Genetische Algorithmen - BFH-TI Staff

BTI7311P INFORMATIK SEMINAR
Genetische Algorithmen
Informatik Seminar
Mathias Fuhrer
22.05.2013
Dieses Dokument beschreibt angelehnt an der natürlichen Evolution die Ideen und Konzepte der
Genetischen Algorithmen. Es liefert zudem einen kurzen Einblick in die Reproduktion der Natur. Nach
dem Aufzeigen der Struktur eines Genetischen Algorithmus wird konkret auf verschiedene
Implementationsmöglichkeiten der Darstellung und der einzelnen Operationen von Genetischen
Algorithmen eingegangen. Zum Abschluss werden noch einige Anwendungsgebiete, sowie die Vor- und
Nachteile von Genetischen Algorithmen aufgezeigt.

Genetische Algorithmen 22. Mai 2013
Inhaltsverzeichnis
Einleitung ................................................................................................................................................. 3
Reproduktion in der Natur ...................................................................................................................... 4
Der genetische Code ........................................................................................................................... 4
Reproduktion ....................................................................................................................................... 4
Selektion .......................................................................................................................................... 5
Kreuzung .......................................................................................................................................... 5
Mutation .......................................................................................................................................... 5
Simpler Genetischer Algorithmus ........................................................................................................... 7
Pseudocode ......................................................................................................................................... 8
Implementation ....................................................................................................................................... 9
Grundbegriffe und ihre Bedeutung ..................................................................................................... 9
Genetische Darstellung ....................................................................................................................... 9
Fitness-Funktion ................................................................................................................................ 10
Selektion ............................................................................................................................................ 11
Roulette Wheel Selection Method ................................................................................................ 11
Kreuzung ............................................................................................................................................ 12
Mehrpunktekreuzung (Multi-point Crossover) ............................................................................. 12
Einheitliche Kreuzung (Uniform Crossover) .................................................................................. 12
Mutation ............................................................................................................................................ 13
Wiedereinfügen ................................................................................................................................. 13
Beendung eines Genetischen Algorithmus ....................................................................................... 13
Anwendungsgebiete .............................................................................................................................. 14
Vorteile .............................................................................................................................................. 14
Nachteile ........................................................................................................................................... 14
Fazit ................................................................................................................................................... 15
Referenzen ............................................................................................................................................ 16
Mathias Fuhrer 2

Genetische Algorithmen 22. Mai 2013
Einleitung
Genetische Algorithmen sind Verfahren, die zur Lösung von komplexen Optimierungsaufgaben
eingesetzt werden. Genetische Algorithmen sind ein Teil der Evolutionären Algorithmen, einem schnell
wachsendem Gebiet der Künstlichen Intelligenz. Wie der Name schon erahnen lässt, sind sie inspiriert
von der Evolutionstheorie von Darwin. Denn die Evolution in der Natur hat sehr gute Ergebnisse für
Anpassungs- bzw. Optimierungsprobleme geliefert.
Die Idee vom evolutionären Rechnen wurde als erstes 1960 von I. Rechenberg in seiner Arbeit
Evolutionsstrategie vorgestellt. Seine Idee wurde dann von weiteren Forschern entwickelt und
erweitert. Die Genetischen Algorithmen im speziellen sind von John Holland erfunden und von ihm,
seiner Studenten und Kollegen entwickelt worden. Das führte zu Hollands Buch Adaption in Natural
and Artificial Systems aus dem Jahre 1975.
1992 entwickelte John Koza Programme mit Genetische Algorithmen, um bestimmte Aufgaben zu
lösen. Diese Methode nannte er fortan Genetische Programmierung und wird häufig auch als Synonym
für Genetische Algorithmen verwendet.
Mathias Fuhrer 3

