DE102005011148A1

DE102005011148A1 - Verfahren zur Berechnung eines Plans bzw. von Planänderungen auf einer Steuerrechenanlage und zugehöriges Rahmenprogramm

Info

Publication number: DE102005011148A1
Application number: DE200510011148
Authority: DE
Inventors: Günther Dr. Blaschek; Christoph Breitschopf; Astrid Dr. Kenyon; Farid Riahi; Thomas Scheidl
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2005-03-10
Filing date: 2005-03-10
Publication date: 2006-09-14
Also published as: WO2006094895A2

Abstract

Die Erfindung betrifft im Wesentlichen ein Verfahren, das auf der Annahme basiert, dass für ein beliebiges Problem einer gegebenen Prozesssteuerung es oft ausreicht, mit einer Menge initialer Lösungsvorschläge, also Pläne bzw. Planänderungen, zu starten, um weitere verbesserte Pläne auf der Grundlage existierender zu berechnen. Zur Generierung neuer und Verbesserung bestehender Lösungen wird dabei eine Sammlung in ihrer Funktionsweise, Optimierungsgüte und Bearbeitungszeit stark unterschiedlicher Algorithmen, so genannter OptLets, eingesetzt. Das Verfahren wendet iterativ solange solche Optlets auf Kandidaten der jeweiligen Lösungsmenge an, bis ein vorkonfiguriertes Terminierungskriterium erfüllt ist, um sodann den bis dahin besten gefundenen Steuerungsplan auszugeben.

Description

Die Erfindung betrifft ein Verfahren zur Berechnung eines möglichst optimalen Plans bzw. möglichst optimaler Planänderungen auf einer Steuerrechenanlage und zugehöriges Rahmenprogramm, wobei ein jeweiliger Plan eine zeitliche Abfolge von Operationen festlegt, durch die ein Prozessablauf derart gesteuert wird, dass unter Einhaltung gegebener Randbedingungen und unter den jeweiligen Umständen ein möglichst optimales Prozessergebnis erzielbar ist und wobei der Prozessablauf zwar durch Sensoren beobachtbar, aber wegen Störgrößen nicht notwendigerweise vollständig durch die mittels Steuerrechenanlage parametrisierten Aktoren oder Regelungskomponenten kontrollierbar ist.

Für die Anwendbarkeit solcher Berechnungsverfahren müssen zunächst folgende grundlegende Bedingungen erfüllt sein:

– alle Beobachtungen müssen in maschinell verarbeitbarer Form vorliegen
– die Einhaltung der Randbedingungen und die Qualität des Prozessergebnisses muss algorithmisch aus den Beobachtungen heraus bestimmbar sein
– die Qualität der Steuerung muss anhand eines oder mehrerer numerischer Kriterien bestimmbar sein
– die Steuerungsoperationen müssen direkt oder indirekt maschinell gesteuert ausgeführt werden können.

Zur Berechnung solcher Pläne bzw. der Planänderungen kommen üblicherweise bislang folgende Arten von Algorithmen zum Einsatz:

– Regelbasierte Steuerung, z.B. Fuzzy Logic
– Lineare und gemischt-ganzzahlige Programmierung
– Genetische Algorithmen
– Constraint Programming
– Expertensysteme der künstlichen Intelligenz

Die bestehenden Lösungsansätze weisen jedoch folgende Nachteile auf:

– eine Regelbasierte Steuerung zeigt eine geringe Robustheit gegen Störungen
– Expertensysteme und Constraint Programming erfordern eine hohe Rechenleistung
– bei der Linearen und gemischt-ganzzahlige Programmierung sowie bei den Genetische Algorithmen wird der Implementierungs- und Pflegeaufwand infolge Modellbildung in prozessfernen Begriffen erhöht
– bei der Linearen und gemischt-ganzzahligen Programmierung sowie beim Constraint Programming wird eine Multikriteriellität nur unzulänglich berücksichtigt.

Die der Erfindung zugrunde liegende Aufgabe besteht nun darin, ein Verfahren zur Berechnung eines Plans bzw. von Planänderungen auf einer Steuerrechenanlage und zugehöriges Rahmenprogramm derart anzugeben, dass die oben genannten Nachteile möglichst vermieden werden.

