Information Technology Reference
In-Depth Information
9.4.4
Handlungsempfehlung: Genetische Algorithmen
Die Anwendungsfälle in den Abschnitten dieses Kapitels haben gezeigt, dass genetische
Algorithmen eine einfach zu realisierende Technik zur Lösung von Problemstellungen
der Optimierung und des Data Mining darstellt. Insofern lassen sich die exemplarischen
Anwendungen des Clustering, der Klassifikation und der Findung von Assoziationsre-
geln auch auf andere Fragestellungen sicherlich transformieren. Ein in der Vergangenheit
gegen die Verwendung von genetischen Algorithmen eingebrachtes Argument, dass gene-
tische Algorithmen vom Laufzeitverhalten nicht mit klassischen Methoden konkurrieren
können, hat die rasante Hardwareentwicklung entkräftet. Insofern stehen die genetischen
Algorithmen mit ihrer Eigenschaft, den Lösungsraum „breit“ und „tief“ zu durchsuchen,
um darin „interessante“ und auch „spektakuläre“ Resultate bzw. Ergebnisse zu finden,
rechnerperformant zur Verfügung.
Weiterhin lassen die Anwendungsszenarien eine Einschätzung bezüglich der Kriterien,
wie Einfachheit der Implementierung, Robustheit der Verfahren sowie Qualität der Er-
gebnisse, zu. Dabei gilt es zu testieren, dass die im Rahmen des Cognitive Computing ge-
forderte Einfachheit der Konzeptionalisierung und Implementierung als erfüllt gilt, wenn
man von der Forderung nach stärkster Abstraktion durch Codierung abgeht und eine na-
turanaloge Repräsentation wählt. Auch wenn die einstellbaren Parameter nicht von vorne
herein optimal eingestellt sind, wird ein genetischer Algorithmus in den meisten Fällen
vertretbare Ergebnisse liefern. Die (Nach) Justierung der Parameter gestaltet sich nicht
sehr aufwendig, ist jedoch sicherlich erfahrungssabhängig. Auch die Auswahl der Ope-
ratoren, die zur gewählten Codierung passen müssen und die zu einer Verbesserung von
Generation zu Generation führen sollen, folgt nicht Gesetzmäßigkeiten, sondern erfolgt
im konkreten Anwendungsfall eher explorativ. Eine Herausforderung stellt dabei die Aus-
wahl eines geeigneten Qualitätskriteriums für die potenziellen Lösungen dar. Immerhin
muss die Fitness die Eignung einer Lösung für das reale Problem korrekt abbilden. Auf
jeden Fall sind die Verfahren, die auf genetischen Algorithmen basieren, als eine sinnvolle
Ergänzung zu klassischen Verfahren aufzufassen und somit in das Technik-Portfolio des
Cognitive Computing aufzunehmen.
9.5
Kollektive Intelligenz mit Ameisenalgorithmen
Wenn auch in der aktuellen Version des Cognitive Computing der Ansatz der kollektiven
Intelligenz noch nicht gänzlich integriert ist, soll in diesem Abschnitt - sozusagen vorab
- ein spezieller Algorithmus vorgestellt und zu dessen weiteren Ausbau motiviert werden.