Genetische Algorithmen 22. Mai 2013
Reproduktion in der Natur
Zum Erklären der Ausdrücke und Operationen der Genetischen Algorithmen beginnen wir mit einem
kurzen Exkurs über die natürlichen Reproduktionsmechanismen. Für den Biologen würde dieses
Kapitel nur die halbe Wahrheit beinhalten, aber zum Verstehen der Ideen hinter den Genetischen
Algorithmen wird es reichen.
Der genetische Code
Alle lebenden Organismen bestehen aus Zellen. In jeder Zelle ist dasselbe Set von Chromosomen
vorhanden. Ein Chromosom sind Stränge von DNS (Desoxyribonukleinsäure Abbildung 1) und dienen
als Programm für den Aufbau und Weiterentwicklung des ganzen Organismus.
Abbildung 1: DNS (Desoxyribonukleinsäure). Das Alphabet beinhaltet Adenin (A), Thymin (T), Guanin (G) und Cytosin (C).
Chromosomen bestehen aus Genen, Blöcke von DNS. Jedes Gen verschlüsselt ein bestimmtes Protein.
Grundsätzlich kann gesagt werden, dass jedes Gen eine Eigenschaft, wie zum Beispiel die Augenfarbe
beschreibt. Mögliche Werte (bspw. blau, grün, braun) dieser Eigenschaft werden Allele genannt.
Zudem hat jedes Gen seine eigene Position im Chromosom. Diese Position wird Locus genannt.
Chromosom
Abbildung 2: Ein Chromosom aus Genen
Die Anzahl Gene ist schon bei ganz kleinen Individuen enorm gross:
Bakterie: 5 x 10 6
Fliege: 165 x 10 6
Mensch: 3 x 10 9
Gen
Reproduktion
Viele Individuen mit unterschiedlichem, aber ähnlichem genetischem Code werden als Population
zusammengefasst und bilden einen genetischen Pool. Ein wichtiges Ziel einer solchen Population ist
das Überleben in einer sich ändernden Umgebung. Das führt dazu, dass die genetische Information
während der Suche nach der besten Überlebensfähigkeit stark variieren muss. Die Natur hat für diese
Mathias Fuhrer 4

Genetische Algorithmen 22. Mai 2013
Aufgabe das sehr effektive Prinzip der genetischen Reproduktion gefunden. Folgende Schritte sind
dafür nötig:
Selektion
Nicht alle Individuen können sich selbst reproduzieren. Viele sterben bevor sie erwachsen werden und
sich fortpflanzen können. Andere sind ausgeschlossen weil sie krank sind oder zum Beispiel im Kampf
ums Weibchen verlieren. Die allgemeine Fähigkeit sich erfolgreich fortzupflanzen wird als Fitness jedes
einzelnen beschrieben. Aus verschiedenen Gründen der Selektion werden nur die fittesten Individuen
am Reproduktionsprozess teilnehmen.
Kreuzung
Nach der Befruchtung der Weibchen durch die Männchen wird der genetische Code der beiden
Individuen durch den Kreuzungsprozess vermischt. Teile der männlichen genetischen Information
werden mit Teilen der weiblichen verbunden. Es gibt viele verschiedenen Möglichkeiten wie diese
dann gebildet werden.
Eltern
Kreuzung
Tiefe Kreuzung
Hohe Kreuzung
Kinder
Abbildung 3: Nach dem Selektionsprozess und Befruchtung des Weibchens durch das Männchen werden die beiden
genetischen Codes durch Kreuzung gemischt.
Als Resultat dieses Prozesses haben die Kinder dann neu Kombinationen von Genen. Die Kreuzung ist
ähnlich einem Suchalgorithmus zum Finden von neuen Lebensformen. Diese ist aber nicht einfach
Zufällig. Effizienterweise werden historische Informationen genutzt, um auf neue Suchpunkte mit
erwarteten Verbesserung der Leistung zu spekulieren.
Mutation
Wenn nur die Kreuzung neue Kombinationen ergäbe, so würden alle Individuen nur eine
Neugestaltung der Gene aus der Population ergeben. Neue Information kann nur durch Mutation in
die Population gelangen. Kosmische Strahlung, chemische Substanzen, Fehler in der Verknüpfung der
Mathias Fuhrer 5

Genetische Algorithmen 22. Mai 2013
DNS oder andere Effekte können aus Versehen ein oder mehre Gene im Chromosom ändern. Nichts
desto trotz sind Mutationen selten und meistens haben sie einen zerstörerischen Einfluss auf die
Individuen.
Vorher
Zerstörung
Nachher
Mutation
Abbildung 4: Eine Entstellung (bspw. durch Kosmische Strahlung, chemische Substanzen, Fehler in der Verknüpfung der DNS)
ändern den Inhalt einen Chromosms.
Mathias Fuhrer 6

