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