Diese Aufgabe wird durch die Merkmale des Patentanspruchs 1 erfindungsgemäß gelöst.

Die weiteren Ansprüche betreffen bevorzugte Ausbildungen des erfindungsgemäßen Verfahrens und ein entsprechendes Rahmenprogramm zur Durchführung dieses Verfahrens.

Die Erfindung betrifft im Wesentlichen ein Verfahren, das auf der Annahme basiert, dass für ein beliebiges Problem einer gegebenen Prozesssteuerung es oft ausreicht, mit einer Menge initialer Lösungsvorschläge, also Pläne bzw. Planänderungen, zu starten, um weitere verbesserte Pläne auf der Grundlage existierender zu berechnen. Zur Generierung neuer und Verbesserung bestehender Lösungen wird dabei eine Sammlung in ihrer Funktionsweise, Optimierungsgüte und Bearbeitungszeit stark unterschiedlicher Algorithmen, sogenannter OptLets, eingesetzt. Das Verfahren wendet iterativ solange solche OptLets auf Kandidaten der jeweiligen Lösungsmenge an, bis ein vorkonfiguriertes Terminierungskriterium erfüllt ist, um sodann den bis dahin besten gefundenen Steuerungsplan auszugeben.

Im folgenden wird die Erfindung anhand vorteilhafter Ausführungsbeispiele näher erläutert.
OptLets, also Kandidaten einer Algorithmensammlung, die auf Basis bestehender Lösungen neue, verbesserte Lösungen berechnen, können von unterschiedlichster algorithmischer Ausprägung sein. Die Palette reicht von sehr einfach strukturierten Algorithmen, die an bestehenden Lösungen lediglich kleine Veränderungen vornehmen, bis hin zu ausgeklügelten, rechenintensiven Verfahren, die erwartungsgemäß erhebliche Verbesserungen erzielen.
Die Häufigkeit eines OptLet-Einsatzes ist von einem Bewertungsmodell abhängig, das OptLets vorteilhafterweise proportional zur Lösungs-Verbesserung mit einem Erfolgsbonus belohnt. Dieser Bonus wird im Verlaufe des Optimierungsprozesses dann immer wieder reduziert. Dieser Bewertungs- und Einsatzvorgang bewirkt zum Großteil eine Selbstorganisation der OptLets derart, dass in jeder Phase der Optimierung jenen OptLets der Vorzug gelassen wird, die – empirisch belegt – die höchsten Erfolgsaussichten aufweisen.
Ein weiterer Wesenszug der Erfindung betrifft die Lösungsmenge, also die verwaltete Menge vorgeschlagener Steuerungspläne. Im Gegensatz zu den meisten herkömmlichen Metaheuristiken, wie z.B. „Simulated Annealing" oder „Tabu-Search", wird hier von einer Vielzahl von Lösungen ausgegangen, um durch Anwendung oben beschriebener OptLets weitere, verbesserte Lösungen zu erhalten, die sich in die Lösungsmenge wieder einreihen. Wenn alle Lösungen der Lösungsmenge zumindest einmal zur Verbesserung von OptLets untersucht wurden – hierzu zählen alle alten und auch neu hinzugefügten Lösungen – oder wenn eine bestimmte Anzahl von Verbesserungsversuchen erreicht wurde, so spricht man von einer abgeschlossenen Iteration und führt ein so genanntes „Pool-Clean-Up" durch. Hier wird die Lösungsmenge derart reduziert, dass die besten zulässigen, nicht-zulässigen und von OptLets noch nicht behandelte Lösungen in einem bestimmten konfigurierbaren Verhältnis stehen.
Für das Verhältnis wird im Rahmenprogramm bspw. die Standardeinstellung 2:1:1 gewählt.
