Mehrkriterielle Optimierung durch evolutionäre Algorithmen mit S-Metrik-Selektion. Beume, N., Naujoks, B., & Rudolph, G. In Mikut, R. & Reischl, M., editors, roceedins of the 16th Workshop on Computational Intelligence, pages 1--10, 2006. Universitätsverlag Karlsruhe. abstract bibtex Bei der mehrkriteriellen Pareto-Optimierung wird zu konliktären Anforderungen eine Menge von Kompromisslösungen gesucht, die die bestmöglichen Lösungen ap- proximieren. Evolutionäre Algorithmen haben sich hierbei als effektive und robu- ste Verfahren bewährt. Die Güte einer Approximation lässt sich durch das von ihr dominierte Hypervolumen im Zielraum, der sogenannten S-Metrik, quantifizieren. Die Maximierung der S-Metrik ist also ein erstrebenswertes Ziel und gleichzeitig eine hinreichende einkriterielle Ersatzzielfunktion. Ein evolutionärer Algorithmus setzt diese innerhalb der Selektion ein und erreicht dadurch hervorragende Ergeb- nismengen. Wir zeigen anhand von Benchmarkproblemen und realen Anwendungen aus der Flugzeugtechnik, dass dieser Algorithmus au\sserordentlich effektiv ist. Dies zeigt sich insbesondere für den Fall, wenn mehr als drei Ziele zu optimieren sind, weil dann andere populäre mehrkriterielle evolutionäre Algorithmen versagen.
@InProceedings{ 2090,
title = {Mehrkriterielle Optimierung durch evolution{\"a}re Algorithmen mit S-Metrik-Selektion},
booktitle = "roceedins of the 16th Workshop on Computational Intelligence",
author = {Nicola Beume and Boris Naujoks and G{\"u}nter Rudolph},
editor = "R. Mikut and M. Reischl",
publisher = {Universit{\"a}tsverlag Karlsruhe},
pages = "1--10",
year = "2006",
abstract = { Bei der mehrkriteriellen Pareto-Optimierung wird zu konlikt{\"a}ren Anforderungen eine Menge von Kompromissl{\"o}sungen gesucht, die die bestm{\"o}glichen L{\"o}sungen ap- proximieren. Evolution{\"a}re Algorithmen haben sich hierbei als effektive und robu- ste Verfahren bew{\"a}hrt. Die G{\"u}te einer Approximation l{\"a}sst sich durch das von ihr dominierte Hypervolumen im Zielraum, der sogenannten S-Metrik, quantifizieren. Die Maximierung der S-Metrik ist also ein erstrebenswertes Ziel und gleichzeitig eine hinreichende einkriterielle Ersatzzielfunktion. Ein evolution{\"a}rer Algorithmus setzt diese innerhalb der Selektion ein und erreicht dadurch hervorragende Ergeb- nismengen. Wir zeigen anhand von Benchmarkproblemen und realen Anwendungen aus der Flugzeugtechnik, dass dieser Algorithmus au{\ss}erordentlich effektiv ist. Dies zeigt sich insbesondere f{\"u}r den Fall, wenn mehr als drei Ziele zu optimieren sind, weil dann andere popul{\"a}re mehrkriterielle evolution{\"a}re Algorithmen versagen. },
localfile = {/home/stephan/Daten/Arbeit/Paper\_Tutorials/Paper/060101\_2090\_MehrkriterielleOptimierungDurchEvolution{\"a}reAlgorithmenMitSMetrikenSelektion.pdf}
}
Downloads: 0
{"_id":"ccgx8NnjysgjPXDuJ","bibbaseid":"beume-naujoks-rudolph-mehrkriterielleoptimierungdurchevolutionrealgorithmenmitsmetrikselektion-2006","downloads":0,"creationDate":"2016-04-30T08:54:33.438Z","title":"Mehrkriterielle Optimierung durch evolutionäre Algorithmen mit S-Metrik-Selektion","author_short":["Beume, N.","Naujoks, B.","Rudolph, G."],"year":2006,"bibtype":"inproceedings","biburl":"http://www.stephansigg.de/stephan/AmbientIntelligenceGroup/bibtex/LiteraturStephan","bibdata":{"bibtype":"inproceedings","type":"inproceedings","title":"Mehrkriterielle Optimierung durch evolutionäre Algorithmen mit S-Metrik-Selektion","booktitle":"roceedins of the 16th Workshop on Computational