Heuristiken

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