Schwarmintelligenz und evolutionäre Algorithmen in ...

3 Schwarmintelligenz und evolutionäre
Algorithmen
Schwarmintelligenz [36] und evolutionäre Algorithmen [22] sind nicht-standard Optimierungsverfahren,
mit deren Hilfe kombinatorische Probleme näherungsweise gelöst werden
können. Beide Verfahren werden durch Vorgänge in der Natur inspiriert; bei Schwarmintelligenz
durch das Verhalten von Schwärmen, Kolonien und anderen kollektiven Gruppierungen,
bei evolutionären Algorithmen durch den Vorgang der biologischen Evolution. Ziel
beider Ansätze ist es, zur Lösung des zugrunde liegenden Problems Methoden aus der Natur
zu abstrahieren und damit Lösungen für die gestellten Probleme zu finden. Die Vorgänge in
der Natur können dabei aus einer höheren Sicht auf einfache Regeln abgebildet werden, die
die jeweiligen Verfahren umsetzen.
Die folgenden Abschnitte beschreiben die verschiedenen Varianten von Schwarmintelligenz
und evolutionären Algorithmen sowie die bisherigen Forschungen auf diesem Gebiet. Anschließend
werden die in dieser Arbeit eingesetzten Verfahren im Detail beschreiben.
Evolutionäre Algorithmen Die biologische Evolution besteht vereinfacht aus drei Vorgängen,
die sich in jeder Generation wiederholen: Rekombination, Mutation und Selektion [22].
Mit diesen drei Vorgehensweisen ist die Natur in der Lage, das Erbgut der Individuen an
die Bedingungen und Lebensumstände in ihrer Umwelt anzupassen. Gut angepasste und
damit erfolgreiche Lebewesen haben so eine größere Chance sich fortzupflanzen und damit
ihre Gene in die nächste Generation weiter zu reichen. Die natürliche Evolution bevorzugt
Individuen, die sich ihrer direkten Umgebung am besten anpassen und im Wettstreit um die
vorhanden Ressourcen als Sieger hervorgehen.
Evolutionäre Algorithmen greifen dies in vereinfachter Art auf und entwickeln ein Modell,
mit dessen Hilfe man komplexe Probleme mit den Methoden der Evolution näherungsweise
lösen kann. Ein solches Modell ist vereinfacht eine Umgebung, in welche zufällig generierte
Individuen platziert werden. Diese Individuen spiegeln in einem evolutionären Algorithmus
die möglichen Lösungen des Problems wieder. Repräsentiert wird jedes Individuum i als
mehrdimensionaler Vektor v i , der für jede Dimension eine Komponente der Lösung des Problems
der Größe n enthält bzw. die Position in der Fitnesslandschaft darstellt:
v i = (k 1 , · · · , k n ).
Die gesamte Population P besteht aus der Menge aller Individuen v i :
P = {v 1 , · · · , v |P| }.
23