Beitrag über Crash- und Fahrzeugkontrolldynamik auf der Genetic and Evolutionary Computation Conference (GECCO) angenommen
GECCO ist eine der führenden Konferenzen auf dem Gebiet der Optimierverfahren, die von Vorbildern aus der natürlichen Evolution abgeleitet sind. Die Konferenz findet dieses Jahr vom 9.-13. Juli in Boston, MA, statt. Viele der weltweit führenden ExpertInnen aus der Forschung, DoktorandInnen und industrielle ExpertInnen treffen sich, um den Stand der Forschung in diesem Gebiet zu diskutieren und zu erweitern. Wir freuen uns sehr, dass unsere gemeinsamen Forschungsresultate mit BMW im Rahmen des newAIDE Projektes zur Präsentation und Publikation akzeptiert wurden.
Im Artikel “Learning the Characteristics of Engineering Optimization Problems with Applications in Automotive Crash” von Fu Xing Long (BMW), Bas van Stein (Universität Leiden), Moritz Frenzel (BMW), Peter Krause (divis intelligent solutions GmbH), Markus Gitterle (Fachhochschule München) und Thomas Bäck (Universität Leiden) untersuchen wir, wie wir charakteristische Eigenschaften von simulationsbasierten Optimierungsproblemen in der Automobilindustrie identifizieren können. Dabei interessiert uns vor allem, inwiefern solche Probleme sich von anderen Optimierungsproblemen unterscheiden. Tatsächlich finden wir deutliche Unterschiede, so dass es wichtig ist, spezielle Optimierverfahren beispielsweise für Crash-Anwendungen in der Automobilindustrie zu entwickeln. Wir freuen uns sehr, dass dieser Artikel auch für einen “Best Paper Award” nominiert wurde.
Der Beitrag “One-Shot Optimization for Vehicle Dynamics Control Systems: Towards Benchmarking and Exploratory Landscape Analysis” von André Thomaser (BMW), Anna Kononova (Universität Leiden), Marc-Eric Vogt (BMW) and Thomas Bäck (Universität Leiden) untersucht die Optimierung von Controllern für Fahrdynamik. Der Ansatz basiert auf One-Shot Ansätzen zur Optimierung, bei denen auf der Basis eines experimentellen Simulationsplans ein Metamodell erstellt und darauf optimiert wird. Die Resultate zeigen, dass ein solcher Ansatz mit Random Forest und Support Vector Machine Metamodellen sehr gute Ergebnisse erzielt.