Schwarmintelligenz und evolutionäre Algorithmen in ...

4.6 Genetic Algorithm Recommender (GAREC)
Nische
Basin of Attraction
Abbildung 4.3: Eindimensionale Landschaft mit drei Optima. Das mittlere Optimum mit dem
kleinsten Basins of Attraction ist das globale Optimum, das linke Optimum
weist die größte Nische auf.
je nach Anzahl der Individuen, die innerhalb eines definierten Abstandes liegen, angepasst.
Diese Neuberechnung der Fitness wird wie folgt durchgeführt:
F ′ (i) =
F(i)
∑ j sh(d(i, j))
mit Sharing-Funktion sh und Abstandsmaß d, das je nach Repräsentation gewählt wird. Die
Sharing-Funktion sh wird definiert durch
sh(d) =
{
1 − (
d
σ share
) α f alls d ≤ σ share ,
0 sonst.
α bestimmt die Form der Sharing-Funktion, z.B. für α = 1 ist die Funktion linear, für größere
Werte nimmt die Reduzierung der Fitness mancher Individuen schneller ab.
Bei der Crowding-Methode generieren zwei Eltern Nachkommen per Rekombination und Mutation,
die anschließend evaluiert werden. Diese vier paarweisen Abstände zwischen Eltern
und Kindern werden berechnet. Jedes der Kinder tritt in einem Wettbewerb gegen das Elternteil
an, dem es am ähnlichsten ist. Formell ausgedrückt muss d(p 1 , o 1 ) + d(p 2 , o 2 ) <
d(p 1 , o 2 ) + d(p 2 , o 1 ), mit p als Eltern und o als Kinder, minimiert werden.
Dieses Auswahlverfahren stellt sicher, dass Subpopulationen innerhalb von Nischen bestehen
bleiben, ihre Größe aber nicht abhängig von der Fitness ist. Die Subpopulationen verteilen
sich dabei gleichmäßig auf die bestehenden Nischen, siehe Abbildung 4.4.
Recommendersystem Es wird das gleiche Recommendersystem verwendet wie im vorherigen
Abschnitt, so dass auch hier die gleichen Fragestellungen wie zuvor untersucht werden.
Wenn sich spezielle Unterschiede ergeben, wird gesondert darauf hingewiesen.
55