Grundlagen - Cognitive Computing - page 69

Tab. 2.2 Terminologie der evoluti onären Algorithmen
Ausdruck Bedeutung für EA
Individuum Struktur (enthält die in geeigneter Weise repräsentierten
Elemente einer Lösung)
Population (von Individuen) Menge von Strukturen (Lösungen)
Eltern Zur Reproduktion ausgewählte Lösungen
Kinder, Nachkommen Aus den Eltern erzeugte Lösungen
Crossover Suchoperator, der Elemente mehrerer Individuen vermischt
Mutation Suchoperator, der ein Individuum modifiziert
Fitness Lösungsgüte bezogen auf die Ziele
Generation Verfahrensiteration
Nur bei Genetischen Algorithmen gebräuchlich :
Ausdruck Bedeutung

Chromosomen
(besteht aus Genen)

Grundsätzlich identisch mit Individuen, gelegentlich kann ein
Individuum sich auch aus mehreren Chromosomen zusam-
mensetzen, übliche Form: String

Gen Bit (binäre Codierung unterstellt)

Allel Genausprägung (binär: 0 oder 1)

Genotyp Codierte Lösung

Phänotyp Decodierte Lösung

gen eines Problems. Danach folgt eine Selektion der Lösungen nach ihrer Brauchbar-
keit, ihrer sogenannten „Fitness“. In der Regel wird diese Fitness durch die Abweichung
einer Lösung zur idealen Lösung angegeben. Diese Abweichung gilt es zu minimieren.
Im nächsten Schritt werden die selektierten Lösungen einer Mutation unterzogen. Hierbei
werden mit Hilfe eines Zufallsgenerators kleine, zufällige Änderungen an den Lösungen
vorgenommen. Packt man die Anzahl der möglichen Lösungen in einen Suchraum, so be-
steht die Aufgabe der Mutation in der Exploration dieses Suchraumes und stellt somit die
Hauptquelle für genetische Variation dar. Mutationen sollen mit hoher Wahrscheinlichkeit
eher kleine Änderungen an der Lösung erzeugen. Ein Mutationsoperator muss dabei drei
Anforderungen erfüllen:

• Ausgehend von einem gegebenen Punkt im Suchraum muss jeder andere Punkt erreich-
bar sein. Andernfalls wäre es möglich, dass das Optimum nie gefunden werden kann.
• Des Weiteren sollte die durch Mutation verursachte genetische Variation keinen Drift
aufweisen, sondern sich in alle Richtungen des Suchraumes mit gleicher Wahrschein-
lichkeit bewegen. Erst die Selektion drängt durch die Fitnesswerte der Nachkommen
den Suchprozess in eine bestimmte Richtung. Insofern erkundet der Algorithmus mit
der Mutation den Suchraum, wohingegen mit der Selektion die gewonnenen Informa-
tionen verwendet werden, die in der aktuellen Population stecken.
• Schließlich soll die Stärke der Mutation einstellbar sein, um erfolgreiche Schritte in der
Fitnesslandschaft zu ermöglichen.