Thesis (doctoral)--Universität Karlsruhe, 1999.

Zugl.: Chemnitz, Techn. Univ., Diss., 2009

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.

Ulm, Univ., Diss., 2008.

Univ., Diss.--Augsburg, 2001. / Literaturverz. S. [285] - 311.

Univ., Diss.--Augsburg, 2004.

Chemnitz, Techn. Univ., Diplomarb., 2002.

Diss. Univ. Hohenheim, 2008. / Business and Economics (German Language) (Springer-11775) (GWV).

Diss. Univ. Hohenheim, 2008. / Business and Economics (German Language) (Springer-11775) (GWV).

Diese Diplomarbeit beschäftigt sich mit der Entwicklung von Teststrukturen zur Charakterisierung von Mikrosystemen auf Waferebene. Sie dienen zur Bestimmung von Prozesstoleranzen. Ziel dieser Arbeit ist es, einen Algorithmus zu entwickeln, mit dem Teststrukturen optimiert werden können. Dazu wird ein Ansatz zur Optimierung von Teststrukturen mittels eines Genetischen Algorithmus untersucht. Grundlage für diesen ist eine Bewertung der Strukturen hinsichtlich der Sensitivität gegenüber den Fertigungsparametern und der Messbarkeit der Eigenmoden. Dem Leser wird zuerst ein Einblick in das Themengebiet und in die Verwendung von Teststrukturen gegeben. Es folgen Grundlagen zur Fertigung und Messung von Mikrosystemen, zur Parameteridentifikation, sowie zu Optimierungsalgorithmen. Anschließend wird ein Bewertungs- und Optimierungskonzept, sowie eine Softwareimplementation für die sich aus der Optmierung ergebenden Aufgaben, vorgestellt. Unter anderem eine Eigenmodenerkennung mittels Neuronalem Netz und einer auf der Vandermond’schen Matrix basierende Datenregression. Die Ergebnisse aus der Umsetzung durch ein Testframework werden abschließend erläutert. Es wird gezeigt, dass die Optimierung von Teststrukturen mittels Genetischem Algorithmus möglich ist. Die dargestellte Bewertung liefert für die untersuchten Teststrukturen nachvollziehbare Resultate. Sie ist in der vorliegenden Form allerdings auf Grund zu grober Differenzierung nicht für den Genetischen Algorithmus geeignet. Entsprechende Verbesserungsmöglichkeiten werden gegeben. / This diploma thesis deals with the development of test-structures for the characterization of microsystems on wafer level. Test-structures are used for the determination of geometrical parameters and material properties deviations which are influenced by microsystem fabrication prozesses. The aim of this work is to establish principles for the optimization of the test-structures. A genetic algorithm as an approach for optimization is investigated in detail. The reader will get an insight in the topic and the application of test-structures. Fundamentals of fabrication and measurement methods of microsystems, the parameter identification procedure and algorithms for optimization follow. The procedures and a corresponding software implementation of some applied issues, which are needed for the optimization of test structures, are presented. Among them are neural network algorithms for mode identification and a data regression algorithm, based on Vandermonde Matrix. Results of implemented software algorithms and an outlook conclude this work. It is shown, that the optimization of test-structure using a genetic algorithm is possible. An automated parameter variation procedure and the extraction of important test-structures parameters like sensitivity and mode order are working properly. However, the presented evaluation is not suitable for the genetic algorithm in the presented form. Hence, improvements of evaluation procedure are suggested.