The work deals with two problems of mass rapid transit system operation: The development of flexible timetables and the realisation of flexible timetables. In both cases, genetic algorithms are used. In the process of (flexible) timetabling in suburban railways, a transport offer perfectly adapted to demand is searched for (temporal and spatial adaptation of demand as well as adaptation of capacity of the trains). After determination of the number of train runs per line and hour and their capacity, optimal departure times have to be found (with a precision of a minute down to 10 s), which fulfil criterias of the passengers (short waiting times) as well as of the operator (small number of vehicles needed). Two different codings for use with genetic algorithms have therefore been developed. They are tested on several case studies of the Dresden suburban railway network, assuming different degrees of flexibilisation. In the process of realising a flexible timetable, transitions between train headways as well as running time and dwell time reserves (margins in the order of a few seconds) are slightly modified in order to coordinate braking and accelerating trains and thereby reduce energy costs of a system of trains. Genetic algorithms can be applied for this problem as well, the proposed methods are tested on several case studies (S-Bahn Berlin, Metro Lille). / Die Arbeit behandelt zwei Probleme der Betriebsplanung von Stadtschnellbahnen: Die Erstellung flexibler Fahrpläne und die Umsetzung flexibler Fahrpläne. In beiden Fällen werden zur Lösung Genetische Algorithmen verwendet. Bei der Ermittlung flexibler Fahrpläne von S-Bahnen wird ein bestmöglich an die Verkehrsnachfrage angepasstes Verkehrsangebot gesucht (zeitlich, räumlich und bezüglich der Kapazität der einzelnen Züge angepasst). Nach stundenfeiner Festlegung der Fahrtenhäufigkeiten und Kapazitäten der einzelnen, sich überlagernden Linien werden deren Abfahrtszeiten gesucht (mit einer Genauigkeit von Minuten bis etwa 10 s), so dass sowohl die Wünsche der Fahrgäste nach gleichmäßigen Zugfolgezeiten als auch Betreiberwünsche (geringe Fahrzeuganzahl) erfüllt werden. Hierzu werden zwei verschiedene Kodierungen für die Verwendung mit Genetischen Algorithmen vorgestellt und das geschaffene Verfahren an verschiedenen Flexibilisierungsszenarien für die S-Bahn Dresden erprobt. Bei der Umsetzung flexibler Fahrpläne, die sich im Bereich weniger Sekunden abspielt, werden Übergänge zwischen Zugfolgezeiten, Fahr- und Haltezeitreserven geringfügig modifiziert, so dass durch bestmögliche Koordination von Anfahr- und Bremsvorgängen eines Systems von Zügen die Energiekosten minimal werden. Methodisch werden wiederum Genetische Algorithmen verwendet, die Erprobung des Verfahrens erfolgt anhand von Linien der S-Bahn Berlin und der Metro in Lille.

Im bisherigen Auslegungsprozess wird ein Bahnsystem in der Regel in Teilsysteme zerlegt, die nacheinander und für sich betrachtet entworfen werden. Das Verhalten des Gesamtsystems im geplanten täglichen Betrieb wird nur für wenige Varianten mittels Simulation überprüft. In dieser Arbeit wird der Ansatz vorgestellt, ein elektrisches Bahnsystem als Optimierungsaufgabe zu modellieren und diese mit einem geeigneten mathematischen Suchverfahren zu lösen, um Wechselwirkungen im Gesamtsystem bereits während der Dimensionierung berücksichtigen zu können. Zu diesem Zweck wird ein mehrkriterieller genetischer Algorithmus mit Zugfahrtsimulation und Netzberechnung gekoppelt, um ein für elektrische Bahnen entwickeltes Optimierungsmodell zu lösen. Am Beispiel einer realen Metrostrecke wird das Verfahren auf seine Eignung getestet und die erzielten Ergebnisse bewertet. / In the previous design process the electric railway system was subdivided into subsystems that are conceived one after the other and independent of each other. The performance of the complete railway system under realistic operation conditions can only be verified for some very few variants using simulation tools. The paper presents an approach to formulate an electric railway system as a self-contained optimization problem solved by means of a mathematical optimization method in order to consider interactions within the system in the early stage of the design process. Therefore a multi-objective genetic algorithm is coupled with both train simulation and electrical network calculation solving an optimization model specially designed for electrical railway systems. The proposed method is tested on an actual metro system. The results of this case study are presented and evaluated.

No description available.

