Schwarmintelligenz und evolutionäre Algorithmen in ...

6 Diskussion der Ergebnisse
neu berechnet werden. Dieser Vorteil fällt bei Systemen, die ständigen Änderungen ihrer Daten
unterworfen sind, weg. Dort kann sich eine nicht erfolgte Neuberechnung der Abstände
möglicherweise negativ auf die Vorhersage der Ratings auswirken [1].
Eine weitere Verbesserung ist das Default Voting. Es nimmt für die bisher nicht bewerteten
Items eines Users den Mittelwert der Bewertung aller anderen Benutzer für dieses Item an.
Ein neuer Benutzer, der erst sehr wenige Items bewertet hat, hat nur eine kleine Schnittmenge
an gemeinsamen Items mit anderen Benutzern. Durch die Verwendung des Mittelwerts für
unbekannte Items konnte, durch empirische Tests, eine Verbesserung gezeigt werden [29].
6.2 Diskussion IWO und Vergleich zu GA / ES
Der vorgestellte Invasive Weed Optimization Algorithmus ähnelt in seiner biologischen Motivation
und Idee nur entfernt einem genetischen Algorithmus, jedoch sind die beiden Verfahren
in ihrem zugrunde liegenden mathematischen Modell sehr ähnlich. Im Folgenden soll
ein Vergleich durchgeführt werden, der die Unterschiede und Gemeinsamkeiten der beiden
Verfahren aufzeigt.
Die Initialisierungsphase der beiden Algorithmen ist identisch. Es wird jeweils eine feste Anzahl
an zufälligen Lösungen generiert und entsprechend im Lösungsraum verteilt. Bei der
Wahl der Eltern findet sich erste Unterschied: In einem typischen GA werden die Eltern nach
ihrer Fitness ausgewählt, also nur die fittesten Eltern reproduzieren Nachkommen. Im IWO
produziert jede Pflanze alleine für sich Nachkommen. Es findet daher auch keine Rekombination
zwischen zwei Pflanzen statt, wie sie bei GAs typisch ist. Die Mutation ist dabei die
einzige Komponente, die Veränderungen in den Lösungen/Individuen einführt. Eine für reelle
Repräsentationen in GAs verbreitete Mutationsform ist die uneinheitliche Mutation mit
fester Verteilung [22]. Diese Mutation zieht zufällig Zahlen aus einer Standardnormalverteilung
mit Erwartungswert 0 und einer festen Standardabweichung und addiert diese Werte auf
die Gene. Dies ist genau das Schema, dass ein IWO für die Erzeugung neuer Pflanzen verwendet,
mit dem Unterschied, dass die Standardabweichung von Generation zu Generation
verringert wird. Die Auswahl der Lösungen, die in die nächste Generation übernommen werden,
ist bei beiden Verfahren ähnlich. Ein IWO hat ein festes Populationslimit von n und lässt
nur die besten n Pflanzen überleben. Bei GAs ist eine solche Vorgehensweise als Elitismus bekannt
und eine von vielen möglichen Strategien. Ein weiterer Unterschied ist, dass in einem
IWO die Anzahl der pro Generation erzeugten Nachkommen nicht fest ist. Jede Pflanze kann
innerhalb gegebener Grenzen neue Pflanzensamen generieren. In einem klassischen GA ist
die Anzahl der Nachkommen pro Generation fest vorgegeben. Dies kann bei einem IWO den
Vorteil haben, dass in Gebieten mit hoher Fitness intensiver, d.h. mit mehr neuen Lösungen
nach der besten Lösung gesucht wird. Jedoch erhöht sich mit der Anzahl an zu evaluierenden
Kandidaten auch die Rechenzeit des Algorithmus, so dass man zur Schätzung dieser einen
Mittelwert der möglichen Anzahl an neuen Pflanzen pro Generation (average-case) oder die
maximal mögliche Anzahl (worst-case) annehmen muss.
90