Musterlösungen - Cognitive Computing - page 507

Abb. 9.26 Crossover-Varianten

hen. Deshalb werden Positionsbit und Intervallgrenzen gesondert behandelt. Insbesondere
können dafür auch verschiedene Mutationswahrscheinlichkeiten angegeben werden.
Wenn bei den beiden vorangegangenen genetischen Algorithmen das Ziel darin be-
stand, genau eine optimale Lösung zu erreichen, deshalb die beste erreichte Lösung kon-
serviert wurde und nach dem Abbruch des Algorithmus nach einer bestimmten Anzahl
von Generationen, das dann aktuell beste Individuum die Optimallösung darstellte, wird
in diesem Anwendungsfall eine andere Strategie angewendet. Bei der Regelfindung ist
jede Population eine Lösung, indem die Individuen einen gewissen Fitnesswert erfüllen.
Dadurch wird bei der Entwicklung die durchschnittliche Fitness ausgewertet und nach Be-
endigung des Algorithmus stellt die dann aktuelle Population gleichzeitig die Lösung dar.
Dabei gilt es zu beachten, dass eine Kovergenz der Lösungen in diesem Anwendungsfall
eher kontraproduktiv ist, da dann alle Individuen identisch sind und das Ziel, möglichst
viele gute Regeln zu finden, verfehlt wird. Verhindern lässt sich dieser Effekt, indem man
entweder die Mutationsrate erhöht, so dass homogene Populationen nicht überleben, oder
der Algorithmus abbricht, bevor die Konvergenz eintritt. Die vorgeschlagene Lösungs-
variante gibt dennoch zusätzlich zur letzten Generation auch das beste Individuum jeder
einzelnen Generation aus.
Dieser Sachverhalt soll an einem exemplarischen Anwendungsfall illustriert werden.
Dabei startet man den genetischen Algorithmus mit einer Mutationswahrscheinlichkeit
von 0,01, d. h. ungefähr von drei Individuen sind zwei von einer einzelnen Mutation be-
troffen. Die maximale Fitness steigt nun nicht mehr monoton, da das beste Element nicht
festgehalten wird. Es ist weiterhin zu erkennen, dass in diesem Fall die Fitness sprunghaft
ansteigt. Untersucht man die letzte Population, so erscheint diese recht homogen und bei
einem Durchlauf über 500 Generationen lassen sich noch ca. zehn unterschiedliche Indi-
viduen identifizieren.
Eines dieser Individuen könnte dann beispielsweise wie folgt aussehen:

Wenn A A A A A
Dann AA AA

=≤≤ 03 , 4 , ≤ 2 3 , ≤ , = 1

0 2 7 8 13

= 1 , ≤ ≤≤ = 5 3 , 5 , 12 , ≤≤≤ = AAA 3 , 1 , ≤ 3 , A AA = 1 , = 1 , = 1