Information Technology Reference
In-Depth Information
getragen werden. Der Mutationsoperator bewirkt eine Wanderung einer Verarbeitungs-
einheit durch den Suchraum. Damit ist sichergestellt, dass - zumindest theoretisch - der
gesamte Suchraum durchlaufen und damit die optimale Lösung gefunden werden kann. In
der Praxis steht dem jedoch oft die zu lange Laufzeit entgegen.
Beim Crossover-Operator wird die genetische Information von mehreren Verarbei-
tungseinheiten gemischt und daraus neue Verarbeitungseinheiten erzeugt. Normalerweise
sind die Crossover-Operatoren so formuliert, dass aus zwei alten Verarbeitungseinheiten
zwei neue entstehen. An Crossover-Operatoren sind gebräuchlich:
•
One-Point-Crossover
: An einem zufällig gewählten Punkt werden die beiden Chromo-
somen gekreuzt.
•
Two-Point-Crossover
: An zwei zufällig gewählten Punkten werden die beiden Chromo-
somen gekreuzt.
•
Uniform-Crossover
: Für jedes Gen wird mit einer gewissen Wahrscheinlichkeit ein
Austausch durchgeführt
Ob ein Crossover tatsächlich durchgeführt wird, hängt von der einzustellenden Crossover-
Wahrscheinlichkeit ab. Und auch hier gilt wieder, dass spezifische Crossover-Operatoren
definiert werden können, um der gewählten Kodierung und dem Anwendungsfall ange-
messen zu sein. Neben Mutation und Crossover sind andere genetische Operatoren be-
schrieben worden, die jedoch weit weniger Bedeutung besitzen. Bei der
Inversion
wird ein
Stück des Chromosoms ausgeschnitten und umgekehrt wieder eingesetzt. Bei der
Tran-
siation
wird ein Stück des Chromosoms ausgeschnitten, und an anderer Stelle eingefügt
Diese Operatoren arbeiten nur auf einem Chromosom, und können in gewisser Weise als
verallgemeinerte Mutationen angesehen werden. Falls es nicht gelingt, geeignete Opera-
toren zu finden, die unzulässige Chromosomen in zulässige transformieren, müssen unter
Umständen eine Vielzahl von Verarbeitungseinheiten erzeugt und verworfen werden, bis
eine zulässige Verarbeitungseinheit entstanden ist.
Damit der genetische Algorithmus funktioniert, muss jede Verarbeitungseinheit mit
einem Fitnesswert versehen werden, der die Selektion beeinflusst. Der Fitnesswert soll
Auskunft darüber geben, wie gut die Verarbeitungseinheit an seine „Umwelt“ angepasst
ist. Zu diesem Zweck wird jede Verarbeitungseinheit einer Bewertung unterworfen. In die-
ser
Bewertungsfunktion
wird der genetische Code interpretiert und dadurch in die Sprache
des Problembereichs rücktransformiert. In der Bewertungsfunktion steckt das Wissen über
den Anwendungsbereich und ist deshalb in jedem Fall anwendungsspezifisch. Die Bewer-
tungsfunktion muss einen Zahlenwert liefern, der ein Maß für die Leistungsfähigkeit der
Verarbeitungseinheit bezüglich der Optimierungsaufgabe darstellt. In vielen Fällen kann
der so ermittelte Zahlenwert nicht direkt als Fitnesswert genommen werden, sondern muss
durch eine Fitness-Funktion in einen geeigneten Fitnesswert umgewandelt werden. Ins-
besondere kann durch die Fitness-Funktion eine Skalierung durchgeführt werden.
Bei den bisher behandelten Optimierungen wurde das konnektionistische Modell als
Ganzes, d. h. die Anzahl der Verarbeitungseinheiten, die Verbindungsmatrix, die einzel-
