Heuristiken
Heuristiken
Heuristiken
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Genetische<br />
Algorithmen<br />
Evolutionäre<br />
Algorithmen<br />
4 Genetische Algorithmen<br />
4.1 Entwicklung<br />
Die den genetischen Algorithmen zugrunde liegenden Ideen stammen aus der<br />
Evolutionslehre von Charles Darwin und der Vererbungslehre von Gregor<br />
Mendel. Darwin erkannte anhand populationsgeographischer Beobachtungen,<br />
dass die Entwicklung der Arten eine Folge von Anpassungs- und Selektionsprozessen<br />
ist. Mendel entdeckte aufgrund seiner Beobachtungen an den Eigenschaften<br />
von Pflanzensamen die grundlegenden Prinzipien der Vererbungslehre.<br />
Die von Mendel und Darwin erkannten Gesetzmäßigkeiten bilden die Grundlage<br />
der modernen Evolutionstheorie, die J. Holland [] benutzte, um Problemlösungsstrategien<br />
für mathematische Modelle zu entwerfen. Holland entwickelte<br />
in den 60er Jahren lernende Systeme, welche nicht nur das Wissen von einzelnen<br />
Objekten berücksichtigen, sondern dieses Wissen auch durch Evolution<br />
über mehrere Generationen weitergeben können.<br />
Genetische Algorithmen gehören, wie auch die neuronalen Netze, zu den Methoden<br />
der naturanalogen Modellierung und Problemlösung. Die Begriffe ” Genetische<br />
Algorithmen“ und ” Evolutionäre Algorithmen“ werden oft synonym<br />
verwendet. Jedoch gehören neben den genetischen Algorithmen auch die<br />
evolutionären Systeme und die genetische Programmierung zur Familie der evolutionären<br />
Algorithmen.<br />
Die evolutionären Systeme wurden in den 1970er Jahren von Ingo Rechenberg<br />
und Hans-Paul Schwefel [] entwickelt. Sie unterscheiden sich von den genetischen<br />
Algorithmen durch die Repräsentation der Individuen als Vektor (anstatt<br />
als Bitstring), sowie durch die Art, wie genetische Operatoren angewendet werden.<br />
Die genetische Programmierung arbeitet mit einer Baumstruktur zur Repräsentation<br />
der Daten und wird zum Design von Schaltkreisen, zur Mustererkennung<br />
und zum Training neuronaler Netze eingesetzt.<br />
Anwendungsbereiche Sowohl genetische Algorithmen, als auch die evolutionäre Programmierung, werden<br />
zur Lösung von Optimierungsproblemen eingesetzt. Genetischen Algorithmen<br />
werden darüber hinaus auch für Suchprobleme und Probleme im Maschinellen<br />
Lernen angewendet.<br />
13