Physikalische Optimierung - Physik - Universität Regensburg
Physikalische Optimierung - Physik - Universität Regensburg
Physikalische Optimierung - Physik - Universität Regensburg
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
KAPITEL 3. PHYSIKALISCHE OPTIMIERUNGSALGORITHMEN 29<br />
Wie beim Threshold Accepting besteht somit die Gefahr, dass sich das System in<br />
einem lokalen Minimum festsetzt; die Bedingung der Ergodizität ist verletzt, da nicht<br />
mehr alle Punkte des Phasenraums erreicht werden können. Somit kann sich kein thermodynamisches<br />
Gleichgewicht einstellen (Abbildung 3.4); das Sintflut-Verfahren ist ein<br />
Nichtgleichgewichts-Algorithmus. Detailed Balance wird allerdings erfüllt, denn zu einem<br />
gegebenen T sind alle Konfigurationen unter dem Niveau TS gleich wahrscheinlich.<br />
Der Algorithmus ist benannt nach der Sintflut im Alten Testament. Dreht man<br />
nämlich die Problemstellung um und sucht das Maximum des Phasenraums, dann läßt<br />
sich TS als Wasserstand interpretieren, der wie bei einer Sintflut ständig steigt. Problematisch<br />
dabei ist die Inselbildung in der Energielandschaft bei zunehmendem Wasserstand;<br />
möglicherweise befindet man sich nicht auf dem höchsten Berg, sondern auf<br />
einem wesentlich kleineren. Bei hochdimensionalen Problemen gibt es aber zu einem<br />
Zustand σi sehr viele Nachbarn, und man kann in viele Richtungen vor dem Wasser<br />
zurückweichen. Dies erklärt, warum das Sintflut-Verfahren bei vielen komplexen <strong>Optimierung</strong>sverfahren<br />
nahezu optimale Ergebnisse liefert.<br />
3.4 Sonstiges<br />
Abkühlverfahren<br />
Für Simulated Annealing wurden Abkühlschemata entwickelt, die bei unendlich langer<br />
Rechenzeit ein globales Optimum garantieren, wenn man die Temperatur folgenderma-<br />
ßen berechnet:<br />
Tk =<br />
a<br />
b + log(k)<br />
(3.20)<br />
Dabei sind a und b positive, systemabhängige Konstanten und k ist die Anzahl der bereits<br />
durchgeführten Iterationen (Temperaturschritte). Der Nachteil dieses Verfahrens<br />
ist, dass die Rechenzeit größer ist als die vollständige Aufzählung sämtlicher Konfigurationen.<br />
Ein anderes Problem ist, dass nicht sicher ist, ob man wirklich ein globales<br />
Optimum gefunden hat. Diese Abkühlstrategie ist also in der Praxis nicht verwendbar;<br />
stattdessen bedient man sich empirischer Abkühlkurven, die deutlich schneller gegen<br />
T=0 konvergieren.<br />
An erster Stelle der empirischen Verfahren ist die Lineare Abkühlung zu nennen.<br />
Dabei wird die Temperatur bei jedem Schritt um einen konstanten Betrag ∆T<br />
verringert:<br />
Tk = Tstart − k∆T mit 0.01 ≤ ∆T ≤ 0.5 (3.21)<br />
Tstart ist die Anfangstemperatur, die bei jedem <strong>Optimierung</strong>slauf speziell bestimmt<br />
werden muß. Es ist zu beachten, dass Tk niemals kleiner als Null werden darf; der Lauf<br />
ist also ggf. vorher abzubrechen.<br />
Bei der logarithmischen oder exponentiellen Abkühlung wird die Anfangstemperatur<br />
durch wiederholte Multiplikation mit einem Faktor α gesenkt:<br />
Tk = α k Tstart mit 0.8 ≤ α ≤ 0.999 (3.22)