Genetische Algorithmen 22. Mai 2013
Simpler Genetischer Algorithmus
Für den Einsatz von Genetischen Algorithmen müssen in der Regel folgende Voraussetzungen erfüllt
werden:
Eine Population die aus mehreren Individuen beseht
Die Existenz so genannter genetischer Operatoren
Eine Fitnessfunktion, die für jedes Individuum einen Funktionswert – die Fitness – festlegt
Nach mehreren Änderungen ergibt sich eine neue Population
Ausgehend von diesen Voraussetzungen beginnt dann ein Genetischer Algorithmus mit einer
Anfangspopulation unterschiedlicher Individuen. Diese Individuen können in unterschiedlicher
Codierung (siehe
Genetische Darstellung) vorliegen. Durch die entsprechenden genetischen Operatoren werden diese
Individuen so verändert, dass eine neue Population entsteht. Dabei werden in die neue Population
überwiegend die Individuen mit der besten Fitness übernommen, so dass die potentiellen
Lösungskandidaten von Generation zu Generation besser werden. Auf diese Weise nähert sich der
Genetisch Algorithmus Schritt für Schritt der Lösung des Optimierungsproblems.
Die Grundstruktur der meisten Genetischen Algorithmen ist in ihrem Aufbau sehr ähnlich und kann in
folgender Weise charakterisiert werden:
1. Generieren einer zufälligen Population von n Chromosomen (passende Lösungen für das
Problem)
2. Evaluieren der Fitness f(x) jedes Chromosoms x aus der Population.
3. Erstellen einer neuen Population mit dem Wiederholen der folgenden Schritte bis die
Population komplett ist:
a. Selektieren von zwei Eltern-Chromosoms aus der Population gemäss deren Fitness (je
besser die Fitness umso grösser die Chance ausgewählt zu werden)
b. Mit einer gegebenen Kreuzungs-Wahrscheinlichkeit die Eltern kreuzen zum Formen
eines neuen Kindes. Wenn keine Kreuzung vorgenommen wird, entspricht das Kind
genau einer Kopie des Elternteils.
c. Mit einer gegebenen Mutations-Wahrscheinlichkeit mutieren des Kindes an einer
zufälligen Stelle im Chromosom.
d. Wiedereinfügen des Kindes in der Population.
4. Benutzen der neuen generierten Population für einen weiteren Lauf des Algorithmus ab dem
zweiten Schritt.
Auf der nächsten Seite ist der Gentische Algorithmus noch abgekürzt als Pseudocode in Englisch
angegeben.
Mathias Fuhrer 7

Genetische Algorithmen 22. Mai 2013
Pseudocode
Function Genetic-Algorithm(population, Fitness-Fn) returns individual
inputs:
repeat
population, a set of individuals
Fitness-Fn, a function that measures the fitness of an individual
new-population ← empty set
loop for i from 1 to Size(population) do
x ← Random-Selection(population, Fitness-Fn)
y ← Random-Selection(population, Fitness-Fn)
child ← Reproduce(x, y)
if (small random probability) then child ← Mutate(child)
add child to new-population
population ← new-population
until some individual is fit enough, or enough time has elapsed
return the best individual in population according to Fitness-Fn
Mathias Fuhrer 8

