Schwarmintelligenz und evolutionäre Algorithmen in ...

eiden Chromosome gekreuzt werden, wird problemspezifisch bestimmt. Es existieren
verschiedene Ansätze für die Umsetzung der Kreuzung, für eine nähere Untersuchung
siehe Eiben et al. [22]. Die Rekombination von Individuen führt zur weitläufigen Erkundung
der Fitnesslandschaft, da das Ergebnis einer Kreuzung an einer ganz anderen
Stelle der Landschaft als dessen Eltern liegen kann. In der Literatur spricht man hier
auch von Exploration.
• Mutation
Die zufällige Mutation eines Chromosoms bzw. eines Gens liefert ein leicht verändertes
Individuum zurück, dessen Fitness sich dadurch nicht zwingend verbessert, aber
durch die stochastische Komponente der Mutation wird “frisches Blut” in die Population
eingefügt [22]. Mutation verändert das Individuum zwar nur in einem kleinen
Rahmen, diese Veränderung kann aber häufig dazu führen, dass die direkte Nachbarschaft
der Fitnesslandschaft genauer untersucht wird und dadurch vielleicht das lokale
(und eventuell das globale) Optimum gefunden wird. In der Literatur spricht man auch
von Exploitation.
• Selektion
Die Selektion kommt in zwei Varianten zu verschiedenen Zeiten im Ablauf des Algorithmus
vor. Zum einen werden die Individuen bestimmt, die per Rekombination neue
Nachkommen generieren dürfen. Die Wahl dieser Paare ist von der jeweiligen Ausprägung
des evolutionären Systems und des zugrunde liegenden Problems abhängig. Es
können beispielsweise werden nur die besten 50% einer Generation zur Rekombination
verwendet werden.
Zum anderen findet nach Rekombination und Mutation eine Auswahl statt, welche Individuen
aus der Menge der Eltern und Kinder in die nächste Generation übernommen
werden. Verschiedene Modelle sind möglich, es können beispielsweise nur die Nachkommen
oder eine Kombination aus Eltern und Nachkommen übernommen werden.
Die Fitnessfunktion bestimmt die Güte einer Lösung. Sie stellt eine Vorgabe dar, in welche
Richtung sich eine Population entwickeln soll und definiert, was eine Verbesserung der Fitness
bedeutet und leitet damit den evolutionären Vorgang. Aus der Sicht der Problemlösung
definiert sie das eigentliche Problem und der evolutionäre Algorithmus liefert mögliche Lösungen.
Die beste dieser Lösungen wird gesucht.
Die Fitnessfunktion und die von ihr definierte Fitnesslandschaft ist für zwei Merkmale (oder
Gene) in Abbildung 3.2 dargestellt. Die Höhe dieser Landschaft spiegelt die Fitness wieder:
Eine hohe Position bedeutet eine hohe Fitness, tiefer liegende Positionen bedeuten niedrige
Fitness (im Falle eines Maximierungsproblems).
Eine detaillierte Beschreibung des Genetischen Algorithmus, eine Variante der evolutionären
Algorithmen, folgt in Abschnitt 3.1. Dieses Verfahren findet danach in Kapitel 4.6 Einsatz in
einem Recommendersystem.
Überblick evolutionäre Algorithmen In der Vergangenheit haben sich verschiedene Varianten
von evolutionäre Algorithmen entwickelt. In den USA der 1960er haben Fogel, Walsh
25