Intelligence","author":[{"firstnames":["Nicola"],"propositions":[],"lastnames":["Beume"],"suffixes":[]},{"firstnames":["Boris"],"propositions":[],"lastnames":["Naujoks"],"suffixes":[]},{"firstnames":["Günter"],"propositions":[],"lastnames":["Rudolph"],"suffixes":[]}],"editor":[{"firstnames":["R."],"propositions":[],"lastnames":["Mikut"],"suffixes":[]},{"firstnames":["M."],"propositions":[],"lastnames":["Reischl"],"suffixes":[]}],"publisher":"Universitätsverlag Karlsruhe","pages":"1--10","year":"2006","abstract":"Bei der mehrkriteriellen Pareto-Optimierung wird zu konliktären Anforderungen eine Menge von Kompromisslösungen gesucht, die die bestmöglichen Lösungen ap- proximieren. Evolutionäre Algorithmen haben sich hierbei als effektive und robu- ste Verfahren bewährt. Die Güte einer Approximation lässt sich durch das von ihr dominierte Hypervolumen im Zielraum, der sogenannten S-Metrik, quantifizieren. Die Maximierung der S-Metrik ist also ein erstrebenswertes Ziel und gleichzeitig eine hinreichende einkriterielle Ersatzzielfunktion. Ein evolutionärer Algorithmus setzt diese innerhalb der Selektion ein und erreicht dadurch hervorragende Ergeb- nismengen. Wir zeigen anhand von Benchmarkproblemen und realen Anwendungen aus der Flugzeugtechnik, dass dieser Algorithmus au\\sserordentlich effektiv ist. Dies zeigt sich insbesondere für den Fall, wenn mehr als drei Ziele zu optimieren sind, weil dann andere populäre mehrkriterielle evolutionäre Algorithmen versagen. ","localfile":"/home/stephan/Daten/Arbeit/Paper_Tutorials/Paper/060101_2090_MehrkriterielleOptimierungDurchEvolutionäreAlgorithmenMitSMetrikenSelektion.pdf","bibtex":"@InProceedings{ 2090,\n\ttitle = {Mehrkriterielle Optimierung durch evolution{\\\"a}re Algorithmen mit S-Metrik-Selektion},\n\tbooktitle = \"roceedins of the 16th Workshop on Computational Intelligence\",\n\tauthor = {Nicola Beume and Boris Naujoks and G{\\\"u}nter Rudolph},\n\teditor = \"R. Mikut and M. Reischl\",\n\tpublisher = {Universit{\\\"a}tsverlag Karlsruhe},\n\tpages = \"1--10\",\n\tyear = \"2006\",\n\tabstract = { Bei der mehrkriteriellen Pareto-Optimierung wird zu konlikt{\\\"a}ren Anforderungen eine Menge von Kompromissl{\\\"o}sungen gesucht, die die bestm{\\\"o}glichen L{\\\"o}sungen ap- proximieren. Evolution{\\\"a}re Algorithmen haben sich hierbei als effektive und robu- ste Verfahren bew{\\\"a}hrt. Die G{\\\"u}te einer Approximation l{\\\"a}sst sich durch das von ihr dominierte Hypervolumen im Zielraum, der sogenannten S-Metrik, quantifizieren. Die Maximierung der S-Metrik ist also ein erstrebenswertes Ziel und gleichzeitig eine hinreichende einkriterielle Ersatzzielfunktion. Ein evolution{\\\"a}rer Algorithmus setzt diese innerhalb der Selektion ein und erreicht dadurch hervorragende Ergeb- nismengen. Wir zeigen anhand von Benchmarkproblemen und realen Anwendungen aus der Flugzeugtechnik, dass dieser Algorithmus au{\\ss}erordentlich effektiv ist. Dies zeigt sich insbesondere f{\\\"u}r den Fall, wenn mehr als drei Ziele zu optimieren sind, weil dann andere popul{\\\"a}re mehrkriterielle evolution{\\\"a}re Algorithmen versagen. },\n\tlocalfile = {/home/stephan/Daten/Arbeit/Paper\\_Tutorials/Paper/060101\\_2090\\_MehrkriterielleOptimierungDurchEvolution{\\\"a}reAlgorithmenMitSMetrikenSelektion.pdf}\n}\n\n","author_short":["Beume, N.","Naujoks, B.","Rudolph, G."],"editor_short":["Mikut, R.","Reischl, M."],"key":"2090","id":"2090","bibbaseid":"beume-naujoks-rudolph-mehrkriterielleoptimierungdurchevolutionrealgorithmenmitsmetrikselektion-2006","role":"author","urls":{},"downloads":0,"html":""},"search_terms":["mehrkriterielle","optimierung","durch","evolution","algorithmen","mit","metrik","selektion","beume","naujoks","rudolph"],"keywords":[],"authorIDs":[],"dataSources":["LHPT6ZANm8yTecwp8"]}