Schwarmintelligenz und evolutionäre Algorithmen in ...

3.1 Genetischer Algorithmus
0 0 0 0 1 1 0 0
0 0 0 0 0 0 0 0
1 0 1 0 0 0 1 1
1 0 1 0 1 1 1 1
Abbildung 3.8: N-Point Crossover
0 0 0 0 1 1 0 0
0 0 1 0 0 0 0 1
1 0 1 0 0 0 1 1
1 0 0 0 1 1 1 0
Abbildung 3.9: Uniform Crossover
keit an Operatoren, die je nach Problemstellung gewählt werden müssen. Für eine genaue
Darstellung siehe Eiben et al. [22].
Populationsmodelle Nach Rekombination und Mutation muss entschieden werden, welche
Individuen in die nächste Generation übernommen werden. Zwei Modelle können hier
genannt werden: Entweder wird die gesamte Elternpopulation µ durch die gesamte Kindpopulation
λ ersetzt (generational model), oder es wird nur ein Teil der Eltern durch neue
Kinder ersetzt (steady-state)-Modell. Dabei ist die Anzahl der zu ersetzenden Eltern variabel
und muss problemspezifisch entschieden werden, jedoch hat sich durch das erste steady-state-
Modell GENITOR ein Wert von λ = 1 in vielen Anwendungen durchgesetzt, es wird also
immer nur ein neues Kind in die Elternpopulation eingefügt.
Selektion An zwei Stellen im Ablauf eines evolutionären Algorithmus muss aus den Individuen
der Population eine Auswahl getroffen werden: Zum einen muss entschieden werden,
welche Individuen in die nächste Generation übernommen werden, zum anderen welche Individuen
für die Rekombination in Frage kommen. Beide Entscheidungen hängen nur von
der jeweiligen Fitness ab. Je besser die Fitness, desto höher ist die Wahrscheinlichkeit ausgewählt
zu werden.
Eine Möglichkeit ist die fitness proportional selection (FPS), bei der die Individuen gemäß ihrer
absoluten Fitness in der Population gemessen werden. Die Wahrscheinlichkeit P i als Elternteil
ausgewählt zu werden liegt für Individuum f i bei
P i =
f i
∑ µ j=1 f j
Dieses Verfahren hat jedoch Nachteile. Entweder können sehr fitte Ausreißer die Population
sehr schnell übernehmen (premature convergence), da sie fast immer gewählt werden, oder es
33