Schwarmintelligenz und evolutionäre Algorithmen in ...

4 Recommender mit Schwarmintelligenz und evolutionären Algorithmen
Symbol Beschreibung Wert
N 0 Anzahl der Pflanzen zu Beginn 10
iter max Maximale Anzahl Iterationen 500
dim Dimensionen des Problems 22
p max Maximale Anzahl an Pflanzen 30
s max Maximale Anzahl an Samen/Pflanze 3
s min Minimale Anzahl pro Samen/Pflanzen 0
n Nichtlinearer Modulationsindex 3
σ init Initialer Wert der Standardabweichung 25
σ init Finaler Wert der Standardabweichung 0.02
Tabelle 4.1: IWO Standardparameter für den IWOREC-Algorithmus.
Flexibilität bietet, verschiedene Mutationsstrategien in verschiedene Richtungen anzuwenden,
siehe dazu Eiben et al. [22].
4.7 Invasive Weed Optimization Recommender (IWOREC)
Es soll nun ein Recommendersystem vorgestellt werden, dass zur Optimierung der Gewichtsvektoren
eines Benutzers das Invasive Weed Optimization-Verfahren verwendet [69], welches in
Abschnitt 3.3 beschrieben wird. Es wird wieder das bekannte Recommendersystem aus Abschnitt
4.5.1 eingesetzt.
4.7.1 Beschreibung des Verfahrens
Um die bisher vorgestellten Optimierungsverfahren PSO, GA und die GA-Variante mit EStypischer
Mutation im Kontext eines Recommendersystems besser vergleichen zu können,
wird dieses dritte, alternative Optimierungsverfahren implementiert. Es zeigt eine große Ähnlichkeit
mit einem klassischen genetischen Algorithmus, unterscheidet sich aber in den Details
deutlich. Siehe dazu auch die Besprechung in Abschnitt 6.2.
Details zum verwendeten IWO Das IWO Verfahren ist ein relativ neues und im Detail
bisher bei weitem nicht so intensiv untersuchtes Verfahren wie zum Beispiel Particle Swarm
Optimization oder evolutionäre Algorithmen. Daher werden keine Erweiterungen der Standardmethoden
besprochen und untersucht, wie es bei den bisherigen Methoden der Fall war.
Untersucht werden dennoch die einzelnen Parameter, die einen großen Einfluss auf die Leistung
des Algorithmus haben, auf das globale Optimum zu konvergieren.
In Tabelle 4.1 werden die Parameter aufgeführt, die als Ausgangswerte für die Untersuchung
verwendet werden. Sie gleichen im Prinzip denen in Tabelle 3.5, sind jedoch auf die Problemstellung
des Recommendersystems angepasst bzw. auf den verwendeten Datensatz und
deren Wertebereiche.
58