Genetische Algorithmen 22. Mai 2013
Implementation
In den folgenden Unterkapiteln werden einige Möglichkeiten zum Implementieren der nötigen Schritte
eines Genetischen Algorithmus beschrieben. Welche Implementation gewählt werden soll, ist immer
abhängig vom Problem und es gibt nicht generell ein richtigen oder falschen Weg.
Grundbegriffe und ihre Bedeutung
Hier nochmals kurz die Begriffe aus der Biologie und Informatik:
Begriff Biologie Informatik
Individuum Lebewesen Lösungskandidat
Chromosom DNS-Histon-Protein-Strang Zeichenkette
legt den „Bauplan“ bzw. (einen Teil der) Eigenschaften eines Individuums in
kodierter Form fest
meist mehrere Chromosomen je
Individuum
meist nur ein Chromosom je Individuum
Gen Teilstück eines Chromosoms ein Zeichen
Grundlegende Einheit der Vererbung, die eine (Teil-)Eigenschaft eines
Individuums festlegt
Allel Ausprägung eines Gens Wert eines Zeichens
Je Chromosom gibt es nur eine Ausprägung eines Genes
Locus Ort eines Gens Position eines Zeichens (Index)
in einem Chromosom gibt es an jedem Ort nur genau ein Gen
Population Menge von Lebewesen Familie / Multimenge von
Chromosomen
Fitness
Tauglichkeit / Angepasstheit eines
Lebewesens
Güte / Tauglichkeit eines
Lösungskandidaten
bestimmte Überlebens- und Fortpflanzungschancen
Genetische Darstellung
Individuen bzw. deren Chromosomen werden als Zeichenketten über ein Alphabet so dargestellt, dass
jede Entscheidungsvariable (Eigenschaft) eindeutig als ein Gen abgebildet wird. In den Genetischen
Algorithmen wird am häufigsten das binäre Alphabet {0, 1} verwendet. Andere Darstellungen wie
ternäre, ganzzahlige oder reell wertige können natürlich auch verwendet werden. Zum Beispiel kann
ein Problem mit zwei Variablen x 1 und x 2 auf ein Chromosom (wie in Abbildung 5) in binären Worten
abgebildet werden. Der Wert x 1 ist mit 10 Bits und der Wert x 2 mit 15 Bits codiert.
Abbildung 5: Beispiel einer Implementation von zwei Variablen x 1 und x 2 als binäre Worte.
Mathias Fuhrer 9

Genetische Algorithmen 22. Mai 2013
Ein Binärcode kann in seiner arithmetischen Codierung wie oben dargestellt werden. Das kann aber zu
Problemen bzw. unterschiedlich Starken Veränderungen durch Kreuzung und Mutation führen, denn
für zwei benachbarte Werte wie 3 (011) und 4 (100) müssen mehrere Bits geändert werden um vom
einen Wert auf den anderen zu kommen. Die Hamming-Distanz zwischen zwei werten a und b ist gleich
der Anzahl Einsen in a XOR b. Für einen Binärcode ist sie grösser eins. Der Gray-Code schafft diesem
Problem Abhilfe. Mit seiner Hamming-Distanz von eins ermöglicht er eine Leistungssteigerung für
Genetische Algorithmen.
Abbildung 6: Beispiel eines 3-Bit Binärcode verglichen mit dem Grey-Code.
Die Umformung zwischen Binärcode und Grey-Code ist zusätzlich sehr einfach und hier in einem
kleinen C++ Codebeispiel dargestellt:
unsigned int binary_to_gray( unsigned int& binval )
{
}
return binval ^ ( binval >> 1 );
unsigned int grey_to_binary( unsigned int& greyval )
{
}
unsigned int binary;
binary = 0;
while ( greyval != 0 )
{
}
binary ^= greyval;
greyval >>= 1;
return binary;
Das schlussendliche binäre Chromosom wird durch zusammenhängen allen einzeln codierten Genen
hintereinander erstellt. Das Chromosom kann auch aus Fliesskommapunkte konstruiert werden. Dies
erschwert aber die Implementation der Kreuzung und Mutation erheblich.
Fitness-Funktion
Nach dem entschlüsseln der Chromosom Darstellung zurück in die Entscheidungsvariablen ist es
möglich die Leistung bzw. Fitness jedes Individuums der Population herauszufinden. Dabei kann mit
Hilfe einer Funktion die Leistung bezogen auf den Problembereich charakterisiert werden. In der Natur
würde das die Fähigkeit zum Überleben im in seiner Umgebung zeigen.
Mathias Fuhrer 10

