Die Modellierung adaptiver Prozesse durch Evolutionäre Algorithmen - Modellierung komplexer Prozesse durch naturanaloge Verfahren - page 88

den besseren Typ zu übernehmen oder den schlechteren. Man kann sich auch eine elitistische
Variante von SA vorstellen, bei der die Berechnung der Wahrscheinlichkeit so festgelegt wird,
dass praktisch immer nur der jeweils bessere Typ übernommen wird. Natürlich sind die Algo-
rithmen selbst sehr verschieden, jedoch ihre Grundlogik ist prinzipiell die gleiche.
Ebenso ist es bei beiden Optimierungsalgorithmen möglich, wie beim GA mit größeren Popu-
lationen zu arbeiten, falls dies vom Problem her als sinnvoll erscheint. Auf die Ähnlichkeit
zwischen der mutativen Schrittweitensteuerung der ES und der adaptiven Abkühlung beim SA
haben wir bereits hingewiesen.
Das SA kennt allerdings kein Crossover, wie es für den GA charakteristisch ist. Man kann sich
zwar ähnlich wie bei den ES vorstellen auch beim SA eine Analogie zum Crossover einzufüh-
ren, beispielsweise wie bei den ES über Mittelwertbildungen. Es ist jedoch fraglich, ob damit
viel gewonnen wäre. Die Stärke von SA-Verfahren liegt offensichtlich darin, dass bestimmte
Prinzipien aus der Thermodynamik in einen Optimierungsalgorithmus übersetzt worden sind.
Die Effizienz von SA-Algorithmen könnte möglicherweise darunter leiden, wenn man biologi-
sche Heuristiken in das SA-Schema einbaut. Allerdings ist uns nicht bekannt, ob dies jemals
versucht wurde und falls ja, mit welchem Erfolg.
(5) Es bleibt zum Abschluss dieser allgemeinen Einführungen in naturanaloge Optimierungs-
algorithmen die Frage, ob es Problemklassen gibt, bei denen man möglichst den einen Opti-
mierungstyp einsetzen soll und die anderen nicht. In dieser Allgemeinheit lässt sich die Frage
leider nicht beantworten. Alle drei Typen hängen in ihrer Leistungsfähigkeit zu stark davon ab,
wie gut die jeweiligen Parametereinstellungen gewählt sind: Wie kann man günstige Anfangs-
populationen bzw. günstige anfängliche Individuen erzeugen, wie groß sollen beim GA die
Crossover-Abschnitte sein, und bei einer ES die Mutationsrate, soll man binäre oder
reellwertige Codierungen nehmen, wie hoch muss die Abkühlungsrate bei einem SA sein,
damit einerseits genügend Zeit für die Konvergenz bleibt und andererseits das Gesamtverfah-
ren nicht zu lange dauert, spielt die „Nachbarschaft“ doch eine Rolle usw. usf. „Im Prinzip“
lassen sich die Probleme, die mit naturanalogen Optimierungsalgorithmen zu lösen sind, mit
jedem der drei Typen erfolgreich bearbeiten. Deswegen ist es sowohl eine Frage der Neigung,
welchen Typ man bevorzugt, als auch natürlich eine Frage der Praxis, mit welchen Typen man
am besten vertraut ist. Letztlich gilt für die Auswahl eines Typus und die anschließende Kon-
struktion eines konkreten Algorithmus der Hinweis, den Salamon, Sibani und Frost (2002, 5)
gegeben haben: „The more we exploit the structure of the problem, the better.“ Das gilt natür-
lich auch und erst recht für den RGA.
Naturanaloge Optimierungsalgorithmen sind einsetzbar dann und nur dann, wenn man das ei-
gene Problem strukturell verstanden hat. Dann können sie ihren Vorzug der prinzipiellen Ein-
fachheit ausspielen und ebenso ihre Leistungsfähigkeit, die darin besteht, dass sie sämtlich dem
Prinzip folgen, das Holland für den GA formuliert hat: „they are muddlin' through“. Gerade in
ihrer praktischen Offenheit für die Berücksichtigung auch scheinbarer Nachteile liegt ihre
Stärke.
3.6 Analyse konkreter Modelle
Die Evolutionsstrategien sind, wie bereits erwähnt, für bestimmte Modellierungen den geneti-
schen Algorithmen vorzuziehen, insbesondere dann, wenn die Veränderungen der Vektoren
nicht radikal stattfinden sollen, m.a.W., wenn die Lern- oder Variationsprozesse gesteuert bzw.
kontrolliert analysiert werden sollen. Deswegen werden wir hier sowohl Beispiele der Anwen-
dung von ES als auch des GA zeigen. Neben den im Folgenden gebrachten Beispielen existiert