http://dev.kaibel.net/index.php?action=history&feed=atom&title=Multi-Objective_Optimization 2026-10-23T01:17:46Z Versionsgeschichte dieser Seite in dev.kaibel.net MediaWiki 1.43.0 http://dev.kaibel.net/index.php?title=Multi-Objective_Optimization&diff=165&oldid=prev 2026-02-28T10:05:25Z

<p>Die Seite wurde neu angelegt: „= Multi-Objective Optimization = == Definition == &#039;&#039;&#039;Multi-Objective Optimization&#039;&#039;&#039; (Mehrzieloptimierung) bezeichnet Optimierungsverfahren, bei denen mehrere Zielfunktionen gleichzeitig berücksichtigt werden. Diese Ziele stehen häufig in Konflikt zueinander, sodass in der Regel keine einzelne optimale Lösung existiert, sondern eine Menge von Kompromisslösungen. --- == Grundlagen == === Zielfunktionen === Im Gegensatz zur Single-Objective Optimier…“</p> <p><b>Neue Seite</b></p><div>= Multi-Objective Optimization =<br /> <br /> == Definition ==<br /> &#039;&#039;&#039;Multi-Objective Optimization&#039;&#039;&#039; (Mehrzieloptimierung) bezeichnet Optimierungsverfahren, bei denen mehrere Zielfunktionen gleichzeitig berücksichtigt werden. Diese Ziele stehen häufig in Konflikt zueinander, sodass in der Regel keine einzelne optimale Lösung existiert, sondern eine Menge von Kompromisslösungen.<br /> <br /> ---<br /> <br /> == Grundlagen ==<br /> <br /> === Zielfunktionen ===<br /> Im Gegensatz zur Single-Objective Optimierung existieren mehrere Zielfunktionen:<br /> <br /> : f₁(x), f₂(x), ..., fₙ(x)<br /> <br /> Beispiele:<br /> * Minimierung der Kosten<br /> * Maximierung der Qualität<br /> * Minimierung der Produktionszeit<br /> <br /> === Zielkonflikte ===<br /> Ziele sind oft widersprüchlich:<br /> <br /> Beispiel:<br /> * Niedrige Kosten vs. hohe Qualität<br /> * Hohe Leistung vs. geringer Energieverbrauch<br /> <br /> ---<br /> <br /> == Pareto-Optimalität ==<br /> <br /> === Pareto-Dominanz ===<br /> Eine Lösung x₁ dominiert x₂, wenn:<br /> * x₁ ist in allen Zielfunktionen mindestens gleich gut<br /> * x₁ ist in mindestens einer Zielfunktion besser<br /> <br /> === Pareto-optimale Lösung ===<br /> Eine Lösung ist pareto-optimal, wenn sie von keiner anderen Lösung dominiert wird.<br /> <br /> === Pareto-Front ===<br /> Die Menge aller pareto-optimalen Lösungen wird als Pareto-Front bezeichnet.<br /> <br /> Eigenschaften:<br /> * Repräsentiert optimale Kompromisse<br /> * Keine Lösung ist eindeutig „die beste“<br /> * Auswahl erfolgt durch Präferenzen<br /> <br /> ---<br /> <br /> == Mathematische Formulierung ==<br /> <br /> Gegeben:<br /> * Entscheidungsvariablen: x ∈ X<br /> * Zielfunktionen: f(x) = (f₁(x), f₂(x), ..., fₙ(x))<br /> <br /> Gesucht:<br /> : Menge aller x*, die nicht dominiert werden<br /> <br /> ---<br /> <br /> == Visualisierung ==<br /> <br /> Die Pareto-Front kann im Zielraum dargestellt werden, häufig als Kurve oder Fläche.