Heuristiken

Weitere Magazine

Empfehlungen

Info

Im Folgenden wird auf die, in der Praxis bedeutsameren, genetischen Algorithmen eingegangen. 14
Individuen und Population 4.2 Methodenbeschreibung Genetische Algorithmen basieren auf einer parallelen, konkurrierenden Suche nach einer besten Lösung. Sie versuchen aus einer Vielzahl von Lösungen die global optimale herauszufinden. Die einzelnen Lösungen werden Individuen genannt und bilden zusammen eine Population. Es gibt verschiedene Ansätze zur Wahl der besten Populationsgröße. Ein Individuum besitz mehrere Gene. Diese kodieren die Eigenschaften der Lösung bzw. die Variablen des Lösungsvektors. Um zu einer detaillierten Beschreibung der Kodierung genetischer Algorithmen zu gelangen klicken sie bitte hier. Jede Lösung wird hinsichtlich ihrer Lösungsgüte durch einen externen Lösungsalgorithmus ausgewertet und ihr wird ein Fitnesswert zugeordnet. Genetische Operationen Ablaufschema eines genetischen Algorithmus Die besten Individuen einer Population werden mittels eines Selektionsoperators ausgewählt und aus ihnen wird mit den evolutionären Operatoren Rekombination (Kreuzung) und Mutation eine neue Population erzeugt. Durch diese Operatoren entstehen aus einer Population neue Individuen, die eventuell bessere Problemlösungen sind. Wird dieser Prozess mehrfach wiederholt, so verbessern sich die Fitnesswerte der Individuen. Ist ein Abbruchkriterium erreicht, so endet der Iterationsprozess an einer ” besten“ Lösung. Um mehr über genetischen Operationen zu erfahren folgen sie bitte diesem Link. Die Wahl der Evolutionsparameter (z.B. Populationsgröße, Mutationswahrscheinlichkeit) hängt von der Problemstellung und den möglichen genetischen Operatoren ab. Wahl der Populationsgröße 4.2.1 Nebenpfad: Populationsgröße Von verschiedenen Autoren wurde versucht, Orientierungshilfen für die Wahl der Populationsgröße N zu geben. Sie wird von GOLDBERG [] in Abhängigkeit von der Länge eines Chromosoms l berechnet zu: N=1,65·2 0,21·l 15
Seite 1 und 2: Inhaltsverzeichnis Heuristiken Mike
Seite 3 und 4: 1 Einleitung 1.1 Heuristiken Heuris
Seite 5 und 6: Schrittweiser Lösungsaufbau 2 Gree
Seite 7 und 8: Semi-Greedy- Heuristiken 2.3 Varian
Seite 9 und 10: 3 Nachbarschaftssuche 3.1 Hill-Clim
Seite 11 und 12: Steuerung untergeordneter Methoden
Seite 13: Genetische Algorithmen Evolutionär
Seite 17 und 18: Stadt Kodierung Stadt Kodierung Sta
Seite 19 und 20: winner bleibt weiter im Turnier und
Seite 21 und 22: 4.3 Methodenbeschreibung Metaevolut
Seite 23 und 24: 4.5 Anwendung Vorteile Die Vorteile
Seite 25 und 26: Anwendungsbeispiele Die Schwerpunkt
Seite 27 und 28: wobei ρ die Verdunstung des Pherom
Seite 29 und 30: Routing- Probleme 5.3 Anwendung Ame
Seite 31 und 32: Eigenschaften von Fitnesslandschaft
Seite 33 und 34: Vorteile von Fitnesslandschaften Na
Seite 35 und 36: 7.2 Reizweiterleitung Reizweiterlei
Seite 37 und 38: Eingabe-, AktivierungsundAusgabefun
Seite 39 und 40: Überwachtes Lernen 7.3.2 Nebenpfad
Seite 41 und 42: Perceptron- Netzwerk Adaline- Netzw
Seite 43 und 44: 7.5 Hopfield-Netz Hopfield-Netz Das
Seite 45 und 46: 7.7 Kohonen-Netze Selbstorganisiere
Seite 47 und 48: Vorteile Neuronaler Netze Nachteile
Seite 49 und 50: Sonstige Anwendungsbereiche Des wei
Seite 51 und 52: tes in Computer Science, Springer 2
Seite 53 und 54: 8.1 Literatur zu Ameisensystemen un
Seite 55 und 56: 1997. Grossberg, S.: Nonlinear neur

Heuristiken

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?