Schwarmintelligenz und evolutionäre Algorithmen in ...

3 Schwarmintelligenz und evolutionäre Algorithmen
55
50
45
40
0
5
10
15
0 1 2 3 4 5 6 7 8 9
Abbildung 3.2: Beispiel für eine aus einer Fitnessfunktion mit zwei Merkmalen ergebenden
Fitnesslandschaft. Für ein Maximierungsproblem spiegeln die hohen Positionen
eine hohe Fitness wieder, niedrige Positionen eine schlechtere Fitness. Es
können mehrere lokale Optima auftreten (multimodale Landschaft).
und Owens Evolutionary Programming (EP) vorgeschlagen, während Holland seine Variante
Genetic Algorithm (GA) genannt hat. In Deutschland haben Rechenberg und Schwefel unter
den Namen Evolutionary Strategies (ES) erste Forschungen auf diesem Gebiet betrieben. In den
1990er hat Koza mit Genetic Programming (GP) eine weitere Variante vorgeschlagen.
Allen Varianten liegt die gleiche evolutionäre Idee zugrunde, während sie sich in den Details
und Einsatzgebieten sehr voneinander unterscheiden. Dabei ist es vom eigentlichen Problem
und dessen Ausprägung abhängig, welche Variante sich am besten zur Lösung anbietet. Die
Tabellen 3.1 und 3.2 geben eine Übersicht über die vier großen Varianten der evolutionären
Algorithmen und deren typische Anwendungsfälle.
Schwarmintelligenz Die Bildung von Gruppen und Teams in der Tierwelt ist ein häufig
beobachtetes Verhalten [3], z.B. in Vogel-, Fisch- und Bienenschwärmen oder Ameisenkolonien.
Interessant sind vor allem solche Gruppen, die von keinem Führer (Alphatier) geleitet
werden, sondern ein emergentes Verhalten zeigen. Die einzelnen Individuen in solchen Gruppen
haben kein direktes Wissen über ihre Umgebung und das globale Verhalten der eigenen
Gruppe, können sich aber trotzdem gegenseitig finden und zusammen fortbewegen. Dieses
Verhalten basiert auf der lokalen Kommunikation eines Individuum mit seinen direkten
Nachbarn im Schwarm. Auf diese Weise entwickelt der Schwarm Verhaltensweisen wie die
Erkundung der Umgebung, Rückkehr an einen bestimmten Ort oder hütendes Verhalten.
26