06.11.2013 Aufrufe

Schwarmintelligenz und evolutionäre Algorithmen in ...

Schwarmintelligenz und evolutionäre Algorithmen in ...

Schwarmintelligenz und evolutionäre Algorithmen in ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Erfolgreiche ePaper selbst erstellen

Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.

3 <strong>Schwarm<strong>in</strong>telligenz</strong> <strong>und</strong> <strong>evolutionäre</strong> <strong>Algorithmen</strong><br />

Selektiere Eltern<br />

Eltern<br />

Initialisierung<br />

Rekomb<strong>in</strong>ation<br />

Population<br />

Mutation<br />

Abbruchbed<strong>in</strong>gung erfüllt<br />

Selektiere Überlebende<br />

Nachkommen<br />

Abbildung 3.1: Das allgeme<strong>in</strong>e Schema e<strong>in</strong>es <strong>evolutionäre</strong>n Algorithmus<br />

mit |P| als Anzahl aller Individuen <strong>in</strong> der Population.<br />

Die Fitness f (die Güte e<strong>in</strong>er Lösung) wird durch die momentane Position des Individuum <strong>in</strong><br />

der Landschaft bestimmt <strong>und</strong> gibt damit wieder, wie gut sich dieses Individuum mit se<strong>in</strong>en<br />

Eigenschaften auf dieser Stelle der Landschaft verhält. Wenn die Fitness hoch ist, d.h. das<br />

Individuum gut an die momentane Position angepasst ist, steigt die Chance des Überlebens<br />

<strong>und</strong> der damit verb<strong>und</strong>enen Weitergabe der eigenen Eigenschaften <strong>in</strong> die nächste Generation.<br />

Wenn dies nicht der Fall ist, wird das Individuum mit hoher Wahrsche<strong>in</strong>lichkeit dem <strong>evolutionäre</strong>n<br />

Druck nicht standhalten können <strong>und</strong> se<strong>in</strong>e (negativen) Merkmale werden aus der<br />

Population entfernt.<br />

Die zufällig generierten Individuen/Lösungen e<strong>in</strong>es <strong>evolutionäre</strong>n Algorithmus durchlaufen<br />

Rekomb<strong>in</strong>ation, Mutation <strong>und</strong> Selektion <strong>in</strong> jeder Generation bzw. Iteration des Algorithmus<br />

<strong>und</strong> werden anschließend durch die problemspezifische Fitnessfunktion bewertet. Die Repräsentation<br />

e<strong>in</strong>er Lösung wird vom zugr<strong>und</strong>e liegenden Problem bestimmt. In der Regel formuliert<br />

man e<strong>in</strong>e Lösung als reellen oder b<strong>in</strong>ären Vektor, der die Problemstellung erfüllt, unabhängig<br />

der Qualität dieser Lösung. Der biologischen Begriffe Chromosom <strong>und</strong> Gen werden<br />

häufig synonym für diesen Vektor <strong>und</strong> die Elemente des Vektors verwendet. In Abbildung 3.1<br />

wird das allgeme<strong>in</strong>e Schema e<strong>in</strong>es <strong>evolutionäre</strong>n Algorithmus dargestellt. E<strong>in</strong> <strong>evolutionäre</strong>r<br />

Algorithmus durchläuft folgende Schritte:<br />

• Rekomb<strong>in</strong>ation<br />

Bei der Rekomb<strong>in</strong>ation (auch crossover) werden die Chromosome der beiden Elternpaare<br />

zu e<strong>in</strong>em neuen Chromosom komb<strong>in</strong>iert. Dabei werden Eigenschaften beider Eltern<br />

<strong>in</strong> die K<strong>in</strong>dgeneration weitergegeben mit dem Ziel, dass sich daraus e<strong>in</strong>e Lösung, die<br />

e<strong>in</strong>e m<strong>in</strong>destens genauso gute Qualität wie ihre Eltern hat. Die Position, an der die<br />

24

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!