Many scientific, engineering and economic problems involve optimization. In reaction to that, numerous optimization algorithms have been proposed. Particle Swarm Optimization (PSO) is a new paradigm of Swarm Intelligence which is inspired by concepts from 'Social Psychology' and 'Artificial Life'. Essentially, PSO proposes that the co-operation of individuals promotes the evolution of the swarm. In terms of optimization, the hope would be to enhance the swarm's ability to search on a global scale so as to determine the global optimum in a fitness landscape. It has been empirically shown to perform well with regard to many different kinds of optimization problems. PSO is particularly a preferable candidate to solve highly nonlinear, non-convex and even discontinuous problems. The main ambition of this thesis is to propose two enhanced versions of PSO (Modified Guaranteed Convergence PSO (MGCPSO) and Modified Lbest based PSO (LPSO)) and to extend them to different areas of application. MGCPSO is an extension of the Gbest based version of PSO and exhibits balanced performance between accuracy and efficiency in empirical numerical tests. It is applied to robust design with metamodel as well as structural sizing optimization in this work. In order to improve the efficiency of computing with regard to robust design, a mixed Fortran-Matlab program is developed as well as its corresponding parallel pattern. It obtains satisfying results for both optimization problems. On the other hand, LPSO constitutes an enhanced Lbest based version of PSO whereby two LPSOs with two and three neighbour links are tested by means of the empirical benchmark test. Both demonstrate excellent global searching ability. For this reason, this algorithm is extended to problems of truss topological design. This type of optimization problems can be characterised as large-scale and non-convex. LPSO is very well suited to this particular field of optimization. Indeed, it achieves solutions that challenge the best ones ever found. Finally, MGCPSO is successfully applied to a structural sizing optimization problem.     «

Many scientific, engineering and economic problems involve optimization. In reaction to that, numerous optimization algorithms have been proposed. Particle Swarm Optimization (PSO) is a new paradigm of Swarm Intelligence which is inspired by concepts from 'Social Psychology' and 'Artificial Life'. Essentially, PSO proposes that the co-operation of individuals promotes the evolution of the swarm. In terms of optimization, the hope would be to enhance the swarm's ability to search on a global scal...     »

Viele wissenschaftliche, technische und wirtschaftliche Probleme sind Optimierungsprobleme. Da sie sich unter anderem hinsichtlich ihrer grundsätzlichen mathematischen Struktur unterscheiden, gibt es zahlreiche verschiedene Optimierungsalgorithmen. Die Partikel-Schwarm-Optimierung (Particle Swarm Optimization, PSO) ist ein neuartiges Paradigma der Schwarmintelligenz, das seine Motivation aus Konzepten der Sozialpsychologie und des Künstlichen Lebens gewinnt. PSO nimmt an, dass die Zusammenarbeit der Einzelnen die Entwicklung des Schwarmes wesentlich vorantreibt. Im Hinblick auf Optimierung wird erwartet, dass sowohl die Fähigkeit des Schwarmes optimale Lösungen zu finden wie auch die Qualität des Ergebnisses als die beste aller Möglichkeiten in einer „Fitness-Landschaft“ verbessert werden. Es wurde empirisch gezeigt, dass mit PSO viele unterschiedliche Optimierungsaufgaben erfolgreich bearbeitet werden können. Insbesondere eignet sich PSO für stark nichtlineare, nicht-konvexe und auch diskontinuierliche Problemstellungen. Das Hauptziel dieser Dissertation ist es, zwei erweiterte Varianten, die sogenannte „modifizierte PSO mit garantierter Konvergenz“ (MGCPSO) und die „modifizierte Lbest basierte PSO“ (LPSO), zu entwickeln und für verschiedene Anwendungsbereiche zu etablieren. MGCPSO ist eine Erweiterung der globalen Version von PSO. Wie empirische numerische Tests zeigen, stellt sie einen ausgewogenen Kompromiss zwischen Genauigkeit und Effizienz dar. Dieser Algorithmus kann für Aufgaben des „Robust Design“ wie für Querschnittsoptimierung eingesetzt werden. Zur Verbesserung der Effizienz wurde eine gemischte Fortran-Matlab (grid computing) sowie eine parallelisierte Version entwickelt. Die damit erzielten Ergebnisse sind sehr zufriedenstellend. LPSO verfolgt die Idee, die Nachbarbeziehungen zwischen Individuen des Schwarmes und die daraus abgeleiteten lokalen Eigenschaften der Optimierungsaufgabe zu nutzen. Dabei stellten sich die Varianten mit Gruppen aus zwei bzw. drei Nachbarn als besonders erfolgreich heraus und wurden an empirischen Benchmarks getestet. Insbesondere wird LPSO für die Topologieoptimierung von Fachwerken eingesetzt, eine nicht-konvexe Aufgabe mit vielen Optimierungsvariablen. LPSO erweist auch hier als sehr gut geeignet. Tatsächlich konnten für bekannte Testprobleme Lösungen gefunden werden, die sich mit den besten jemals gefundenen messen lassen können.     «

Viele wissenschaftliche, technische und wirtschaftliche Probleme sind Optimierungsprobleme. Da sie sich unter anderem hinsichtlich ihrer grundsätzlichen mathematischen Struktur unterscheiden, gibt es zahlreiche verschiedene Optimierungsalgorithmen. Die Partikel-Schwarm-Optimierung (Particle Swarm Optimization, PSO) ist ein neuartiges Paradigma der Schwarmintelligenz, das seine Motivation aus Konzepten der Sozialpsychologie und des Künstlichen Lebens gewinnt. PSO nimmt an, dass die Zusammenarbeit...     »