Ist das zugrunde liegende Problem multikriteriell, bewerten also mehrere unterschiedliche, oft in Konkurrenz stehende Kriterien das Prozessergebnis, so können die Lösungen nicht immer direkt verglichen werden. Ist jedoch eine Lösung x in allen Zielkriterien zumindest so gut wie eine andere Lösung y, so kann zumindest in diesem Fall x gegenüber y bevorzugt werden – sprich: „x dominiert y".
Zur vorteilhaften Lösung multikriterieller Probleme werden in einer Ausbildung des erfindungsgemäßen Verfahrens nur jene Lösungen betrachtet, die hinsichtlich aller Zielkriterien „gut" sind; also all jene, die von keiner anderen Lösung dominiert werden. Diese Lösungen können dann noch nach ihrer sogenannten „Dominanztiefe" klassifiziert werden, wobei alle nicht dominierten Lösungen der Dominanztiefe Null entsprechen. Werden Lösungen der Dominanztiefe Null aus der aktuellen Lösungsmenge entfernt, so definiert wiederum die verbleibende, nicht-dominierte Menge von Lösungen eine Dominanztiefe Eins. Dies kann fortgesetzt werden, bis alle Lösungen einer Tiefe zugeordnet sind.
Mit dieser vorteilhaften Ausbildung des erfindungsgemäßen Verfahrens wird nicht nur versucht, möglichst nicht-dominierte Lösungen zu berechnen, sondern zusätzlich angestrebt, dass das Resultat der Optimierung aus einer Menge möglichst unterschiedlicher Lösungskandidaten besteht. Es wird dabei eine so genannte „Verschiedenartigkeit" einer Lösung ermittelt, indem bewertet wird, wie „dicht" die direkte Umgebung dieser Lösung mit anderen Lösungen aus der aktuellen Lösungsmenge bzw. dem Solution-Pool besetzt ist.
Eine mögliche Berechnung der Dichte ist der minimale Abstand der Lösung zu allen anderen.
Die Eigenschaften „Verschiedenartigkeit" und „Dominanz" sind wie folgt für die Bewertung der Lösungen im Solution-Pool und den damit verbundenen Clean-Up-Prozessen maßgeblich: Betrachtet man zwei Lösungen, dann wird jene bevorzugt, die die geringere Dominanztiefe aufweist. Nicht vergleichbar sind all jene, die in der selben Dominanztiefe stehen. Berücksichtigt man zusätzlich die Verschiedenartigkeit, lässt sich diese „Lücke" der Vergleichbarkeit schließen. Es werden somit all jene Lösungen innerhalb einer Dominanztiefe mit größerer Verschiedenartigkeit bevorzugt. Die durch die Dominanztiefe erzeugte Ordnung geht dabei nicht verloren. D.h. für den Vergleich zweier Lösungen ist zunächst die Tiefe und mit zweiter Priorität erst die Verschiedenartigkeit entscheidend.
Somit wird für die im Solution-Pool existierenden Lösungen eine totale Ordnung wiederhergestellt. Daher können das oben beschriebene Pool-Clean-Up und alle damit verbundenen Operationen unverändert durchgeführt werden.
Die oben beschriebenen Abläufe, also eine Gesamtiteration, ein Bewertungsmodell für den Einsatz der sogenannten OptLets und Begrenzung der Lösungsmenge durch das sogenannteso genannte Pool-Clean-Up sind Eigenschaften der Metaheuristik und werden vorteilhafterweise in einem Rahmenprogramm realisiert bzw. in einem Software-Framework abgebildet. Das Framework bietet zunächst ein Gerüst des allgemeinen Optimierungsvorganges. Kommt nun ein konkretes Prozesssteuerungsproblem zur Anwendung, so müssen problem-spezifische Eigenschaften in das Framework eingebunden werden. Erst jetzt wird eine Lösung gemäß des zugrunde liegenden Problems entsprechend repräsentiert. Gleiches gilt für die OptLets, die, obschon verwaltet und bewertet durch das Framework, im Zuge der Konkretisierung problem-spezifische Algorithmen darstellen.