The work deals with two problems of mass rapid transit system operation: The development of flexible timetables and the realisation of flexible timetables. In both cases, genetic algorithms are used. In the process of (flexible) timetabling in suburban railways, a transport offer perfectly adapted to demand is searched for (temporal and spatial adaptation of demand as well as adaptation of capacity of the trains). After determination of the number of train runs per line and hour and their capacity, optimal departure times have to be found (with a precision of a minute down to 10 s), which fulfil criterias of the passengers (short waiting times) as well as of the operator (small number of vehicles needed). Two different codings for use with genetic algorithms have therefore been developed. They are tested on several case studies of the Dresden suburban railway network, assuming different degrees of flexibilisation. In the process of realising a flexible timetable, transitions between train headways as well as running time and dwell time reserves (margins in the order of a few seconds) are slightly modified in order to coordinate braking and accelerating trains and thereby reduce energy costs of a system of trains. Genetic algorithms can be applied for this problem as well, the proposed methods are tested on several case studies (S-Bahn Berlin, Metro Lille). / Die Arbeit behandelt zwei Probleme der Betriebsplanung von Stadtschnellbahnen: Die Erstellung flexibler Fahrpläne und die Umsetzung flexibler Fahrpläne. In beiden Fällen werden zur Lösung Genetische Algorithmen verwendet. Bei der Ermittlung flexibler Fahrpläne von S-Bahnen wird ein bestmöglich an die Verkehrsnachfrage angepasstes Verkehrsangebot gesucht (zeitlich, räumlich und bezüglich der Kapazität der einzelnen Züge angepasst). Nach stundenfeiner Festlegung der Fahrtenhäufigkeiten und Kapazitäten der einzelnen, sich überlagernden Linien werden deren Abfahrtszeiten gesucht (mit einer Genauigkeit von Minuten bis etwa 10 s), so dass sowohl die Wünsche der Fahrgäste nach gleichmäßigen Zugfolgezeiten als auch Betreiberwünsche (geringe Fahrzeuganzahl) erfüllt werden. Hierzu werden zwei verschiedene Kodierungen für die Verwendung mit Genetischen Algorithmen vorgestellt und das geschaffene Verfahren an verschiedenen Flexibilisierungsszenarien für die S-Bahn Dresden erprobt. Bei der Umsetzung flexibler Fahrpläne, die sich im Bereich weniger Sekunden abspielt, werden Übergänge zwischen Zugfolgezeiten, Fahr- und Haltezeitreserven geringfügig modifiziert, so dass durch bestmögliche Koordination von Anfahr- und Bremsvorgängen eines Systems von Zügen die Energiekosten minimal werden. Methodisch werden wiederum Genetische Algorithmen verwendet, die Erprobung des Verfahrens erfolgt anhand von Linien der S-Bahn Berlin und der Metro in Lille.

Simulation based optimisation or simulation optimisation is an important field in stochastic optimisation. The present report introduces into that problem area. We distinguish between the non-recursive and recursive approaches of simulation optimisation. For the non-recursive approach we consider three methods, the retrospective, SPO-, and the RS-methods. With the help of a simple inventory problem we discuss the advantages and disadvantages of these methods. As a recursive method we consider in the second part of our report the coupling of simulation with Genetic Algorithms. As an application example we take a complex multi-location inventory model with lateral transshipments. From our experiences with such optimisation problems we finally formulate some principles, which may be relevant in simulation optimisation.

Im bisherigen Auslegungsprozess wird ein Bahnsystem in der Regel in Teilsysteme zerlegt, die nacheinander und für sich betrachtet entworfen werden. Das Verhalten des Gesamtsystems im geplanten täglichen Betrieb wird nur für wenige Varianten mittels Simulation überprüft. In dieser Arbeit wird der Ansatz vorgestellt, ein elektrisches Bahnsystem als Optimierungsaufgabe zu modellieren und diese mit einem geeigneten mathematischen Suchverfahren zu lösen, um Wechselwirkungen im Gesamtsystem bereits während der Dimensionierung berücksichtigen zu können. Zu diesem Zweck wird ein mehrkriterieller genetischer Algorithmus mit Zugfahrtsimulation und Netzberechnung gekoppelt, um ein für elektrische Bahnen entwickeltes Optimierungsmodell zu lösen. Am Beispiel einer realen Metrostrecke wird das Verfahren auf seine Eignung getestet und die erzielten Ergebnisse bewertet. / In the previous design process the electric railway system was subdivided into subsystems that are conceived one after the other and independent of each other. The performance of the complete railway system under realistic operation conditions can only be verified for some very few variants using simulation tools. The paper presents an approach to formulate an electric railway system as a self-contained optimization problem solved by means of a mathematical optimization method in order to consider interactions within the system in the early stage of the design process. Therefore a multi-objective genetic algorithm is coupled with both train simulation and electrical network calculation solving an optimization model specially designed for electrical railway systems. The proposed method is tested on an actual metro system. The results of this case study are presented and evaluated.