Genetische Algorithmen 22. Mai 2013
Die Fitness-Funktion wird als Messwerkzeug für diese Aufgabe verwendet. In einem
Minimierungsproblem ist dann das fitteste Individuum das mit dem kleinsten numerischen Resultat
aus der Fitness-Funktion. Gerade umgekehrt ist es bei einem Maximierungsproblem.
Selektion
Selektion ist der Prozess zum Bestimmen der Häufigkeit, dass ein bestimmtes Individuum für die
Reproduktion gewählt wird und somit die Anzahl dessen Nachkommen bestimmt.
Der wesentliche Teil des Selektionsprozesses ist das stochastische wählen der Eltern einer Generation.
Es ist wichtig, dass die fitteren Individuen eine grössere Chance haben zu überleben als die
schwächeren. Das wiederspiegelt die Natur, in der im Normalfall die fitteren Individuen auch die
grössere Wahrscheinlichkeit zum Fortpflanzen haben. Aber auch die schwächeren Individuen müssen
eine Möglichkeit haben sich einzubringen. In der Natur hat sich gezeigt, dass auch diese für die Zukunft
wichtige Teile in ihrem genetischen Code mitbringen.
Roulette Wheel Selection Method
Eines der einfachsten Selektionsverfahren ist das roulette wheel selection-Verfahren, auch stockastic
sampling with replacement (SSR) genannt. Dabei handelt es sich um einen stochastischen Algorithmus
mit folgender Technik:
1. Das Individuum wird als ein fortlaufendes Segment einer Linie betrachtet. Die Länge des
Segments bildet dabei die Grösse der Fitness ab.
2. Eine zufällige Zahl wird innerhalb der Linie generiert und das Individuum, mit dem Segment
das den Wert abdeckt, wird selektiert.
3. Dieser Ablauf wird wiederholt bis die gewünschte Anzahl Eltern gewählt ist.
Diese Technik ist analog zu derer des Rouletterads. Jedes Stück des Rads ist proportional zur Grösse
der Fitness wie in der Abbildung 7 zu sehen ist.
Abbildung 7: Roulette Wheel Selection.
Die Implementation einer Rouletterad-Selektion ist ziemlich einfach. Begonnen wird mit einem Array,
welches alle Fitness-Werte von jedem Individuum an einer gegebenen Position durch seien Index
enthält. Zum Beispiel für einen kleinen Bestand von 9 Individuen:
Als nächstes wird die kumulierte Summe der Fitness-Werte berechnet.
Mathias Fuhrer 11

Genetische Algorithmen 22. Mai 2013
Weiter werden alle Werte durch die Summe aller Fitness-Werte dividiert. Dabei wird der Inhalt des
Arrays normalisiert.
Zum Schluss wird mit einem Zufallsgenerator eine Nummer zwischen 0 und 1 generiert. Der Index des
entsprechenden Individuums kann in O (log n) Zeit mit einer binären Such-Algorithmus gefunden
werden. Ist in unserem Beispiel der Wert 0.612 generiert, so ist der entsprechende Index 5:
In der klassischen roulette wheel selection-Methode wird die Segmentgrösse und
Selektionswahrscheinlichkeit während des Prozesses nicht verändert. Stochastic sampling with partial
replacement (SSPR) erweitert SSR um das Verkleinern der Segmente. Jedes Mal wenn ein Individuum
selektiert ist, wird die Grösse des Segments um einen konstanten Wert verkleinert. Wird die Grösse
eines Segments negativ, so wird sie auf 0 gesetzt.
Kreuzung
Der wichtigste Operator zum Erstellen von neuen Chromosomen in den Genetischen Algorithmen ist
die Kreuzung. Wie in der Natur produziert die Kreuzung neue Individuen aus dem genetischen Material
von beiden Eltern. Die einfachsten Arten der Kreuzung werden hier kurz beschrieben.
Mehrpunktekreuzung (Multi-point Crossover)
Bei der Mehrfachkreuzung werden für eine bestimmte Anzahl von Kreuzungspositionen m zufällig die
Kreuzpunkte k i = {1, 2, 3, …, l-1} mit l für die Länge des Chromosoms bestimmt und dann ohne Duplikat
aufsteigend sortiert. Danach werden die Bits zwischen den fortlaufenden Kreuzpunkte zwischen den
Eltern vertauscht. Dabei entstehen zwei neue Nachkommen. Besser verständlich wird dies mit der
Abbildung 8.
Abbildung 8: Mehrfachkreuzung mit m = 4.
Die Idee hinter der Mehrfachkreuzung ist wie bei den meisten Variationen der Kreuzung, dass die für
die Fitness sehr essentiellen Gene nicht unbedingt neben einander liegen. Weiter wird durch die
teilende Natur der Mehrfachkreuzung zu Beginn der Suchraum eher vergrössert und liefert somit
weniger schnell ein hoch fittes Individuum. Dafür wird die ganze Suche robuster und das Resultat ist
breiter abgestützt.
Einheitliche Kreuzung (Uniform Crossover)
Einzel- und Mehrkreuzpunktkreuzung definieren die Kreuzpunkte zwischen einigen Loci (Mehrzahl von
Locus). Die einheitliche Kreuzung generalisiert das Schema und macht jeden Locus zum potentiellen
Kreuzungspunkt. Es wird zufällig eine Kreuzungsmaske mit derselben Länge des Chromosoms erstellt
Mathias Fuhrer 12