Vorteile
Hohe Anwendbarkeit:
Das beschriebene Verfahren reiht sich in die Familie der sog. Metaheuristiken ein. Somit stellt es kaum Anforderungen an das zu optimierende Prozesssteuerungsproblem und verfügt über einen hohen Grad der Anwendbarkeit. Plan und Planänderungen, also Lösungskandidaten, sowie unterschiedliche Algorithmen, also OptLets, zur Verbesserung dieser Lösungen sind die einzigen zu modellierenden und einzubindenden Bereiche des anzuwendenden Optimierungsproblems. Besonders geeignet sind jene Probleme, deren Lösungen sich durch einfache Veränderungen, z. B. lokale Austauschschritte, wieder in zulässige Lösungskandidaten überführen lassen.
Vermeidung lokaler Optima:
Viele klassische lokale Suchverfahren beenden ihren Optimierungsprozess, sobald sie auf lokal beste Lösungen gestoßen sind – d.h. wenn Veränderungen ausgehend von der besten gefundenen Lösung zu keiner weiteren Verbesserung führen würden. Typischerweise tritt dieser Fall der Stagnation dann ein, wenn das Suchverfahren einen zu kleinen und zu sehr eingeschränkten Bereich des Suchraumes untersucht.
Das OptLets-Framework verwaltet nicht nur eine, typischerweise die beste gefundene, Lösung, sondern ein breites Feld unterschiedlicher, teilweise sogar nicht zulässiger, Lösungen. Zusätzlich stellen OptLets ein breites Spektrum unterschiedlicher Veränderungsalgorithmen dar, so dass ausgehend von der bestehenden Lösungsmenge die Untersuchung eines sehr großen Suchraumes vorausgesetzt werden kann.
Schnelles Finden guter Lösungen:
Das beschriebene Bewertungsmodell des erfindungsgemäßen Verfahrens bevorzugt OptLets mit guten Erfolgsaussichten. Auch zu Beginn werden schon sehr bald gewisse OptLets als besonders geeignet erkennbar. Dieses Prinzip fördert das rasche Auffinden guter Lösungen schon zu Beginn der Optimierung.
Hybridisierung algorithmischer Ansätze:
Da das Software-Framework die Möglichkeit bietet, unterschiedliche algorithmische Ansätze zur Lösung des zugrunde liegenden Problems mit geringem Implementierungsaufwand einzubinden, können die integrierten Verfahren iterativ kombiniert werden. Anhand des Bewertungsmodells wird sichtbar, welche Ansätze sich besonders gut kombinieren lassen. Diese Auswertung gibt neuen Ideen Nahrung, welche bereits bestehenden Verfahren sich zu einem hybriden Verfahren verschmelzen ließen. Daher ist das Framework auch im Vorfeld einer Problemlösung für experimentelle Zwecke sehr geeignet.
Lösbarkeit multikriterieller Probleme:
Zunehmend sind Prozesssteuerungsprobleme derart strukturiert, dass nicht nur ein Gütekriterium, sondern mehrere unterschiedliche, oft in Konkurrenz stehende Kriterien das Prozessergebnis bewerten. Somit wird nicht – wie im klassischen Fall – ein bestmögliches Prozessergebnis gesucht. Vielmehr ist es die Aufgabe, eine Menge „guter Prozessergebnisse" zu finden, die allen Kriterien soweit als möglich gerecht werden. Es liegt in der Verantwortung des Nutzers, gemäß persönlicher Abwägung sich für ein geeignetes Resultat zu entscheiden.

