudie und adaptiven Response Surface Methoden
Optimierung eines Seitenschutz Ersatzmodells mittels Sensitivitätsstudie und adaptiven Response Surface Methoden Weimarer Optimierungs- und Stochastiktage 3.0, 23./24. November 2006, Weimar Viorel Ionescu
MehrPROFESSUR FÖRDERTECHNIK. Konstruktionsoptimierung mittels parametrischer FE- Simulation am Beispiel eines Übertragungselements in Klauenkupplungen
PROFESSUR FÖRDERTECHNIK Konstruktionsoptimierung mittels parametrischer FE- Simulation am Beispiel eines Übertragungselements in Klauenkupplungen Gliederung 1. Problemstellung 2. Festlegung der Entwurfsvariablen
MehrMathematik I Prüfung Frühlingssemester 2014
Mathematik I Prüfung Frühlingssemester 2014 Prof. Dr. Enrico De Giorgi 23. Juni 2014 Mathematik II: Prüfung Frühlingssemester 2014 1 Teil I: Offene Fragen (50 Punkte) Allgemeine Anweisungen für offene
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2/ / Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung 6Das Newton-Verfahren
MehrTechnische Universität Chemnitz. Ein Genetischer Algorithmus zur simultanen Dimensionierung und Strukturierung von Fertigungssystemen
Ein Genetischer Algorithmus zur simultanen Dimensionierung Strukturierung von Fertigungssystemen JENS ARNOLD Fakultät für Informatik D-09107 Chemnitz E-Mail: Jens.Arnold@informatik.tu-chemnitz.de THOMAS
MehrSimulation komplexer Prozesse am Beispiel Verbundguss Cu-Al
04.11.2016 Optimierungsaufgabe Beispiel: Sheldons Platz Im Winter ist der Platz nah genug an der Heizung, damit mir warm ist und dennoch nicht zu dicht, um ins schwitzen zu kommen. Im Sommer liegt er in
MehrAnwendung stochastischer und geometrischer Analysen zur systematischen Robustheitsuntersuchung im Strukturcrash
Anwendung stochastischer und geometrischer Analysen zur systematischen Robustheitsuntersuchung im Strukturcrash D. Weigert, Prof. F. Duddeck (TU München); S. Brack, Dr. H. Schluder (AUDI AG) DYNAmore GmbH,
MehrGrundlagen der Probabilistik
Gliederung Einleitung Theoretische Grundlagen der Statistik Probabilistische Methoden Mögliche Ergebnisse von probabilistischen Untersuchungen Mögliche Fehlerquellen bei probabilistischen Untersuchungen
MehrEffiziente Sensitivitätsanalyse in der industriellen Produktentwicklung. Vorträge. Thomas Most & Johannes Will
Vorträge Effiziente Sensitivitätsanalyse in der industriellen Produktentwicklung Thomas Most & Johannes Will präsentiert auf der NAFEMS Konferenz 2012 Quelle: www.dynardo.de/de/bibliothek Effiziente Sensitivitätsanalyse
Mehruntersuchen Lage- und Streumaße von Stichproben
Qualifikationsphase Leistungskurs 1 QII 2.1.2 Konkretisierte Unterrichtsvorhaben auf der Basis des Lehrwerks Buch: Elemente der Mathematik, Qualifikationsphase NRW Leistungskurs, Braunschweig 2015, Westermann
MehrPrüfung. Wahrscheinlichkeit und Statistik. ETH Zürich SS 2016 Prof. Dr. P. Embrechts August BSc INFK. Nachname. Vorname.
ETH Zürich SS 2016 Prof. Dr. P. Embrechts August 2016 Prüfung Wahrscheinlichkeit und Statistik BSc INFK Nachname Vorname Legi Nummer Das Folgende bitte nicht ausfüllen! Aufgabe Max. Punkte Summe Kontrolle
Mehr2.5 Evolutionäre (Genetische) Algorithmen
KI 1, SS 2011, Kapitel 2, GA 1 2.5 Evolutionäre (Genetische) Algorithmen Das Ziel bzw. die Aufgabe von evolutionären Algorithmen ist eine Optimierung von Objekten mit komplexer Beschreibung, wobei es variable
MehrRobust Design als Design for Six Sigma Baustein bei der Robert Bosch GmbH
Robust Design als Design for Six Sigma Baustein 1 Inhalt Entwicklungsprozess und DFSS-Methoden Schulungskonzept für DFSS-Methoden Inhalt des Seminars Robust Design Warum brauchen wir Robust Design? Definition
MehrArbeitsgruppe Algorithmische Optimale Steuerung
Arbeitsgruppe Algorithmische Optimale Steuerung Prof. Dr. Thomas Slawig Computational Science Center DFG Cluster Future Ocean Christian-Albrechts-Universität Kiel Algorithmische Optimale Steuerung Das
MehrSurvival of the Fittest Optimierung mittels Genetischer Algorithmen
Übung zu Organic Computing Survival of the Fittest Optimierung mittels Genetischer Algorithmen Sabine Helwig Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design) Universität Erlangen-Nürnberg sabine.helwig@informatik.uni-erlangen.de
MehrSeminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken
Seminar Stochastische Unternehmensmodelle Varianzreduzierende Techniken 25. Juni 2015 1 / 37 Übersicht 1. Ziel des Vortrags 2. Einleitung 3. Varianzreduzierende Techniken Bedingtes Monte Carlo Importance
MehrEvolutionsstrategien
Evolutionsstrategien zum Seminar Evolutionäre Algorithmen von Jana Schäfer INHALTVERZEICHNIS 1. Einführung... 3 2. Die Geschichte der Evolutionsstrategien...4 3. Grundlegendes... 6 3.1 Begriffe... 6 3.2
MehrGrundlagen der Probabilistik
Grundlagen der Probabilistik Gliederung Einleitung Theoretische Grundlagen der Stochastik Probabilistische Methoden Mögliche Ergebnisse von probabilistischen Untersuchungen Mögliche Fehlerquellen bei probabilistischen
MehrVeranstaltung: Statistik für das Lehramt Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm.
