Evolutionäre Algorithmen übertragen den natürlich-biologischen Evolutionsprozess auf die Lösung mathematischer, techn(olog)ischer oder ökonomischer Optimierungsprobleme aus Forschung, Industrie und Wirtschaft. Die als Vorbild dienenden Prinzipien und Mechanismen werden jedoch nicht direkt kopiert, sondern lediglich ihre Wirkungen abstrakt imitiert sowie algorithmisch implementiert, um dann für die jeweilige Aufgabenstellung immer bessere Individuen mittels Computer im Zeitraffer heranzuzüchten und schließlich (fast-)optimale Lösungspunkte aufzufinden. Dabei bedarf es keiner expliziten Richtungsinformation oder sonstiger Wegweiser, um die Züchtung bzw. Suche zielgerichtet zu dirigieren und dann erfolgreich zu konvergieren. Sukzessive orientieren sich Evolutionäre Algorithmen allein anhand von Lösungspunkt-Zielfunktionswert-Paaren, also am Erfolg oder Misserfolg bereits durchgeführter Suchschritte. Aufgrund dieser konzeptuellen Anspruchslosigkeit haben sie dem Selektionsdruck der Praxis standgehalten, viele Anwendungsgebiete erobert und sich als universell einsetzbare Lösungsverfahren / Optimierungswerkzeuge etabliert. Das für diese Dissertation entwickelte und hier eingehend dokumentierte Chemnitzer hybrid-evolutionäre Optimierungssystem CHEOPS ist konzipiert als leistungsstarker, universeller, anpassungsfähiger und erweiterbarer Evolutionärer Algorithmus zur statischen Parameteroptimierung deterministischer Probleme. Als numerischer Benchmark zur empirischen Beurteilung von Erfolgswahrscheinlichkeit und Fortschrittsgeschwindigkeit ist außerdem eine ausgewogene Schar schwierig zu optimierender mathematischer Testfunktionen zusammengestellt. Dabei sind sie bewusst so konstruiert, dass sie derartige charakteristische Merkmale besitzen, die auch bei praxisrelevanten Optimierungsproblemen oft vorliegen oder zu erwarten sind. Verschiedene topologische Funktionseigenschaften haben tatsächliche oder auch nur vermeintliche Schwierigkeiten bei der Optimierung besonders verdeutlicht. CHEOPS beinhaltet eine Vielzahl an Werkzeugen und Funktion(alität)en, wird aber weiterentwickelt hinsichtlich mehrkriterieller Optimierung sowie hybrider Optimierung als Themengebiete für zukünftige Herausforderungen.

Evolutionäre Algorithmen übertragen den natürlich-biologischen Evolutionsprozess auf die Lösung mathematischer, techn(olog)ischer oder ökonomischer Optimierungsprobleme aus Forschung, Industrie und Wirtschaft. Die als Vorbild dienenden Prinzipien und Mechanismen werden jedoch nicht direkt kopiert, sondern lediglich ihre Wirkungen abstrakt imitiert sowie algorithmisch implementiert, um dann für die jeweilige Aufgabenstellung immer bessere Individuen mittels Computer im Zeitraffer heranzuzüchten und schließlich (fast-)optimale Lösungspunkte aufzufinden. Dabei bedarf es keiner expliziten Richtungsinformation oder sonstiger Wegweiser, um die Züchtung bzw. Suche zielgerichtet zu dirigieren und dann erfolgreich zu konvergieren. Sukzessive orientieren sich Evolutionäre Algorithmen allein anhand von Lösungspunkt-Zielfunktionswert-Paaren, also am Erfolg oder Misserfolg bereits durchgeführter Suchschritte. Aufgrund dieser konzeptuellen Anspruchslosigkeit haben sie dem Selektionsdruck der Praxis standgehalten, viele Anwendungsgebiete erobert und sich als universell einsetzbare Lösungsverfahren / Optimierungswerkzeuge etabliert. Das für diese Dissertation entwickelte und hier eingehend dokumentierte Chemnitzer hybrid-evolutionäre Optimierungssystem CHEOPS ist konzipiert als leistungsstarker, universeller, anpassungsfähiger und erweiterbarer Evolutionärer Algorithmus zur statischen Parameteroptimierung deterministischer Probleme. Als numerischer Benchmark zur empirischen Beurteilung von Erfolgswahrscheinlichkeit und Fortschrittsgeschwindigkeit ist außerdem eine ausgewogene Schar schwierig zu optimierender mathematischer Testfunktionen zusammengestellt. Dabei sind sie bewusst so konstruiert, dass sie derartige charakteristische Merkmale besitzen, die auch bei praxisrelevanten Optimierungsproblemen oft vorliegen oder zu erwarten sind. Verschiedene topologische Funktionseigenschaften haben tatsächliche oder auch nur vermeintliche Schwierigkeiten bei der Optimierung besonders verdeutlicht. CHEOPS beinhaltet eine Vielzahl an Werkzeugen und Funktion(alität)en, wird aber weiterentwickelt hinsichtlich mehrkriterieller Optimierung sowie hybrider Optimierung als Themengebiete für zukünftige Herausforderungen.

