Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...

2.5 Evolutionäre (Genetische) Algorithmen
Algorithmus Genetische Suche
Eingabe: Anfangspopulation, Fitnessfunktion φ, K die Populationsgröße
Datenstrukturen: S, S ′ : Mengen von Individuen
Algorithmus:
S := Anfangspopulation;
while (K enthält kein Individuum mit maximalem φ) do:
S ′ := ∅
for i := 1 to K do:
Wähle zufällig (mit φ gewichtet) zwei Individuen A und B aus S;
Erzeuge Nachkomme C aus A und B durch Rekombination;
C ′ := Mutation (geringe Wahrscheinlichkeit) von C;
S ′ := S ′ ∪ {C ′ };
end for
S := S ′
end while
Gebe Individuum mit maximaler Fitness aus
Allerdings sind weitere genetische Operatione und Anpassungen von Mutation, Rekombination
und Selektion möglich. Außerdem ist es evtl. ratsam besonders gute Individuen
ohne Rekombination in die nächste Generation zu übernehmen (weiterleben bzw.
Klonen).
Im Allgemeinen sind die adjustierende Parameter vielfältig:
• Erzeugung der initialen Population und Kriterien zum Beenden
• Mutationswahrscheinlichkeit: wieviel Bits werden geflippt?, welche Bits?
• Crossover-Wahrscheinlichkeit: an welcher Stelle wird zerschnitten? Welche Individuen
dürfen Nachkommen zeugen?
• Abhängigkeit der Anzahl der Nachkommen von der Fitness
• Größe der Population
Wie bereits in den vorherigen Abschnitten zur Suche sind auch folgende Aspekte hier
wichtig:
• Finden einer geeigneten Repräsentation der Zustände
• Finden geeigneter genetischer Operatoren (auf der Repräsentation).
Problem: auch bei genetischen Algorithmen kann sich die Population um ein lokales
Maximum versammeln. Z.B. durch Inzucht oder durch einen lokalen Bergsteigereffekt,
bei dem die Mutation das lokale Optimum nicht verlassen kann.
M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13 71 Stand: 19. Oktober 2012