PhilKa: Die Seite wurde neu angelegt: „= Lineare Gewichtung = Die '''lineare Gewichtung''' (englisch: ''Weighted Sum Method'' oder ''Linear Weighting Method'') ist ein Verfahren der Mehrzieloptimierung, bei dem mehrere Zielfunktionen zu einer einzigen Zielfunktion zusammengefasst werden. Dabei wird jeder Zielfunktion ein Gewicht zugeordnet, das ihre relative Bedeutung beschreibt. Die gewichteten Zielfunktionen werden anschließend addiert. Die lineare Gewich…“

2026-05-19T13:41:15Z

Die Seite wurde neu angelegt: „= Lineare Gewichtung = Die '''lineare Gewichtung''' (englisch: ''Weighted Sum Method'' oder ''Linear Weighting Method'') ist ein Verfahren der Mehrzieloptimierung, bei dem mehrere Zielfunktionen zu einer einzigen Zielfunktion zusammengefasst werden. Dabei wird jeder Zielfunktion ein Gewicht zugeordnet, das ihre relative Bedeutung beschreibt. Die gewichteten Zielfunktionen werden anschließend addiert. Die lineare Gewich…“

Neue Seite

= Lineare Gewichtung =

Die '''lineare Gewichtung''' (englisch: ''Weighted Sum Method'' oder ''Linear Weighting Method'') ist ein Verfahren der [[Multi-Objective Optimization|Mehrzieloptimierung]], bei dem mehrere Zielfunktionen zu einer einzigen Zielfunktion zusammengefasst werden.

Dabei wird jeder Zielfunktion ein Gewicht zugeordnet, das ihre relative Bedeutung beschreibt. Die gewichteten Zielfunktionen werden anschließend addiert.

Die lineare Gewichtung gehört zu den einfachsten und am häufigsten verwendeten Verfahren der Mehrzieloptimierung.

== Grundidee ==

Viele Optimierungsprobleme besitzen mehrere konkurrierende Zielgrößen.

Beispiele:

* Minimierung von Kosten
* Minimierung von Emissionen
* Maximierung der Qualität
* Minimierung der Laufzeit

Da klassische Optimierungsverfahren meist nur eine Zielfunktion verarbeiten können, werden die einzelnen Ziele zu einer gemeinsamen Zielfunktion kombiniert.

Dies geschieht durch Gewichtungsfaktoren.

== Mathematische Formulierung ==

Ein allgemeines Mehrzielproblem lautet:

<math>
\min \; (f_1(x), f_2(x), ..., f_k(x))
</math>

Bei der linearen Gewichtung wird daraus:

<math>
\min \; Z(x)
</math>

mit:

<math>
Z(x) = \sum_{i=1}^{k} w_i f_i(x)
</math>

Dabei gilt:

* <math>f_i(x)</math> = Zielfunktionen
* <math>w_i</math> = Gewichtungsfaktoren
* <math>x</math> = Entscheidungsvariablen

Die Gewichte erfüllen typischerweise:

<math>
w_i \geq 0
</math>

und:

<math>
\sum_{i=1}^{k} w_i = 1
</math>

== Bedeutung der Gewichte ==

Die Gewichte bestimmen die relative Wichtigkeit der einzelnen Ziele.

Beispiel:

{| class="wikitable"
! Ziel
! Gewicht
|-
| Kostenminimierung
| 0,7
|-
| Emissionsminimierung
| 0,3
|}

In diesem Beispiel besitzt die Kostenminimierung eine höhere Priorität.

== Beispiel ==

Ein Unternehmen möchte:

* Produktionskosten minimieren
* Energieverbrauch minimieren

Die Zielfunktionen lauten:

<math>
f_1(x) = Kosten(x)
</math>

<math>
f_2(x) = Energieverbrauch(x)
</math>

Die gewichtete Zielfunktion lautet:

<math>
Z(x) = 0.8 \cdot Kosten(x) + 0.2 \cdot Energieverbrauch(x)
</math>

Dadurch wird ein einzelnes Optimierungsproblem erzeugt.

