Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...
Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...
Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
2.5 Evolutionäre (Genetische) Algorithmen<br />
2.5 Evolutionäre (Genetische) Algorithmen<br />
Das Ziel bzw. <strong>die</strong> Aufgabe von evolutionären Algorithmen ist e<strong>in</strong>e Optimierung von Objekten<br />
mit komplexer Beschreibung, wobei es variable Parameter gibt. Dabei werden <strong>die</strong><br />
Objekte (Zustände) als Bitstr<strong>in</strong>gs ko<strong>die</strong>rt, so dass <strong>die</strong> Aufgabe <strong>die</strong> Optimierung e<strong>in</strong>er reellwertigen<br />
Bewertungsfunktion auf Bitfolgen fester Länge ist. Dabei wird stets e<strong>in</strong>e Multimenge<br />
solcher Objekte betrachtet, d.h. es wird e<strong>in</strong>e parallele Suche durchgeführt.<br />
Genetische bzw. evolutionäre Algorithmen orientieren sich dabei an <strong>der</strong> Evolution von<br />
Lebewesen, daher werden entsprechende an<strong>der</strong>e Sprechweisen benutzt, <strong>die</strong> wir gleich<br />
e<strong>in</strong>führen:<br />
Die E<strong>in</strong>gaben e<strong>in</strong>es evolutionären Algorithmus s<strong>in</strong>d:<br />
• E<strong>in</strong>e Anfangspopulation, d.h. e<strong>in</strong>e (Multi-)Menge von Individuen (Zuständen, Objekten),<br />
<strong>die</strong> üblicherweise als Bitstr<strong>in</strong>g dargestellt s<strong>in</strong>d. E<strong>in</strong> Bit o<strong>der</strong> e<strong>in</strong>e Teilfolge von<br />
Bits entspricht dabei e<strong>in</strong>em Gen.<br />
• E<strong>in</strong>e Bewertungsfunktion, welche Fitnessfunktion genannt wird.<br />
Gesucht (als Ausgabe) ist e<strong>in</strong> optimaler Zustand<br />
Die Anzahl <strong>der</strong> möglichen Zustände ist im Allgeme<strong>in</strong>en astronomisch, so dass e<strong>in</strong>e<br />
Durchmusterung aller Zustände aussichtslos ist. Da <strong>die</strong> Evolution Lebewesen „optimiert“,<br />
versucht man <strong>die</strong> <strong>Methoden</strong> <strong>der</strong> Evolution und zwar Mutation, Crossover (Rekomb<strong>in</strong>ation)<br />
und Selektion analog auf <strong>die</strong>se Optimierungen zu übertragen, und mittels<br />
Simulationsläufen e<strong>in</strong> Optimum zu f<strong>in</strong>den.<br />
Die Idee ist daher<br />
• Zustände (Individuen) werden als Bitfolgen (Chromosomen) ko<strong>die</strong>rt.<br />
• Die Bewertung entspricht <strong>der</strong> Fitness <strong>der</strong> Bitfolge (<strong>die</strong>ses Chromosomensatzes bzw.<br />
Individuums),<br />
• Höhere Fitness bedeutet mehr Nachkommen<br />
• Man beobachtet <strong>die</strong> Entwicklung e<strong>in</strong>er Menge von Bitfolgen (Population). D.h. aus<br />
e<strong>in</strong>er aktuellen Population wird <strong>die</strong> nächste Generation erzeugt.<br />
• Nachkommen werden durch zufällige Prozesse unter Verwendung von Operationen<br />
analog zu Mutation und Crossover erzeugt<br />
2.5.1 Genetische Operatoren<br />
Um von e<strong>in</strong>er Population <strong>der</strong> Generation n zur Population n + 1 zu kommen, werden<br />
verschiedene Operatoren verwendet, <strong>die</strong> auf <strong>der</strong> Basis <strong>der</strong> Population zu n <strong>die</strong> Population<br />
n+1 ausrechnen. Wir beschreiben <strong>die</strong>se Operationen allgeme<strong>in</strong>. Für spezifische Probleme<br />
können <strong>die</strong>se Operationen angepasst (o<strong>der</strong> auch verboten) se<strong>in</strong>.<br />
M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13 69 Stand: 19. Oktober 2012