PDF complete version (5 MB) - ETH - LUE - ETH Zürich

Stand des Wissens 13
1 0 1 0 1 1
1 0 1 0 1 0
Abbildung 2-9
Mutation an Position sechs.
Die Nachkommen sind nun vorhanden. Jetzt müssen noch die schlechten Lösungen
ausgewählt und ersetzt werden. Auch bei dieser Selektion wird abhängig von der
Fitness die Wahrscheinlichkeit des Ausscheidens zugewiesen. Dabei erhalten
Lösungen mit schlechter Fitness eine hohe Wahrscheinlichkeit.
Die Optimierung mit Genetic Algorithms wird nach einer bestimmten Zahl an
Generationen abgebrochen.
Die folgende Abbildung fasst den Kreislauf eines Genetic Algorithm zusammen:
1 0 1 0 0 1
1 0 1 0 1 1
Population
0 1 1 0 1
N 1 Lösungen
0 1 0 0 1
1 1 1 0 0 1
0 0 1 0 0 0
Iteration
m + 1
WENN m+1 < z
DANN weitermachen
SONST stop
Selektion der
ausscheidenden k
Lösungen
p(x )
i
=
g(F(x ))
i
1 0 1 0 0 1
1 0 1 0 1 1
Population
0 1 1 0 1
N 1 Lösungen
0 1 0 0 1
1 1 1 0 0 1
0 0 1 0 0 0
Selektion der Eltern
nach Fitness F
p =
N
∑
j=
1
F(x ) − F
i
(F(x ) − F
j
min
min
)
Mutation
Postition zufällig
0 1 1 0 0 1
1 0 1 0 1 0
k „Kinder“
„Eltern“
0 1 1 0 1 1
1 0 1 0 0 1
Crossing over
Position zufällig
0 1 1 0 0 1
1 0 1 0 1 1
Abbildung 2-10 Beispiel eines Zyklus bei einem Genetic Algorithm.
2.2 Strategien im Risikomanagement
Die Optimierung mit heuristischen Suchmethoden wird mit dem Ziel
vorgenommen, eine Strategie zur Risikominimierung zu erhalten. Welchen
Aspekten muss die Strategie gerecht werden und mit welchen Kennzahlen wird
dies gemessen? Messbarkeit ist Voraussetzung für die Lösung des Problemes durch
eine Suchmethode.