== Vorgehensweise ==

=== 1. Definition der Zielfunktionen ===

Zunächst werden alle relevanten Zielgrößen formuliert.

Beispiel:

* Kosten
* Qualität
* Energieverbrauch
* Lieferzeit

=== 2. Wahl der Gewichte ===

Anschließend wird für jede Zielfunktion ein Gewicht festgelegt.

Die Gewichte spiegeln die Präferenzen des Entscheiders wider.

=== 3. Bildung der Gesamtzielfunktion ===

Die gewichteten Ziele werden addiert:

<math>
Z(x) = w_1 f_1(x) + w_2 f_2(x) + ... + w_k f_k(x)
</math>

=== 4. Lösung des Optimierungsproblems ===

Das resultierende Einzelzielproblem wird mit klassischen Verfahren gelöst:

* [[Lineare Programmierung]]
* [[Nichtlineare Optimierung]]
* [[Gemischt-ganzzahlige Optimierung]]
* [[Evolutionäre Algorithmen]]

== Normierung der Zielfunktionen ==

Die einzelnen Zielfunktionen besitzen häufig unterschiedliche Größenordnungen.

Beispiel:

* Kosten in Euro
* Emissionen in Kilogramm
* Zeit in Sekunden

Ohne Normierung könnten große Zahlenbereiche dominante Effekte erzeugen.

Daher werden Zielfunktionen häufig normiert:

<math>
f_i^{norm}(x) = \frac{f_i(x) - f_i^{min}}{f_i^{max} - f_i^{min}}
</math>

Die gewichtete Zielfunktion verwendet dann die normierten Werte.

== Eigenschaften ==

=== Einfachheit ===

Die lineare Gewichtung ist mathematisch einfach und leicht implementierbar.

=== Gute Solver-Unterstützung ===

Da nur eine Zielfunktion entsteht, können Standard-Solver verwendet werden.

=== Direkte Berücksichtigung von Präferenzen ===

Gewichte ermöglichen eine direkte Priorisierung der Ziele.

== Nachteile ==

=== Schwierige Wahl geeigneter Gewichte ===

Die Auswahl sinnvoller Gewichte ist oft problematisch.

Kleine Änderungen der Gewichte können große Auswirkungen auf die Lösung haben.

=== Unterschiedliche Skalierungen ===

Ohne Normierung dominieren Ziele mit großen Zahlenwerten.

=== Probleme bei nicht-konvexen Pareto-Fronten ===

Die lineare Gewichtung kann bestimmte Pareto-Lösungen nicht finden.

Insbesondere bei nicht-konvexen Pareto-Fronten entstehen Lücken.

=== Keine vollständige Pareto-Abdeckung ===

Nicht alle Pareto-optimalen Lösungen sind mit der gewichteten Summe erreichbar.

== Zusammenhang mit Pareto-Optimalität ==

Jede Lösung der gewichteten Summe ist unter bestimmten Bedingungen Pareto-optimal.

Allerdings gilt dies nur vollständig bei konvexen Pareto-Fronten.

Nicht-konvexe Bereiche können durch die lineare Gewichtung nicht erreicht werden.

== Geometrische Interpretation ==

Die lineare Gewichtung kann geometrisch als Verschiebung einer Hyperebene interpretiert werden.

Die Gewichte bestimmen die Steigung dieser Hyperebene.

Die optimale Lösung liegt dort, wo die Hyperebene den zulässigen Lösungsraum zuletzt berührt.

== Beispiel einer Pareto-Front ==

{| class="wikitable"
! Gewichtung
! Ergebnis
|-
| <math>w_1 = 0.9</math>, <math>w_2 = 0.1</math>
| Kosten stark priorisiert
|-
| <math>w_1 = 0.5</math>, <math>w_2 = 0.5</math>
| Ausgewogene Lösung
|-
| <math>w_1 = 0.2</math>, <math>w_2 = 0.8</math>
| Umweltwirkung stark priorisiert
|}

== Anwendungen ==

Die lineare Gewichtung wird in vielen Bereichen eingesetzt.