Elektronische und elektrische Systeme stellen seit einigen Jahren einen zunehmenden Anteil an den Gesamtproduktionskosten von Personenkraftfahrzeugen. Laut Prognosen wird sich diese Entwicklung zwar abschwächen, jedoch wird der Wertschöpfungsanteil der Elektronik am Fahrzeug weiter zunehmen. Die hier vorliegende Arbeit beschäftigt sich mit leistungselektronischen Subsystemen in PKW, die aufgrund der benötigten Chipfläche der Halbleiter kostenintensiv sind. Ziel der Arbeit ist es, Strukturen zu entwickeln und zu untersuchen, die es ermöglichen, mehrere Verbraucher in einer solchen Struktur zu betreiben und dadurch Leistungshalbleiter einzusparen. In einer Analyse werden die derzeitige Struktur der Verbraucher im Fahrzeug, die dazugehö-rige Elektronik und die zeitlichen Abhängigkeiten der Verbraucher untereinander dargestellt. Die Analyse kommt zu dem Schluss, dass die Verbraucher im Fahrzeug auf den jeweiligen Einsatzzweck hin optimiert sind. Dadurch sind sie kostengünstig und einfach aufgebaut. Ge-meinsamkeiten, die für eine Vereinheitlichung der Leistungselektronik genutzt werden kön-nen, können unter Beachtung der betrachteten Systeme gefunden werden. Daraus werden Anforderungen an alternative leistungselektronische Strukturen formuliert. In der Arbeit werden zwei leistungselektronische Schaltungen untersucht, die den Forderun-gen nach einer Einsparung von Leistungshalbleitern gerecht werden. Bei der matrixförmigen Vernetzungsschaltung sind die Versorgungsleitungen in Zeilen und Spalten angeordnet, zwi-schen denen die Verbraucher angeschlossen sind. Bei der linearen Vernetzungsschaltung be-nutzen alle an einer Struktur angeschlossenen Verbraucher teilweise eine gemeinsame und eine individuelle Leistungselektronik. Dabei wird ein geringerer Vernetzungsgrad erreicht. Bei der matrixförmigen Vernetzungsschaltung wird ein hoher Vernetzungsgrad erzielt. Hier-bei kann eine Vielzahl von Verbrauchern mit vergleichsweise wenig Leistungselektronik be-trieben werden. Der hohe Vernetzungsgrad hat Bedingungen an die Anordnung der in der Struktur befindlichen Verbraucher zur Folge, die es nur bei kleinen Strukturen ermöglichen ohne Hilfsmittel eine optimale Struktur zu entwerfen. Für größere Strukturen werden Me-thoden benötigt, um die Anordnung der Verbraucher so zu gestalten, dass die Bedingungen an den gleichzeitigen Betrieb in der Applikation erfüllt werden können. Diese Aufgabe entspricht dem mathematischen Problemkreis der kombinatorischen Optimierung. Als Lösungsmethoden werden die Ganzzahlige Lineare Programmierung, die in jedem Fall ein exaktes Ergebnis er-reicht, und Genetische Algorithmen verwendet, die auch bei sehr großen Strukturen ein opti-miertes Ergebnis erzielen können. Die Genetischen Algorithmen werden in dieser Arbeit auf das Problem und dessen Darstellung angepasst, und die Ergebnisse der Optimierung mit de-nen der exakten Verfahren verglichen. Ergebnisse zeigen, dass die auf die Problemstellung angepassten Genetischen Algorithmen mit hoher Sicherheit das globale Optimum finden. Es werden matrixförmige und lineare Strukturen für eine Sitzsteuerung und eine Klappen-verstellung einer Klimaanlage entworfen, mit den beschriebenen Methoden optimiert und nachfolgend bewertet. In der Bewertung wird gezeigt, dass die entworfenen alternativen Strukturen den konventionellen teilweise überlegen sind und je nach elektronischem System zu einer deutlichen Kosteneinsparung führen können. In den untersuchten Systemen hat sich die lineare Struktur als besonders vorteilhaft herausgestellt.

