Information Technology Reference
In-Depth Information
dieser Gattung sind derzeit Neuronale Netze [Bishop 1995], Evolutionäre Algorith-
men [Goldberg 1989] und Schwarmbasierte Verfahren [Kennedy u. a. 2001].
Viele Ideen und Prinzipien im Gebiet der neuronalen Netze wurden durch die
Hirnforschung inspiriert. Künstliche Neuronale Netze sind informationsverarbeiten-
de Systeme, deren Struktur und Funktionsweise dem Nervensystem und speziell
dem Gehirn von Tieren und Menschen nachempfunden sind. Sie bestehen aus einer
großen Anzahl einfacher, parallel arbeitender Einheiten, den sogenannten Neuronen.
Diese Neuronen senden sich Informationen in Form von Aktivierungssignalen über
gerichtete Verbindungen zu. Ausgehend von demWissen über die Funktion biologi-
scher neuronaler Netze versucht man, diese zu modellieren und zu simulieren.
Die Idee zu evolutionären Algorithmen stammt aus der biologischen Evolution,
in deren Rahmen sich Organismen an Umweltbedingungen anpassen. Evolutionäre
Algorithmen stellen eine Klasse von Optimierungsverfahren dar, die Prinzipien der
biologischen Evolution nachahmen. Sie gehören zur Gruppe der Metaheuristiken,
die Algorithmen zur näherungsweisen Lösung, z. B. eines kombinatorischen Opti-
mierungsproblems beinhalten. Diese sind definiert durch eine abstrakte Folge von
Schritten, die auf beliebige Problemstellungen anwendbar ist. Jeder einzelne Schritt
muss allerdings problemspezifisch implementiert werden. Aufgrund dessen wird
auch von problemspezifischen Heuristiken gesprochen. Metaheuristiken kommen
bei Problemen zum Einsatz, bei denen kein effizienterer Lösungsalgorithmus be-
kannt ist. Das Finden einer optimalen Lösung ist in der Regel nicht garantiert. Jede
gute Lösung kann beliebig schlecht sein, wenn sie mit der optimalen Lösung vergli-
chen wird. Der Erfolg und die Laufzeit hängen von der Problemdefinition und der
Implementierung der einzelnen Schritte ab.
In den beiden folgenden Teilen dieses Buches geht es um die Einbeziehung von
unsicherem, vagem und unvollständigem Wissen in die Problemlösungsstrategie.
Die hier verfolgte Idee besteht darin, dass Menschen sehr gut mit imperfekten Wis-
sen umgehen können und man diese Art von Wissen dem Computer zugänglich
machen möchte. Besonders erfolgreiche Ansätze, die mit vagem und unsicherem
Wissen umgehen, sind Fuzzy-Systeme [Kruse u. a. 1995] und Bayes-Netze [Borgelt
u. a. 2009].
In Fuzzy-Systemen wird das vage Wissen, das von einem Experten bereitgestellt
oder von Entwickler des Systems intuitiv formuliert wird, mit Hilfe von Fuzzy-Logi-
ken und Methoden des approximativen Schließens formalisiert und in die Problem-
lösungsstrategie eingebunden. Diese Verfahren werden routinemäßig in der Rege-
lungstechnik eingesetzt, weil in vielen Anwendungsfällen eine präzise und vollstän-
dige Systemmodellierung impraktikabel oder gar unmöglich ist.
Bayes-Netze dienen der effizienten Speicherung und Verarbeitung unsicheren
Wissens in komplexen Anwendungsbereichen. Formal ist ein Bayes-Netz ein pro-
babilistisches graphisches Modell, das eine Menge von Zufallsvariablen und deren
bedingte Abhängigkeiten in einem gerichteten azyklischen Graph repräsentiert. Auf-
grund der probabilistischen Repräsentation kann man sehr gut Schlussfolgerungen
anhand von neuen Informationen durchführen, Abhängigkeitsanalysen durchfüh-
ren und Lernverfahren nutzen.
In vielen Anwendungsfällen werden hybride Computational-Intelligence-Syste-
me wie Neuro-Fuzzy Systeme genutzt. Manchmal werden diese Verfahren auch mit
verwandten Methoden kombiniert, wie beispielsweise im Gebiet des maschinellen
