Die Modellierung adaptiver Prozesse durch Evolutionäre Algorithmen - Modellierung komplexer Prozesse durch naturanaloge Verfahren - page 100

1. Vergleichsexperiment
Das Ergebnis der Testläufe zeigt das Bild 3-11:

Tabelle 3-4 Einstellungsparameter: * = Prozentuale Anzahl der zu mutierenden Gene
in Bezug auf die Gesamtmenge aller Gene einer Generation; ** = Feste, im Algorithmus
verankerte prozentuale Anzahl zu mutierender Gene (ein Gen pro Chromosom)

GA ES SA

Anzahl Eltern 10 10 /

Anzahl Nachkommen 20 20 20

5 * 3,5714 ** Mutationsrate ( %) /

Genanzahl Crossover 3 / /

Elitistisch Nein Nein /

Starttemperatur / / 180

Abkühlungsrate ( %) / / 5

Bild 3-11 Ergebnisse des jeweiligen Optimierungsalgorithmus

Man kann erkennen, dass ES und GA relativ schnell akzeptable Werte erreichen, wobei das
Crossover beim GA wahrscheinlich dafür verantwortlich ist, dass die ES schneller, d. h. ohne
größere Schwankungen, befriedigende Werte erreicht. Die deutlich schlechtere Leistung des
SA beruht möglicherweise auf der hohen Starttemperatur, die zu Beginn häufig schlechtere
Lösungen zulässt. Wenn durch Absinken der Temperatur nur noch bessere Lösungen akzeptiert
werden, kann das SA bald ungünstige lokale Optima - beim SA lokale Energieminima - nicht
mehr verlassen. Außerdem ist das SA zusätzlich dadurch sozusagen im Nachteil, dass sowohl
GA als auch ES in jeder Generation mehrere Nachkommen zur Verfügung haben, das SA da-
gegen nur eine Lösung.