Mehrzieloptimierung von Micro Grids mit evolutionären Algorithmen (Wanitschke 2014)
Alexander Wanitschke
In dieser Arbeit wird ein multikriterieller evolutionärer Algorithmus (MOEA) entworfen, der sich besonders zur Lösung von Optimierungsproblemen eignet, die mit dem am RLI entwickelten Micro-Grid-Simulationstool SMOOTH (Simulation Model for Optimized Operation and Topology of Hybrid energy systems) formuliert wurden.
Der theoretische Hintergrund von Mehrzieloptimierungsansätzen sowie die Geschichte und Theorie der evolutionären Optimierung werden untersucht, um das am besten geeignete Algorithmusdesign für die Behandlung der Eigenschaften des SMOOTH-Optimierungsproblems zu identifizieren. Nachdem eine Reihe potenziell geeigneter Algorithmusoperatoren identifiziert wurde, werden 16 Algorithmusvarianten getestet und mit Hilfe von Monte-Carlo-Simulationen an einem Testproblem verglichen. Die am besten geeignete Algorithmusvariante, genannt SMOOTH-MOEA, zeigte eine robuste Konvergenz zur Optimalität sowie zur Machbarkeit. Es zeigte sich, dass es hochgradig parallelisierbar ist, was die Laufzeit der Optimierung um einen Faktor in der Größenordnung der Anzahl paralleler Worker reduzieren kann. SMOOTH-MOEA enthält zwei neu vorgeschlagene Algorithmusoperatoren. Erstens zeigte die evolutionäre polynomiale Mutation eine überlegene Leistung beim Testproblem im Vergleich zur klassischen einheitlichen Mutation. Zweitens wurde Leylands Methode zur Pareto-Konservierung des vorderen Hecks, genannt Tail Box, weiterentwickelt und zur Idee der Heckbänder weiterentwickelt, was sich als verbesserte die Konvergenz von SMOOTH-MOEA beim Testproblem.