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 Suchverfahren<br />
2. sofortiges Aussterben<br />
3. determ<strong>in</strong>istische o<strong>der</strong> zufällige Abän<strong>der</strong>ung des Individuums <strong>in</strong> e<strong>in</strong> erlaubtes<br />
E<strong>in</strong>e beispielhafte Verän<strong>der</strong>ung e<strong>in</strong>er Population für das 5-Damenproblem, wobei <strong>die</strong> Population<br />
nur aus 1-2 Elementen besteht:<br />
Population {[3, 2, 1, 4, 5]}<br />
Fitness ϕ([3, 2, 1, 4, 5]) = 4<br />
Mutationen [3, 2, 1, 4, 5] → [5, 2, 1, 4, 3]; [3, 2, 1, 4, 5] → [3, 4, 1, 2, 5]<br />
Population {[5, 2, 1, 4, 3], [3, 4, 1, 2, 5]}<br />
Bewertung ϕ([5, 2, 1, 4, 3]) = 6, ϕ([3, 4, 1, 2, 5]) = 6<br />
Mutationen [3, 4, 1, 2, 5] → [2, 5, 1, 4, 3], [5, 2, 1, 4, 3] → [5, 2, 4, 1, 3]<br />
Population {[5, 2, 1, 4, 3], [3, 4, 1, 2, 5], [2, 5, 1, 4, 3], [5, 2, 4, 1, 3]}<br />
Bewertung ϕ([2, 5, 1, 4, 3]) = 8, ϕ([5, 2, 4, 1, 3]) = 10<br />
Selektion {[2, 5, 1, 4, 3], [5, 2, 4, 1, 3]}<br />
Die Ko<strong>die</strong>rung [5, 2, 4, 1, 3] ist e<strong>in</strong>e Lösung.<br />
Re<strong>in</strong>e Mutationsverän<strong>der</strong>ungen s<strong>in</strong>d analog zu Bergsteigen und Best-First.<br />
2.5.2.1 Bemerkungen zu evolutionären Algorithmen:<br />
Wesentliche Unterschiede zu Standardsuchverfahren<br />
• Evolutionäre Algorithmen benutzen Co<strong>die</strong>rungen <strong>der</strong> Lösungen<br />
• Evolutionäre Algorithmen benutzen e<strong>in</strong>e Suche, <strong>die</strong> parallel ist und auf e<strong>in</strong>er Menge<br />
von Lösungen basiert.<br />
• Evolutionäre Algorithmen benutzen nur <strong>die</strong> Zielfunktion zum Optimieren<br />
• Evolutionäre Algorithmen benutzen probabilistische Übergangsregeln. Der Suchraum<br />
wird durchkämmt mit stochastischen <strong>Methoden</strong>.<br />
E<strong>in</strong>e gute Ko<strong>die</strong>rung erfor<strong>der</strong>t annähernde Stetigkeit. D.h. es sollte e<strong>in</strong>en annähernd stetigen<br />
Zusammenhang zwischen Bitfolge und Fitnessfunktion geben. D.h. optimale Lösungen<br />
s<strong>in</strong>d nicht s<strong>in</strong>guläre Punkte, son<strong>der</strong>n man kann sie durch Herantasten über gute,<br />
suboptimale Lösungen erreichen.<br />
Damit Crossover zur Optimierung wesentlich beiträgt, muss es e<strong>in</strong>en (vorher meist unbekannten)<br />
Zusammenhang geben zwischen Teilfolgen <strong>in</strong> <strong>der</strong> Ko<strong>die</strong>rung (Gene) und <strong>der</strong>en<br />
Zusammenwirken bei <strong>der</strong> Fitnessfunktion. Es muss so etwas wie „gute Gene “geben,<br />
<strong>der</strong>en Auswirkung auf <strong>die</strong> Fitness e<strong>in</strong>es Individuums sich ebenfalls als gut erweist.<br />
Bauste<strong>in</strong>-Hypothese (Goldberg, 1989) (zur Begründung des Crossover)<br />
(Build<strong>in</strong>g block hypothesis)<br />
Genetische Algorithmen verwenden e<strong>in</strong>fache Chromosomenbauste<strong>in</strong>e und sammeln und<br />
mischen <strong>die</strong>se um <strong>die</strong> eigene Fitness zu optimieren.<br />
Stand: 19. Oktober 2012 74 M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13