Schwarmintelligenz und evolutionäre Algorithmen in ...

4 Recommender mit Schwarmintelligenz und evolutionären Algorithmen
Rekombination erstellt (Wahrscheinlichkeit 1.0) und anschließend mit einer Wahrscheinlichkeit
von 0.03 (pro Gen) einer Mutation unterzogen. Für die Rekombination wird ein one-point
crossover Ansatz verwendet. Bei der Mutation wird jedes Gene mit der oben angegebenen
Wahrscheinlichkeit negiert (bit-flip). Die Wahl der Wahrscheinlichkeiten für Crossover und
Mutation wird im nachfolgenden Abschnitt genauer untersucht.
Jedes Gen eines 22-stelligen Chromosom wird durch eine 8-bit Darstellung repräsentiert. Jedes
Gen kann einen dezimalen Wert von 0 bis 255 annehmen.
4.6.2 Vorgeschlagene Erweiterungen
Mutations- und Rekombinationswahrscheinlichkeit Wenn eine neue Lösung erzeugt wird,
verwenden Ujjin et al. [74] den Rekombinationsoperator zu 100% und die Mutation eines einzelnen
Gens in 3% aller Fälle. Ob die letztere Entscheidung richtig ist, oder ob ein höherer
Wert die Empfehlungsqualität verbessern könnte, soll untersucht werden. Da die Fitnesslandschaft
vermutlich stark multimodal ist, wird vermutet, dass eine höhere Mutationswahrscheinlichkeit
helfen könnte, aus lokalen Optima auszubrechen und die lokale Exploitation
breiter zu gestalten.
Fitness Sharing und Crowding In einer multimodalen Fitnesslandschaft existieren viele
Punkte, die eine höhere Fitness besitzen als alle anderen benachbarten Punkte, jedoch nicht
dem globalen Maximum entsprechen. In den Bereichen zwischen diesen Punkten kann man
durch Trennlinien Täler mit unterschiedlicher Anziehungskraft (basins of attraction) beschreiben,
welche Lösungen, die auf der einen Seite liegen, zum Optimum auf dieser Seite wandern
lassen. Die dadurch entstehenden lokalen, nicht direkt miteinander verbundenen Optima
nennt man, motiviert durch den biologischen/evolutionären Hintergrund, Nischen. Für ein
Beispiel siehe auch Abbildung 4.3. Es ist möglich, dass sich eine Population in einer nicht global
optimalen Region festsetzt und diese nicht durch Rekombination und Mutation verlassen
kann, da sie es nicht schafft, die eigene Nische zu verlassen und das Tal der unterschiedlichen
Anziehungskraft zu überwinden.
Wenn für ein gegebenes Problem eine multimodale Fitnesslandschaft vorliegt, kann man das
beschriebene Verhalten vermeiden bzw. vermindern, indem man verschiedene implizite oder
explizite Ansätze verwendet. Implizite Ansätze erzwingen kein entsprechendes Verhalten,
das die Vielfältigkeit der Lösungen (also eine weitreichende Ausbreitung in der Fitnesslandschaft)
garantiert. Explizite Ansätze nehmen dagegen Veränderungen vor, die die Population
zwingen, sich in der Fitnesslandschaft auszubreiten. Implizite Methoden werden hier nicht
verwendet, für eine Übersicht siehe Eiben et al. [22]. Bei expliziten Methoden sind zwei Varianten
bekannt, die hier untersucht werden: Crowding und Fitness Sharing.
Fitness Sharing kontrolliert die Anzahl der Individuen innerhalb einer Nische, indem sie vor
den Selektionen die Fitness aller Individuen anpasst. Je fitter eine Nische ist, desto mehr
Individuen werden ihr zugeordnet. Zwischen allen Individuen der Population wird paarweise
der Abstand berechnet (auch der Abstand zu sich selbst) und die Fitness anschließend
54