Veranstaltung: Statistik für das Lehramt 16.12.2016 Dozent: Martin Tautenhahn Referenten: Belinda Höher, Thomas Holub, Maria Böhm Erwartungswert Varianz Standardabweichung Die Wahrscheinlichkeitsverteilung
MehrEinführung in die Methoden der Künstlichen Intelligenz. Evolutionäre Algorithmen
Einführung in die Methoden der Künstlichen Intelligenz Prof. Dr. Manfred Schmidt-Schauß SoSe 2018 Stand der Folien: 9. Mai 2018 Evolutionäre / Genetische Algorithmen Anwendungsbereich: Optimierung von
MehrKuhn-Tucker Bedingung
Kapitel 13 Kuhn-Tucker Bedingung Josef Leydold Mathematik für VW WS 017/18 13 Kuhn-Tucker Bedingung 1 / Optimierung unter Nebenbedingungen Aufgabe: Berechne das Maximum der Funktion f (x, y) g(x, y) c,
MehrEVOLUTION STRATEGIES DANIELA SCHACHERER SEMINAR: IST KÜNSTLICHE INTELLIGENZ GEFÄHRLICH? SOMMERSEMESTER 2017
EVOLUTION STRATEGIES DANIELA SCHACHERER SEMINAR: IST KÜNSTLICHE INTELLIGENZ GEFÄHRLICH? SOMMERSEMESTER 2017 Inhalt Einleitung und Überblick Evolutionsstrategien Grundkonzept Evolutionsstrategien als Alternative
MehrAufgabe 1 (7 Punkte) Prüfung Optimierung dynamischer Systeme ( 6) = lim p. Techn. Mechanik & Fahrzeugdynamik
Techn. Mechanik & Fahrzeugdynamik Optimierung Prof. Dr.-Ing. habil. Hon. Prof. (NUST) D. Bestle 8. September 7 Aufgabe (7 Punkte) Die Ableitung der Funktion f ( p) p 5sin p soll mithilfe des Vorwärtsdifferenzenverfahrens
MehrAnwendung von FEMAG-Script: Mehrkriterielle Optimierung - Algorithmus, Umsetzung und Beispiele
FEMAG-Anwendertreffen am 2. und 3. Dezember 2010 Anwendung von FEMAG-Script: Mehrkriterielle Optimierung - Algorithmus, Umsetzung und Beispiele Jens Krotsch, Bernhard Piepenbreier Lehrstuhl für Elektrische
MehrSFB. Entwurf von Parallelrobotern. Entwurf von Parallelrobotern. Gliederung. M. Krefft J. Hesselbach. Fertigungsmaschinen Übersicht
Gliederung Fertigungsmaschinen Übersicht Anforderungen Bestimmung von Kennwerten Kinematik Dynamik Parametrierung der Kinematiken Normierung der Jacobi-Matrix Optimierungsverfahren Normierung der Jacobi-Matrix
MehrInhaltsverzeichnis. 4 Statistik Einleitung Wahrscheinlichkeit Verteilungen Grundbegriffe 98
Inhaltsverzeichnis 1 Datenbehandlung und Programmierung 11 1.1 Information 11 1.2 Codierung 13 1.3 Informationsübertragung 17 1.4 Analogsignale - Abtasttheorem 18 1.5 Repräsentation numerischer Daten 20
MehrRDO-BOOKLET. CAE-Software & Consulting. Robust Design Optimierung (RDO) Schlüsseltechnologie für ressourceneffiziente Produktoptimierung
dynamic software & engineering CAE-Software & Consulting Robust Design Optimierung (RDO) Schlüsseltechnologie für ressourceneffiziente Produktoptimierung RDO-BOOKLET optislang ETK SoS RDO-Booklet INHALT
MehrBauteiloptimierung mit Hilfe von Methoden der Sensitivitäts- und Toleranzanalyse
Bauteiloptimierung mit Hilfe von Methoden der Sensitivitäts- und Toleranzanalyse Diplomarbeit von B.Sc. Oskar Munz 13.12.2006 Betreuung: Dipl.-Ing. Soong-Oh Han Seite 1 Gliederung der Präsentation 1. Einleitung
MehrRechnerpraktikum zur Optimierung III
TU München Lehrstuhl Mathematische Optimierung Prof. Dr. M. Ulbrich Dipl.-Math. Florian Lindemann Sommersemester 007 Teil II Rechnerpraktikum zur Optimierung III Für die Bearbeitung des Aufgabenzettels
MehrStatistik und Wahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Dr. Jochen Köhler 1 Inhalt der heutigen Vorlesung Statistik und Wahrscheinlichkeitsrechnung Zusammenfassung der vorherigen Vorlesung Übersicht über Schätzung und
MehrTechnische Universität Dresden. Beiträge zur Berechnung bewegungsabhängiger Kenngrößen von Mobilfunknetzen. Mathias Schweigel
Technische Universität Dresden Beiträge zur Berechnung bewegungsabhängiger Kenngrößen von Mobilfunknetzen Mathias Schweigel von der Fakultät Elektrotechnik und Informationstechnik der Technischen Universität
Mehr