In the building automation domain, there are gaps among various tasks related to design engineering. As a result created system designs must be adapted to the given requirements on system functionality, which is related to increased costs and engineering effort than planned. For this reason standards are prepared to enable a coordination among these tasks by providing guidelines and unified artifacts for the design. Moreover, a huge variety of prefabricated devices offered from different manufacturers on the market for building automation that realize building automation functions by preprogrammed software components. Current methods for design creation do not consider this variety and design solution is limited to product lines of a few manufacturers and expertise of system integrators. Correspondingly, this results in design solutions of a limited quality. Thus, a great optimization potential of the quality of design solutions and coordination of tasks related to design engineering arises. For given design requirements, the existence of a high number of devices that realize required functions leads to a combinatorial explosion of design alternatives at different price and quality levels. Finding optimal design alternatives is a hard problem to which a new solution method is proposed based on heuristical approaches. By integrating problem specific knowledge into algorithms based on heuristics, a promisingly high optimization performance is achieved. Further, optimization algorithms are conceived to consider a set of flexibly defined quality criteria specified by users and achieve system design solutions of high quality. In order to realize this idea, optimization algorithms are proposed in this thesis based on goal-oriented operations that achieve a balanced convergence and exploration behavior for a search in the design space applied in different strategies. Further, a component model is proposed that enables a seamless integration of design engineering tasks according to the related standards and application of optimization algorithms.

In the building automation domain, there are gaps among various tasks related to design engineering. As a result created system designs must be adapted to the given requirements on system functionality, which is related to increased costs and engineering effort than planned. For this reason standards are prepared to enable a coordination among these tasks by providing guidelines and unified artifacts for the design. Moreover, a huge variety of prefabricated devices offered from different manufacturers on the market for building automation that realize building automation functions by preprogrammed software components. Current methods for design creation do not consider this variety and design solution is limited to product lines of a few manufacturers and expertise of system integrators. Correspondingly, this results in design solutions of a limited quality. Thus, a great optimization potential of the quality of design solutions and coordination of tasks related to design engineering arises. For given design requirements, the existence of a high number of devices that realize required functions leads to a combinatorial explosion of design alternatives at different price and quality levels. Finding optimal design alternatives is a hard problem to which a new solution method is proposed based on heuristical approaches. By integrating problem specific knowledge into algorithms based on heuristics, a promisingly high optimization performance is achieved. Further, optimization algorithms are conceived to consider a set of flexibly defined quality criteria specified by users and achieve system design solutions of high quality. In order to realize this idea, optimization algorithms are proposed in this thesis based on goal-oriented operations that achieve a balanced convergence and exploration behavior for a search in the design space applied in different strategies. Further, a component model is proposed that enables a seamless integration of design engineering tasks according to the related standards and application of optimization algorithms.:1 Introduction 17 1.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 1.2 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 1.3 Goals and Use of the Thesis . . . . . . . . . . . . . . . . . . . . . 21 1.4 Solution Concepts . . . . . . . . . . . . . . . . . . . . . . . . . . 22 1.5 Organization of the Thesis . . . . . . . . . . . . . . . . . . . . . . 24 2 Design Creation for Building Automation Systems 25 2.1 Background . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.2 Engineering of Building Automation Systems . . . . . . . . . . . 29 2.3 Network Protocols of Building Automation Systems . . . . . . . 33 2.4 Existing Solutions for Design Creation . . . . . . . . . . . . . . . 34 2.5 The Device Interoperability Problem . . . . . . . . . . . . . . . . 37 2.6 Guidelines for Planning of Room Automation Systems . . . . . . 