Heuristiken
Heuristiken
Heuristiken
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
ein Maß dafür, welche Chance Individuen mit schlechteren Fitnesswerten haben,<br />
in die nächste Generation übernommen zu werden.<br />
Bei Problemen mit wenigen lokalen Optima ist es oft günstiger einen höheren<br />
Selektionsdruck zu wählen. Gibt es sehr viele lokale Optima im Lösungsraum, so<br />
wird ein niedrigerer Selektionsdruck bevorzugt. Im folgenden werden die wichtigsten<br />
Selektionsmethoden kurz erläutert:<br />
Die Fitnessproportionale Selektion weist anschaulich jedem Individuum ein<br />
Segment eines Rouletterades zu. Die Größe des Segmentes ist proportional zu<br />
seinem Fitnesswert. Das Individuum, auf dessen Segment das Rouletterad stehen<br />
bleibt, wird in eine Elternpopulation übernommen. Ein Nachteil dieser<br />
Methode ist jedoch, dass bei einer niedrigen Fitnessvarianz jedes Individuum<br />
nahezu die gleiche Überlebenschance hat. Also können besser angepasste Individuen<br />
nicht mehr Nachkommen erzeugen, als schlechter angepasste. Um dieses<br />
Problem zu lösen wird bei der Fitnessreduktion der Fitnesswert jedes Individuums<br />
um einen bestimmten Anteil des am schlechtesten angepassten Individuums<br />
erniedrigt. Hierdurch erzeugen besser angepasste Individuen auch mehr Nachkommen.<br />
Bei der Sigmaskalierung wird die Größe des Segmentabschnittes beim Rouletterad<br />
als eine Funktion des Fitnesswertes des einzelnen Individuums, des Populationsdurchschnittes<br />
und der Populationsstandardabweichung berechnet. Die<br />
Sigmaskalierung verhält sich ähnlich der fitnessproportionalen Selektion mit einer<br />
Fitnessreduktion von 90%. Bei der Boltzmann-Selektion wird das Roulettesegment<br />
für gut angepasste Individuen überproportional erhöht. Die Verfahren<br />
der Fitnessproportionalen Selektion haben den entscheidenden Nachteil, dass<br />
der genetische Algorithmus sich nach der anfänglichen, zufälligen Auswahl einer<br />
Population schnell auf wenige lokale Optima konzentriert, die untersucht<br />
werden. Außerdem ist die absolute Bewertung der Fitness eines Individuums<br />
gegenüber anderen in vielen Fällen der Problemstellung nicht adäquat.<br />
Bei der rangbasierten Selektion ist die Größe des Segmentes proportional<br />
zum Rang, den das Individuum in der nach Fitnesswerten sortierten Population<br />
einnimmt. Dies vermeidet den Nachteil absoluter Fitnessbewertungen und verhindert<br />
eine schnelle Konvergenz des Algorithmus. Hierfür müssen jedoch zum<br />
Teil längere Rechenzeiten in Kauf genommen werden.<br />
Die Turnierselektion erzeugt einen ähnlichen Selektionsdruck wie die rangbasierte<br />
Selektion, ist jedoch recheneffizienter. Es werden zwei Individuen zufällig<br />
aus der Population ausgewählt, diese kämpfen miteinander und der Verlierer<br />
(mit dem schlechteren Fitnesswert) wird in einem Stapel gespeichert. Der Ge-<br />
18