=== Produktion ===

* Kosten vs. Qualität
* Produktionsmenge vs. Energieverbrauch

=== Logistik ===

* Lieferzeit vs. Transportkosten
* Emissionen vs. Effizienz

=== Energietechnik ===

* Wirtschaftlichkeit vs. CO₂-Ausstoß
* Netzstabilität vs. Kosten

=== Softwareentwicklung ===

* Laufzeit vs. Speicherverbrauch
* Performance vs. Energieeffizienz
* Antwortzeit vs. Hardwarekosten

=== Landwirtschaft ===

* Kostenminimierung
* Minimierung von Nährstoffabweichungen
* Minimierung von Umweltbelastungen

== Beispiel in der Düngemitteloptimierung ==

In einem Düngemittel-Empfehlungssystem könnte folgende gewichtete Zielfunktion verwendet werden:

<math>
Z(x) =
0.5 \cdot Kosten(x)
+
0.3 \cdot A_N(x)
+
0.2 \cdot N_U(x)
</math>

Dabei beschreibt:

* <math>Kosten(x)</math> die Gesamtkosten
* <math>A_N(x)</math> die Nährstoffabweichung
* <math>N_U(x)</math> den Stickstoffüberschuss

Durch Veränderung der Gewichte können unterschiedliche Strategien erzeugt werden.

== Vergleich mit anderen Verfahren ==

{| class="wikitable"
! Verfahren
! Grundidee
! Vorteile
! Nachteile
|-
| Lineare Gewichtung
| Gewichtete Summe aller Ziele
| Einfach und effizient
| Probleme bei nicht-konvexen Fronten
|-
| [[ε-Constraint-Methode]]
| Ein Ziel optimieren, andere begrenzen
| Gute Pareto-Abdeckung
| Mehrfache Optimierung erforderlich
|-
| Lexikographische Optimierung
| Ziele nach Priorität ordnen
| Klare Hierarchie
| Niedrige Flexibilität
|-
| [[NSGA-II]]
| Evolutionäre Pareto-Suche
| Viele Lösungen gleichzeitig
| Hoher Rechenaufwand
|}

== Erweiterte Varianten ==

=== Adaptive Gewichtung ===

Die Gewichte werden während der Optimierung dynamisch angepasst.

=== Nichtlineare Gewichtung ===

Die Zielfunktionen werden nichtlinear kombiniert.

=== Goal Programming ===

Abweichungen von Zielwerten werden minimiert.

=== Interaktive Gewichtung ===

Der Entscheider verändert die Gewichte während der Optimierung.

== Bedeutung in der Multi-Objective-Optimierung ==

Die lineare Gewichtung zählt zu den wichtigsten klassischen Verfahren der Mehrzieloptimierung.

Sie wird häufig eingesetzt:

* wegen ihrer Einfachheit
* wegen der guten mathematischen Eigenschaften
* wegen der hohen Solver-Kompatibilität

Trotz ihrer Einschränkungen dient sie oft als Ausgangspunkt für komplexere Verfahren.

== Literatur ==

* Ehrgott, M.: ''Multicriteria Optimization''. Springer, 2005.
* Miettinen, K.: ''Nonlinear Multiobjective Optimization''. Springer, 1999.
* Deb, K.: ''Multi-Objective Optimization using Evolutionary Algorithms''. Wiley, 2001.
* Steuer, R. E.: ''Multiple Criteria Optimization: Theory, Computation and Application''. Wiley, 1986.
* Marler, R. T.; Arora, J. S.: ''Survey of Multi-Objective Optimization Methods for Engineering'', Structural and Multidisciplinary Optimization, 2004.

== Siehe auch ==

* [[Multi-Objective Optimization]]
* [[Pareto-Optimierung]]
* [[ε-Constraint-Methode]]
* [[NSGA-II]]
* [[Lineare Programmierung]]
* [[Gemischt-ganzzahlige Optimierung]]
* [[Goal Programming]]
* [[Lexikographische Optimierung]]

Lineare Gewichtung - Versionsgeschichte