Best Paper Award auf der GECCO Genetic and Evolutionary Computation Conference
Der Artikel „Learning the Characteristics of Engineering Optimization Problems with Applications in Automotive Crash“ von Fu Xing Long, Bas van Stein, Moritz Frenzel, Peter Krause, Markus Gitterle und Thomas Bäck wurde auf der Genetic and Evolutionary Computation Conference (GECCO), die vom 9. bis 13. Juli in Boston, MA, stattfand, mit dem Best Paper Award in der Kategorie “Real-World Applications” ausgezeichnet.
Die wesentlichen Inhalte des Beitrags:
Für Optimierungsaufgaben in der Fahrzeugentwicklung sind die Zielfunktionsauswertungen oft sehr zeitaufwändig, da sie Simulationsläufe erfordern. Daher ist es schwierig, systematisch zu untersuchen, welche Eigenschaften diese Zielfunktionen haben. Zudem ist es daher auch nicht möglich, viele Optimierungsläufe mit diesen Zielfunktionen durchzuführen und Optimierungsalgorithmen für diese Aufgabenstellungen zu tunen.
Um diese Hindernisse zu überwinden, stellen wir in diesem Artikel einen Ansatz zum automatischen Lernen der Eigenschaften von technischen Optimierungsproblemen vor. Dabei fokussieren wir auf eine Anwendung in der Fahrzeugauslegung zur Optimierung der passiven Sicherheit beim Seitencrash.
Die Idee basiert auf der Verwendung von sogenannten ELA-Features (Exploratory Landscape Analysis). Dabei handelt es sich um Merkmale der Zielfunktionslandschaft, die auf der Grundlage einer Reihe von simulierten Entwürfen (nach einem Versuchsplanungsansatz) berechnet werden können. Die Methode basiert auf 68 sorgfältig ausgewählten ELA-Features zur Charakterisierung von Optimierungsproblemen und wird auf zehn Problemfälle zur Optimierung der Fahrzeugsicherheit für Seitencrash-Einstellungen angewandt (vier Schwellerdesigns, drei Positionen für das seitliche Hindernis).
Vergleicht man die 68-dimensionalen ELA-Merkmale mit denen eines akademischen Standard-Testfunktionssatzes, dem Black-Box-Optimierungsbenchmark (BBOB), so stellt sich heraus, dass sich die Standard-Testfunktionen sehr stark von den Instanzen des Automobil-Crash-Problems unterscheiden. Durch die Verwendung eines randomisierten Testfunktionsgenerators zur Erzeugung von 1000 verschiedenen Testfunktionen können jedoch Funktionen identifiziert werden, die einen ELA-Merkmalsvektor aufweisen, der dem Merkmalsvektor des Automobil-Crash-Problems sehr ähnlich ist (Euklidische Distanz). Die Hypothese, dass die Ähnlichkeit der Landschaft durch den ELA-Merkmalsvektorabstand gemessen werden kann, wird sowohl durch die visuelle Inspektion der 2-dimensionalen Zielfunktionslandschaften als auch durch den Vergleich der Leistung eines Optimierungsalgorithmus auf Funktionspaaren mit geringem ELA-Vektorabstand bestätigt.
Die Ergebnisse zeigen, dass dieser Ansatz dazu verwendet werden kann, systematisch Zielfunktionen zu generieren, deren Eigenschaften mit denen realer Zielfunktionen identisch sind, die jedoch sehr schnell auswertbar sind. Auf diese Weise können diese „Proxy-Funktionen“ verwendet werden, um den Optimierungsalgorithmus für das reale Problem zu tunen.
Die Algorithmen sind unter https://github.com/fx-long/CEOELA verfügbar.
Diese Arbeit entstand im Rahmen des Verbundprojekts newAIDE unter der Konsortialführung der BMW AG mit den Partnern Altair Engineering GmbH, divis intelligent solutions GmbH, MSC Software GmbH, Technische Universität München und TWT GmbH. Das Projekt wird gefördert durch das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) aufgrund eines Beschlusses des Deutschen Bundestages.