Genetische Algorithmen 22. Mai 2013
und die Gleichheit der Bits der Masken bestimmt, von welchem Elternteil das Gen für einen
Nachkommen übernommen werden soll. Als Beispiel zwei Eltern, Kreuzungsmaske und die
resultierenden Kindern:
Hier ist der erste Nachkomme O1 durch die Bits von P1 erstellt, wenn diese auf der Kreuzungsmaske
eine 1 aufweisen und durch P2 bei einer 0. Der Nachkomme O2 ist mit der inversen Maske, durch
wechseln von P1 und P2 erstellt worden.
Mutation
In der natürlichen Evolution ist die Mutation ein Zufallsprozess, der ein Teil oder ein ganzes Gen mit
irgendeinem anderen ersetzt. Dabei entsteht eine neue Chromosomstruktur. In Genetischen
Algorithmen wird die Mutation zufällig mit einer sehr kleinen Wahrscheinlichkeit (typischerweise
zwischen 0.001 und 0.01) angewendet. Im Normalfall handelt es sich dabei um einen
Hintergrundoperator, der vor allem eine Garantie liefert, dass die Wahrscheinlichkeit zum Finden
eines gegebenen Chromosoms nie 0 sein kann. Weiter kann auch gutes genetisches Material, das durch
die Selektion und Kreuzung weggefallen ist, wiederbelebt werden.
Original String
Mutationspunkt
Mutierter String
Abbildung 9: Binäre Mutation.
Wiedereinfügen
Die neue Population, die durch Selektion und Rekombination erstellt wurde, kann weniger Individuen
enthalten als die vorherige. Diese Differenz wird Generationenlücke genannt. Um die ursprüngliche
Grösse wieder zu erlangen, müssen die neuen Individuen wieder in die alte Population eingefügt
werden. Ähnlich ist es auch wenn nicht alle neuen Individuen verwendet werden oder zu viele erstellt
wurden. In diesen Fällen muss ein Wiedereinfügungsschema erstellt werden, das bestimmt welche
Individuen in die neue Population gelangen.
Dabei scheint es, als wäre die beste Strategie das Ersetzten der Schwächsten in der alten Population
durch die neuen Individuen. Es wurde aber in etlichen Studien gezeigt, dass es keine signifikanten
Unterschiede gibt, wenn die Individuen durch proportionale Selektion oder deterministisch durch die
Fitness gegeben ersetzt werden. Es stellte sich aber heraus, dass das erfolgreichste Ersetzungsschema
das Ersetzen der ältesten Mitglieder der Population ist.
Beendung eines Genetischen Algorithmus
Weil ein Genetischer Algorithmus eine stochastische Suchmethode ist, ist es schwer ein formal
spezifiziertes Erfüllungskriterium zu definieren. Wenn die Fitness einer Population über mehrere
Generationen mehr oder weniger unverändert bleibt, kann von einem guten Resultat ausgegangen
werden. Häufig wird auch eine bestimmte Anzahl von Generationen, die erstellt werden sollen,
vorgegeben und dann mit dem fittesten Individuum gegen das Problem getestet. Ist es nicht
befriedigend, muss der Genetische Algorithmus nochmals gestartet oder abgeändert werden.
Mathias Fuhrer 13