Claims

Verfahren zur Berechnung eines möglichst optimalen Plans bzw. möglichst optimaler Planänderungen auf einer Steuerrechenanlage, wobei ein jeweiliger Plan eine zeitliche Abfolge von Operationen festlegt, durch die ein Prozessablauf derart gesteuert wird, dass unter Einhaltung gegebener Randbedingungen und unter den jeweiligen Umständen ein möglichst optimales Prozessergebnis erzielbar ist und wobei der Prozessablauf zwar durch Sensoren beobachtbar, aber wegen Störgrößen nicht notwendigerweise vollständig durch die mittels Steuerrechenanlage parametrisierten Aktoren oder Regelungskomponenten kontrollierbar ist, – bei dem beginnend mit einer Menge initialer Pläne bzw. initialer Planänderungen unter Einhaltung gegebener Randbedingungen und unter den jeweiligen Umständen iterativ solange Kandidaten einer Lösungsalgorithmensammlung auf Kandidaten einer jeweiligen Lösungsmenge von Plänen bzw. Planänderungen angewendet werden, bis ein vorkonfiguriertes Terminierungskriterium erfüllt ist und ein bis dahin festgestellter möglichst optimaler Plan bzw. eine möglichst optimale Planänderung ausgegeben wird, – bei dem die zum Einsatz kommenden Kandidaten einer Lösungsalgorithmensammlung mit einem Erfolgsbonus belohnt werden, sofern sie eine Lösungs-Verbesserung bewirken und dieser Erfolgsbonus im Verlaufe des Optimierungsprozesses aber immer wieder reduziert wird, – bei dem solange jeweils mindestens eine verbesserte Lösung in die jeweilige Lösungsmenge von Plänen bzw. Planänderungen aufgenommen wird, bis alle Kandidaten der Lösungsmenge zumindest einmal zur Verbesserung von Kandidaten der Lösungsalgorithmensammlung untersucht wurden oder eine bestimmte Anzahl von Verbesserungsversuchen erreicht wurde, und – bei dem, sofern alle Kandidaten der Lösungsmenge zumindest einmal zur Verbesserung von Kandidaten der Lösungsalgorithmensammlung untersucht wurden oder eine bestimmte Anzahl von Verbesserungsversuchen erreicht wurde, die Lösungsmenge derart reduziert wird, dass die besten zulässigen, die nicht-zulässigen und die von Kandidaten der Lösungsalgorithmensammlung noch nicht behandelten Lösungen in vordefinierten Anteilen erhalten bleiben.
Verfahren nach Anspruch 1, bei dem die zum Einsatz kommenden Kandidaten einer Lösungsalgorithmensammlung proportional zur Lösungs-Verbesserung mit einem Erfolgsbonus belohnt werden.
Verfahren nach Anspruch 1, – bei dem dominante Kandidaten der Lösungsmenge gesucht werden, wobei dominante Kandidaten in allen Zielkriterien zumindest so ein so gutes Prozessergebnis liefern wie die anderen Kandidaten der jeweiligen Lösungsmenge, – bei dem dominante Kandidaten der Lösungsmenge nach ihrer Dominanztiefe klassifiziert werden, indem für jede Dominanztiefe alle jeweils nicht dominierten Kandidaten aus der jeweiligen Lösungsmenge entfernt und jeweilige verbleibende dominante Kandidaten gesucht werden, – bei dem eine Verschiedenartigkeit eines jeweiligen Kandidaten der Lösungsmenge ermittelt wird, indem bewertet wird, wie dicht die direkte Umgebung im Eigenschaftsraum dieses Kandidaten mit anderen Kandidaten aus der Menge der dominanten Lösungen besetzt ist, – bei dem ein bester Plan bzw. eine beste Planänderung dadurch ermittelt wird, dass die Kandidaten zunächst nach ihrer Dominanztiefe und mit zweiter Priorität nach ihrer Verschiedenartigkeit bewertet werden und dann der Kandidat mit der höchsten Bewertung ausgewählt wird.
Verfahren nach einem der Ansprüche 1 bis 3, bei dem Kandidaten der Lösungsalgorithmensammlung, die auf Basis bestehender Lösungen neue, verbesserte Lösungen berechnen, aus einer Palette von strukturell sehr unterschiedlichen Algorithmen bestehen.
Verfahren nach einem der Ansprüche 1 bis 4, bei dem die Lösungsmenge derart reduziert wird, dass die besten zulässigen, die nicht-zulässigen und die von Kandidaten der Lösungsalgorithmensammlung noch nicht behandelte Kandidaten im Verhältnis 2:1:1 konfiguriert werden.
Verfahren nach einem der Ansprüche 3 bis 5, bei dem die Dichte der direkten Umgebung im Eigenschaftsraum eines Kandidaten dadurch bewertet wird, dass der minimale Abstand dieses Kandidaten zu allen anderen Kandidaten aus der Menge berechnet wird.
Rahmenprogramm zur Durchführung eines der Verfahren nach einem der Ansprüche 1 bis 6, in dem zunächst nur die Eigenschaften einer Metaheuristik abgebildet sind, die zunächst lediglich ein Gerüst eines allgemeinen Optimierungsvorganges darstellt und bei dem erst durch Eingabe problem-spezifischer Eigenschaften ein konkretes Prozesssteuerungsproblem und aus den Kandidaten der Lösungsalgorithmensammlung erst konkrete problem-spezifische Algorithmen festgelegt werden.