<br /> <br /> ---<br /> <br /> == Lösungsansätze ==<br /> <br /> === Klassische Methoden ===<br /> <br /> ==== Gewichtete Summe ====<br /> Mehrere Ziele werden zu einer Zielfunktion kombiniert:<br /> <br /> : f(x) = Σ wᵢ · fᵢ(x)<br /> <br /> Probleme:<br /> * Wahl der Gewichte schwierig<br /> * Nicht alle Pareto-Lösungen erreichbar<br /> <br /> ==== ε-Constraint-Methode ====<br /> * Eine Zielfunktion wird optimiert<br /> * Andere werden als Nebenbedingungen formuliert<br /> <br /> ---<br /> <br /> === Evolutionäre Algorithmen ===<br /> <br /> Diese sind besonders geeignet für komplexe Probleme:<br /> <br /> ==== NSGA-II ====<br /> * Non-dominated Sorting Genetic Algorithm II<br /> * Schnelle Pareto-Sortierung<br /> * Diversitätserhaltung (Crowding Distance)<br /> <br /> ==== NSGA-III ====<br /> * Erweiterung für viele Ziele<br /> <br /> ==== SPEA2 ====<br /> * Strength Pareto Evolutionary Algorithm<br /> * Fitness basiert auf Dominanz<br /> <br /> ==== MOEA/D ====<br /> * Zerlegt Problem in Teilprobleme<br /> <br /> ---<br /> <br /> === Weitere Verfahren ===<br /> <br /> * Simulated Annealing (Multi-Objective)<br /> * Particle Swarm Optimization (MOPSO)<br /> * Ant Colony Optimization<br /> <br /> ---<br /> <br /> == Vergleich zu Single Objective Optimization ==<br /> <br /> {| class=&quot;wikitable&quot;<br /> ! Kriterium !! Single Objective !! Multi-Objective<br /> |-<br /> | Anzahl Ziele || 1 || mehrere<br /> |-<br /> | Lösung || eine optimale || Pareto-Menge<br /> |-<br /> | Ordnung || total || partiell<br /> |-<br /> | Komplexität || geringer || höher<br /> |}<br /> <br /> ---<br /> <br /> == Anwendungen ==<br /> <br /> * Maschinenbau (Gewicht vs. Stabilität)<br /> * Logistik (Kosten vs. Lieferzeit)<br /> * Energie (Effizienz vs. Emissionen)<br /> * Informatik (Performance vs. Speicherverbrauch)<br /> * Landwirtschaft (Ertrag vs. Umweltbelastung)<br /> * Finanzwesen (Risiko vs. Rendite)<br /> <br /> ---<br /> <br /> == Vorteile ==<br /> <br /> * Realistische Modellierung komplexer Probleme<br /> * Berücksichtigung von Zielkonflikten<br /> * Flexibilität bei der Entscheidungsfindung<br /> <br /> ---<br /> <br /> == Nachteile ==<br /> <br /> * Höherer Rechenaufwand<br /> * Komplexere Auswertung<br /> * Keine eindeutige beste Lösung<br /> * Visualisierung bei vielen Zielen schwierig<br /> <br /> ---<br /> <br /> == Herausforderungen ==<br /> <br /> * Skalierung bei vielen Zielen<br /> * Konvergenz zur Pareto-Front<br /> * Erhaltung von Diversität<br /> * Entscheidungsunterstützung<br /> <br /> ---<br /> <br /> == Begriffe ==<br /> <br /> * Pareto-Front<br /> * Pareto-Dominanz<br /> * Zielfunktion<br /> * Entscheidungsraum<br /> * Zielraum<br /> <br /> ---<br /> <br /> == Literatur ==<br /> <br /> * Deb, K.: &#039;&#039;Multi-Objective Optimization using Evolutionary Algorithms&#039;&#039;<br /> * Coello Coello, C.: &#039;&#039;Evolutionary Algorithms for Solving Multi-Objective Problems&#039;&#039;<br /> <br /> ---<br /> <br /> == Siehe auch ==<br /> <br /> * [[Optimierungsverfahren]]<br /> * [[Single Objective Ranking]]<br /> * [[Pareto-Optimierung]]<br /> * [[Genetischer Algorithmus]]<br /> * [[Heuristik]]</div>

PhilKa