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

2 Suchverfahren
2. sofortiges Aussterben
3. deterministische oder zufällige Abänderung des Individuums in ein erlaubtes
Eine beispielhafte Veränderung einer Population für das 5-Damenproblem, wobei die Population
nur aus 1-2 Elementen besteht:
Population {[3, 2, 1, 4, 5]}
Fitness ϕ([3, 2, 1, 4, 5]) = 4
Mutationen [3, 2, 1, 4, 5] → [5, 2, 1, 4, 3]; [3, 2, 1, 4, 5] → [3, 4, 1, 2, 5]
Population {[5, 2, 1, 4, 3], [3, 4, 1, 2, 5]}
Bewertung ϕ([5, 2, 1, 4, 3]) = 6, ϕ([3, 4, 1, 2, 5]) = 6
Mutationen [3, 4, 1, 2, 5] → [2, 5, 1, 4, 3], [5, 2, 1, 4, 3] → [5, 2, 4, 1, 3]
Population {[5, 2, 1, 4, 3], [3, 4, 1, 2, 5], [2, 5, 1, 4, 3], [5, 2, 4, 1, 3]}
Bewertung ϕ([2, 5, 1, 4, 3]) = 8, ϕ([5, 2, 4, 1, 3]) = 10
Selektion {[2, 5, 1, 4, 3], [5, 2, 4, 1, 3]}
Die Kodierung [5, 2, 4, 1, 3] ist eine Lösung.
Reine Mutationsveränderungen sind analog zu Bergsteigen und Best-First.
2.5.2.1 Bemerkungen zu evolutionären Algorithmen:
Wesentliche Unterschiede zu Standardsuchverfahren
• Evolutionäre Algorithmen benutzen Codierungen der Lösungen
• Evolutionäre Algorithmen benutzen eine Suche, die parallel ist und auf einer Menge
von Lösungen basiert.
• Evolutionäre Algorithmen benutzen nur die Zielfunktion zum Optimieren
• Evolutionäre Algorithmen benutzen probabilistische Übergangsregeln. Der Suchraum
wird durchkämmt mit stochastischen Methoden.
Eine gute Kodierung erfordert annähernde Stetigkeit. D.h. es sollte einen annähernd stetigen
Zusammenhang zwischen Bitfolge und Fitnessfunktion geben. D.h. optimale Lösungen
sind nicht singuläre Punkte, sondern man kann sie durch Herantasten über gute,
suboptimale Lösungen erreichen.
Damit Crossover zur Optimierung wesentlich beiträgt, muss es einen (vorher meist unbekannten)
Zusammenhang geben zwischen Teilfolgen in der Kodierung (Gene) und deren
Zusammenwirken bei der Fitnessfunktion. Es muss so etwas wie „gute Gene “geben,
deren Auswirkung auf die Fitness eines Individuums sich ebenfalls als gut erweist.
Baustein-Hypothese (Goldberg, 1989) (zur Begründung des Crossover)
(Building block hypothesis)
Genetische Algorithmen verwenden einfache Chromosomenbausteine und sammeln und
mischen diese um die eigene Fitness zu optimieren.
Stand: 19. Oktober 2012 74 M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13