38 2.7 Quality Requirements on BAS . . . . . . . . . . . . . . . . . . . 41 2.8 Quality Requirements on Design . . . . . . . . . . . . . . . . . . 42 2.8.1 Quality Requirements Related to Project Planning . . . . 42 2.8.2 Quality Requirements Related to Project Implementation 43 2.9 Quality Requirements on Methods . . . . . . . . . . . . . . . . . 44 2.10 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3 The Design Creation Task 47 3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.2 System Design Composition Model . . . . . . . . . . . . . . . . . 49 3.2.1 Abstract and Detailed Design Model . . . . . . . . . . . . 49 3.2.2 Mapping Model . . . . . . . . . . . . . . . . . . . . . . . . 51 3.3 Formulation of the Problem . . . . . . . . . . . . . . . . . . . . . 53 3.3.1 Problem properties . . . . . . . . . . . . . . . . . . . . . . 54 3.3.2 Requirements on Algorithms . . . . . . . . . . . . . . . . 56 3.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 4 Solution Methods for Design Generation and Optimization 59 4.1 Combinatorial Optimization . . . . . . . . . . . . . . . . . . . . . 59 4.2 Metaheuristics . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59 4.3 Examples for Metaheuristics . . . . . . . . . . . . . . . . . . . . . 62 4.3.1 Simulated Annealing . . . . . . . . . . . . . . . . . . . . . 62 4.3.2 Tabu Search . . . . . . . . . . . . . . . . . . . . . . . . . 63 4.3.3 Ant Colony Optimization . . . . . . . . . . . . . . . . . . 65 4.3.4 Evolutionary Computation . . . . . . . . . . . . . . . . . 66 4.4 Choice of the Solver Algorithm . . . . . . . . . . . . . . . . . . . 69 4.5 Specialized Methods for Diversity Preservation . . . . . . . . . . 70 4.6 Approaches for Real World Problems . . . . . . . . . . . . . . . . 71 4.6.1 Component-Based Mapping Problems . . . . . . . . . . . 71 4.6.2 Network Design Problems . . . . . . . . . . . . . . . . . . 73 4.6.3 Comparison of Solution Methods . . . . . . . . . . . . . . 74 4.7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77 5 Automated Creation of Optimized Designs 79 5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79 5.2 Design Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . 79 5.3 Component Model . . . . . . . . . . . . . . . . . . . . . . . . . . 81 5.3.1 Presumptions . . . . . . . . . . . . . . . . . . . . . . . . . 85 5.3.2 Integration of Component Model . . . . . . . . . . . . . . 87 5.4 Design Generation . . . . . . . . . . . . . . . . . . . . . . . . . . 87 5.4.1 Component Search . . . . . . . . . . . . . . . . . . . . . . 88 5.4.2 Generation Approaches . . . . . . . . . . . . . . . . . . . 100 5.5 Design Improvement . . . . . . . . . . . . . . . . . . . . . . . . . 107 5.5.1 Problems and Requirements . . . . . . . . . . . . . . . . . 107 5.5.2 Variations . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 5.5.3 Application Strategies . . . . . . . . . . . . . . . . . . . . 121 5.6 Realization of the Approach . . . . . . . . . . . . . . . . . . . . . 122 5.6.1 Objective Functions . . . . . . . . . . . . . . . . . . . . . 122 5.6.2 Individual Representation . . . . . . . . . . . . . . . . . . 123 5.7 Automated Design Creation For A Building . . . . . . . . . . . . 124 5.7.1 Room Spanning Control . . . . . . . . . . . . . . . . . . . 124 5.7.2 Flexible Rooms . . . . . . . . . . . . . . . . . . . . . . . . 125 5.7.3 Technology Spanning Designs . . . . . . . . . . . . . . . . 129 5.7.4 Preferences for Mapping of Function Blocks to Devices . . 132 5.8 Further Uses and Applicability of the Approach . . . . . . . . . . 133 5.9 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 6 Validation and Performance Analysis 137 6.1 Validation Method . . . . . . . . . . . . . . . . . . . . . . . . . . 137 6.2 Performance Metrics . . . . . . . . . . . . . . . . . . . . . . . . . 137 6.3 Example Abstract Designs and Performance Tests . . . . . . . . 139 6.3.1 Criteria for Choosing Example Abstract Designs . . . . . 139 6.3.2 Example Abstract Designs . . . . . . . . . . . . . . . . . . 140 6.3.3 Performance Tests . . . . . . . . . . . . . . . . . . . . . . 142 6.3.4 Population Size P - Analysis . . . . . . . . . . . . . . . . 151 6.3.5 Cross-Over Probability pC - Analysis . . . . . . . . . . . 157 6.3.6 Mutation Probability pM - Analysis . . . . . . . . . . . . 162 6.3.7 Discussion for Optimization Results and Example Designs 168 6.3.8 Resource Consumption . . . . . . . . . . . . . . . . . . . . 171 6.3.9 Parallelism . . . . . . . . . . . . . . . . . . . . . . . . . . 172 6.4 Optimization Framework . . . . . . . . . . . . . . . . . . . . . . . 172 6.5 Framework Design . . . . . . . . . . . . . . . . . . . . . . . . . . 174 6.5.1 Components and Interfaces . . . . . . . . . . . . . . . . . 174 6.5.2 Workflow Model . . . . . . . . . . . . . . . . . . . . . . . 177 6.5.3 Optimization Control By Graphical User Interface . . . . 180 6.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183 7 Conclusions 185 A Appendix of Designs 189 Bibliography 201 Index 211