Aufgrund von steigenden Energiekosten und einer sukzessive steigenden öffentlichen sowie politischen Forderung nach Umweltbewusstsein und Nachhaltigkeit, ist die Effizienzsteigerung von Gesamtsystemen einer der treibenden Kräfte für innovative, technologische Neuheiten geworden. Besonders bei der Entwicklung von verbrennungsmotorisch angetriebenen Fahrzeugen wurden z.B. durch die Hybridisierung von Antriebssträngen, die die Rekuperation von kinetischer Energie ermöglichen, Technologien zur Energieeinsparung etabliert. Da bei Verbrennungsmotoren ein hoher Anteil der im Kraftstoff gespeicherten Energie technologiebedingt als Abwärme im Abgas verloren geht, bietet die Wärmerekuperation ein weiteres hohes Potential für weitere Einsparungen. Diese ist z.B. mit Hilfe von thermoelektrischen Generatoren (TEG) möglich, die einen Wärmestrom direkt in elektrische Energie umwandeln. Zur effizienten TEG-Systemgestaltung ist ein hoher Temperaturgradient über dem thermoelektrisch aktivem Material notwendig, der wiederum zu kritischen thermomechanischen Spannungen im Bauteil führen kann. Diese werden zum einen durch die unterschiedlichen Temperaturausdehnungskoeffizienten der verschiedenen Materialien und zum anderen durch die mechanische Anbindung auf der heißen und kalten Seite des TEG verursacht. Somit liegt ein Zielkonflikt zwischen dem thermoelektrischen Systemwirkungsgrad und der mechanischen Festigkeit des Bauteils vor. In dieser Arbeit wird mit Hilfe einer mehrkriteriellen Parameteroptimierung eines vollparametrisierten FE-Modells des TEG in ANSYS WORKBENCH eine Methode vorgestellt, den thermoelektrischen Wirkungsgrad bei gleichzeitiger Reduktion der thermomechanischen Spannungen zu optimieren. Zur Optimierung kommt dabei ein genetischer Algorithmus der MATLAB GLOBAL OPTIMIZATION TOOLBOX zum Einsatz. Der Modellaufbau wird in ANSYS WORKBENCH mit der Makro-Programmiersprache JSCRIPT realisiert. Als Ziel- und Bewertungsfunktionen wird die mechanische Belastung jedes Bauteils im TEG ausgewertet und dessen elektrische Leistungsdichte berechnet. Die Ergebnisse zeigen, dass mit Hilfe der vorgestellten Methodik eine paretooptimale Lösung gefunden werden kann, die den gestellten Anforderungen entspricht.

Aufgrund von steigenden Energiekosten und einer sukzessive steigenden öffentlichen sowie politischen Forderung nach Umweltbewusstsein und Nachhaltigkeit, ist die Effizienzsteigerung von Gesamtsystemen einer der treibenden Kräfte für innovative, technologische Neuheiten geworden. Besonders bei der Entwicklung von verbrennungsmotorisch angetriebenen Fahrzeugen wurden z.B. durch die Hybridisierung von Antriebssträngen, die die Rekuperation von kinetischer Energie ermöglichen, Technologien zur Energieeinsparung etabliert. Da bei Verbrennungsmotoren ein hoher Anteil der im Kraftstoff gespeicherten Energie technologiebedingt als Abwärme im Abgas verloren geht, bietet die Wärmerekuperation ein weiteres hohes Potential für weitere Einsparungen. Diese ist z.B. mit Hilfe von thermoelektrischen Generatoren (TEG) möglich, die einen Wärmestrom direkt in elektrische Energie umwandeln. Zur effizienten TEG-Systemgestaltung ist ein hoher Temperaturgradient über dem thermoelektrisch aktivem Material notwendig, der wiederum zu kritischen thermomechanischen Spannungen im Bauteil führen kann. Diese werden zum einen durch die unterschiedlichen Temperaturausdehnungskoeffizienten der verschiedenen Materialien und zum anderen durch die mechanische Anbindung auf der heißen und kalten Seite des TEG verursacht. Somit liegt ein Zielkonflikt zwischen dem thermoelektrischen Systemwirkungsgrad und der mechanischen Festigkeit des Bauteils vor. In dieser Arbeit wird mit Hilfe einer mehrkriteriellen Parameteroptimierung eines vollparametrisierten FE-Modells des TEG in ANSYS WORKBENCH eine Methode vorgestellt, den thermoelektrischen Wirkungsgrad bei gleichzeitiger Reduktion der thermomechanischen Spannungen zu optimieren. Zur Optimierung kommt dabei ein genetischer Algorithmus der MATLAB GLOBAL OPTIMIZATION TOOLBOX zum Einsatz. Der Modellaufbau wird in ANSYS WORKBENCH mit der Makro-Programmiersprache JSCRIPT realisiert. Als Ziel- und Bewertungsfunktionen wird die mechanische Belastung jedes Bauteils im TEG ausgewertet und dessen elektrische Leistungsdichte berechnet. Die Ergebnisse zeigen, dass mit Hilfe der vorgestellten Methodik eine paretooptimale Lösung gefunden werden kann, die den gestellten Anforderungen entspricht.