Genetische Algorithmen 22. Mai 2013
Anwendungsgebiete
Grundsätzlich können Genetische Algorithmen in allen Bereichen eingesetzt werden, in denen
numerische Lösungen von Optimierungsproblemen gesucht werden.
Beispiele für Optimierungsprobleme:
Parameteroptimierung
z.B. Krümmung von Rohren für minimalen Wiederstand
Allgemein: Finden eines Parametersatzes, so dass einen gegeben reellwertige Funktion ein
(möglichst globales) Optimum annimmt.
Packprobleme
z.B. Füllen eines Rucksacks mit maximalem Wert oder Packen möglichst weniger Kisten mit
gegebenen Gütern
Wegeprobleme
z.B. Problem des Handlungsreisenden
Reihenfolge von anzufahrenden Zielen, Fahrtroutenoptimierung , Verlegen von Leiterbahnen
auf Platinen und in Schaltkreisen
Anordnungsprobleme
z.B. Steinerproblem (facility allocation problem): Positionierung von Verteilerknoten z.B. in
einem Telefonnetz
Planungsprobleme
z.B. Ablaufplane (Scheduling), Arbeitsplane, Operationenfolgen (auch z.B. zur Optimierung in
Compilern | Umordnung der Befehle)
Strategieprobleme
z.B. Gefangenendilemma und andere Modelle der Spieltheorie, Verhaltensmodellierung von
Akteuren im Wirtschaftsleben
biologische Modellbildung
z.B. Netspinner (regelbasiertes Modell, das beschreibt, wie eine Spinne ihr Netz baut;
Parameter werden durch einen genetischen Algorithmus optimiert und mit Beobachtungen
verglichen; liefert recht gutes Modell)
Vorteile
Genetische Algorithmen bringen den Vorteil, dass wenig Problemwissen nötig ist um ans Ziel zu
kommen. Weiter können sie auch für diskontinuierliche Probleme verwendet werden. Denn die
natürliche Evolution ist eigentlich ein Anpassungs- und kein Optimierungsproblem.
Genetische Algorithmen bieten eine parallele Suche in einer Population von möglichen Lösungen,
sodass immer mehrere potentielle Lösungen gefunden werden.
Genetische Algorithmen ermöglichen die Behandlung von Problemen, bei denen traditionelle
Optimierungsverfahren aufgrund von Nichtlinearitäten, Diskontinuitäten und Multimodalität
versagen.
Nachteile
Genetische Algorithmen bieten im Allgemeinen keine Garantie, das globale Optimum in vernünftiger
Zeit zu finden und sie haben oft sehr grossen Rechenzeitbedarf.
Mathias Fuhrer 14

Genetische Algorithmen 22. Mai 2013
Fazit
Trotz aller Vorteile sind Genetische Algorithmen eher die schlechtere Wahl für Probleme, für die es
spezielle Optimierungsverfahren gibt, da diese in der Regel effizienter arbeiten. So sind zum Beispiel
Newton-Raphson-Methoden, die Gradienten bei der Optimierung verwenden, bei der Suche lokaler
Minima um ein Vielfaches schneller als Genetische Algorithmen. Die fehlende Anwendung von
Problemwissen wird also durch eine potentiell sehr lange Laufzeit erkauft.
Mathias Fuhrer 15

Genetische Algorithmen 22. Mai 2013
Referenzen
Anrig, B. (2012). Computer Perception and Artificial Intelligence - Searching.
Aslan, D. (Mai 2013). Genetische Algorithmen. Von www2.cs.uni-paderborn.de: http://www2.cs.unipaderborn.de/cs/ag-klbue/de/courses/ws04/ea/students/ga_report.pdf
abgerufen
Borgel, C. (Mai 2013). Genetische Algorithmen. Von www.borgelt.net:
http://www.borgelt.net/slides/ga.pdf abgerufen
Cattin, R. (2012). Module 7282 Advanced Computer Perception.
Evolutionärer Algorithmus. (Mai 2013). Von Wikipedia:
http://de.wikipedia.org/wiki/Genetische_Algorithmen abgerufen
Genetic algorithm. (Mai 2013). Von Wikipedia: http://en.wikipedia.org/wiki/Genetic_algorithm
abgerufen
Genetischer Code. (Mai 2013). Von Wikipedia: http://de.wikipedia.org/wiki/Genetischer_Code
abgerufen
Mathias Fuhrer 16