Schwarmintelligenz und evolutionäre Algorithmen in ...

3 Schwarmintelligenz und evolutionäre Algorithmen
EP
GP
Typisches Optimierung Modellierung
Problem
Typische Problemspezifisch Bäume
Repräsentation
Rolle der Nicht angewandt Primär / einziger
Rekombination
Variationsoperator
Rolle der Der einzige Variations- Sekundär, manchmal
Mutation operator gar nicht eingesetzt
Selektion Jedes Individuum Zufällig, beeinflusst durch
der Eltern erstellt ein Kind Fitness
Selektion Zufällig, beeinflusst durch Zufällig, beeinflusst durch
der neuen Fitness Fitness
Generation
Tabelle 3.2: Übersicht über die EP und GP Dialekte in evolutionären Algorithmen.
Ein ähnliches Modell wurde von Heppner und Grenander [30] vorgeschlagen. Sie erweiterten
das Modell von Reynolds um einen sogenannten “Rooster”, der den anderen Teilnehmer des
Schwarms als Anziehungspunkt dient.
Eine ganze Reihe weiterer Modelle wurde in den nachfolgenden Jahren vorgeschlagen. Das
Verhalten von Fischschwärmen wird Stephens et al. [73] untersucht. Eine Modell für das Verhalten
von Menschenmassen bespricht Saiwak et al. [64]. Das Modell von Crepinsek et al. [19]
modelliert das Verhalten der Teilnehmer bei der Wahl der Nachbarn und der Richtungsangleichung.
Das Modell, das in den späteren Kapiteln eingesetzt wird, ist der Particle Swarm Optimization-Algorithmus
(PSO), vorgeschlagen von Kennedy und Eberhart [21, 36]. Dieses Modell
optimiert beliebige Funktionen. Andere Einsatzgebiete außerhalb der Optimierung, für die
teilweise die obigen Modelle verwendet werden (wie Computerspiele oder Filmanimationen),
sind im PSO Modell nicht vorgesehen.
Particle Swarm Optimization basiert auf dem sozial-psychologischen Modell der sozialen Einflussnahme
und dem sozialen Lernen. Alle Partikel in einem Schwarm verfolgen ein Hauptziel:
Die Nachahmung des Verhaltens der direkten Nachbarn im Schwarm. Wenn alle Partikel
dieses Verhalten befolgen, konvergiert der Schwarm in Richtung des globalen Optimums der
Umgebung.
Das PSO Modell durchlief einige Iterationen, in denen jeweils die Ergebnisse aus anderen
Arbeiten einflossen sowie eigene Verbesserungen und Erweiterungen vorgenommen wurden.
So wurde nach einem anfänglichen Modell, welches nur die Bestimmung der nächsten Nachbarn
und die Angleichung der Richtung implementiert hatte, dass Konzept der “Rooster” von
Heppner und Grenander [30] übernommen, um den ganzen Schwarm auf die lokalen und
globalen Optima der Nachbarn und des Schwarms selbst zu leiten. Der bis dahin verwendete
28