Klassische Regression in der modellgestützten Optimierung

Abstract

In dieser Arbeit geht es um die Verwendung von klassischen Regressionsmodellen im Rahmen der modellgestützten Optimierung. Im etablierten EGO-Verfahren wird Kriging als Surrogat-Modell der Zielfunktion verwendet, um kosten- oder zeitintensive Auswertungen der Originalfunktion einzusparen. Auf Grund der Komplexität des Verfahrens bestehen allerdings Probleme für Anwender sich das Verfahren anzueignen. Daher wird im Rahmen dieser Arbeit versucht bekannte und leichter zu verstehende Regressionsmodelle anstelle von Kriging zu verwenden. Es werden verschiedene Varianten polynomieller Regressionsmodelle vorgeschlagen und in einer Simulationsstudie auf den BBOB-Funktionen mit Kriging verglichen. Außerdem wird anhand eines kostensensitiven Klassifikationsbaumes ermittelt, bei welchen Zielfunktionseigenschaften polynomielle Regression zu besseren Optimierungsergebnissen führt.