Information Technology Reference
In-Depth Information
rechnet, stellt eine Verbindung zum Problem dar. Der eigentliche Algorithmus weiß nichts
davon, welchen Einfluss auf die Lösung ein Crossover hat, an welchen Stellen im String
Grenzen zwischen Elementen auftreten, ob eine Mutation eine große oder kleine Änderung
nach sich zieht. Dafür garantiert er, dass durch die einfachen Operatoren jedes Element
des binären Lösungsraums erreichbar ist, nicht nur aufgrund der Mutation, sondern schon
beim Crossover - bei geeigneter Heterogenität der Population. Die Rekombination soll
gute Eigenschaften kombinieren, die Mutation stellt hingegen eine Zufallssuche dar. Ziel
der darüber hinaus gehenden Codierung ist, die Darstellung der Lösungen verständlicher
zu machen, insbesondere auch Ungültiges zu vermeiden. Umso vorsichtiger muss man
hier sein, dass man nicht bestimmte Lösungen schon durch die Codierung ausschließt. Die
verbesserten Operatoren sollen den Genetischen Algorithmus besser in die Richtung eines
Optimums leiten, wobei sichergestellt werden muss, dass der Lösungsraum auch voll-
ständig durchlaufen werden kann. Betrachtet man den Standard-GA aus phänotypischer
Sicht, so kann die Rekombination zwar gute Eigenschaften zusammenbringen, sie hat aber
auf dieser Ebene einen nicht unerheblichen Mutationscharakter. Die Auswirkungen einer
Mutation können zu großen oder ganz kleinen Änderungen im Phänotyp führen. Man ver-
sucht, diese „negativen“ Effekte oft durch Maßnahmen, wie z. B. eine Gray-Codierung
zurückzudrängen. Dabei gilt es zu bedenken, dass die Struktur des Suchraumes auf geno-
typischer und auf phänotypischer Ebene grundlegend verschieden ist. So ist ein lokales
Optimum des genotypischen Suchraumes oft kein lokales Optimum des Ursprungsprob-
lems.
Literatur
Bear, M.F., Connors, B., Paradiso, M.A.: Neurowissenschaften - Ein grundlegendes Lehrbuch für
Biologie, Medizin und Psychologie. Spektrum Akademischer, Heidelberg (2009)
Birbaumer, N., Schmidt, R.F. (Hrsg.): Biologische Psychologie. Springer, Berlin (2006)
Brooks, R.: A robust layered control system for a mobile robot. Robotics and Automation. IEEE J.
(1986)
Carlson, N.R.: Physiologische Psychologie. Pearson, München (2004)
Chalmers, D.J.: Das Rätsel des bewußten Erlebens. Spektrum der Wissenschaft , S. 40-47. (1996)
Dayan, P., Abbott L.F.: Theoretical Neuroscience: Computational and Mathematical Modeling of
Neuronal Systems. MIT, Cambridge (2005)
Ellis, R., Hummphreys, G.W.: Connectionist Psychology: A Text with Readings. Psychology Press,
Hove (1999)
Hebb, D.: The Organization of Behavior. Wiley, New York (1949)
Heckhausen, H.: Motivation und Handeln. Springer, Berlin (1989)
Levine, D.S.: Introduction to neural and cognition modeling, 2. Aufl. Erlbaum, Hillsdale (2000)
Rechenberg P.: Was ist Informatik?; Hanser, München, 3. Aufl. (2000)
Ritter, H., Martinetz, T., Schulten, K. (Hrsg.): Neuronale Netze. Addison-Wesley, Bonn (1969)
Russel, S., Norvg, P.: Artificial Intelligence: A Modern Approach, 3. Aufl. Prentice Hall, Upper
Saddle River (2009)
Zimbardo, P. G.: Psychologie. Springer (1995)
