Seit Beginn der 1990´er Jahre haben Evolutionäre Algorithmen als universell anwendbare Verbesserungs- und Optimierungsstrategien eine weite Verbreitung in allen Bereichen von Wirtschaft und Forschung gefunden. Ihr großer Erfolg liegt u.a. in der Tatsache begründet, dass ihre Anwendung auf einem scheinbar einfachen und leicht nachvollziehbarem Prinzip, dem Darwinschen Evolutionsparadigma, oder etwas zugespitzt ausgedrückt, dem „survival of the fittest“ basiert: Durch die Anwendung von Variation und Selektion auf eine Population von Lösungsalternativen werden nach dem Muster der Natur schrittweise bessere Lösungen gefunden und auf diese Weise Optima bestimmt – oder zumindest approximiert.
Inhaltsverzeichnis
- 1. Evolutionäre Algorithmen
- 1.1. Vorbemerkung
- 1.2. Evolutionäre Standardalgorithmen
- 1.2.1. Terminologie
- 1.2.2. Evolutionsstrategien
- 1.2.3. Genetische Algorithmen
- 1.2.4. Genetische Programmierung
- 2. Testumgebung Evolutionärer Algorithmen
- 2.1. Testfunktionen
- 2.1.1. Das Sphären-Modell
- 2.1.2. Die Rosenbrock-Funktion
- 2.1.3. Die Treppenfunktion
- 2.1.4. Funktion mit normalverteilter Störung
- 2.1.5. Shekels Fuchsbauten
- 2.1.6. Die Rastrigin-Funktion
- 2.1.7. Schwefels Rochen
- 2.1.8. Boshafte Schwefel-Funktion
- 2.1.9. Die Griewangk-Funktion
- 2.2. Kombinatorische Optimierungsprobleme als Testumgebung für EA
- 3. Problematik praktischer Leistungsvergleiche
- 4. Stärken und Schwächen von EA
- 5. Rückschlüsse für praktische Anwendungen
- 6. Fazit
Zielsetzung und Themenschwerpunkte
Die Arbeit befasst sich mit der Leistungsfähigkeit evolutionärer Algorithmen (EA). Ziel ist es, eine Testumgebung zu entwickeln, die die Bewertung dieser Algorithmen ermöglicht. Die Arbeit beschreibt die wichtigsten Standardalgorithmen, ihre Funktionsweise und die verwendeten Testfunktionen.
- Entwicklung einer Testumgebung für die Bewertung evolutionärer Algorithmen
- Bedeutung von EA als universelle Optimierungsstrategien
- Funktionsprinzipien von Evolutionsstrategien, genetischen Algorithmen und genetischer Programmierung
- Anwendungen und Einsatzgebiete evolutionärer Algorithmen
- Vorteile und Herausforderungen der Anwendung von EA in der Praxis
Zusammenfassung der Kapitel
Das erste Kapitel bietet eine allgemeine Einführung in evolutionäre Algorithmen und deren historische Entwicklung. Es beschreibt die drei Hauptströmungen von EA: Evolutionsstrategien, genetische Algorithmen und genetische Programmierung. Das zweite Kapitel widmet sich der Entwicklung einer Testumgebung für die Bewertung von EA. Es werden verschiedene Testfunktionen vorgestellt, die sowohl kontinuierliche als auch kombinatorische Optimierungsprobleme abdecken. Das dritte Kapitel untersucht die Problematik praktischer Leistungsvergleiche von EA. Das vierte Kapitel befasst sich mit den Stärken und Schwächen von EA. Das fünfte Kapitel zieht Rückschlüsse für praktische Anwendungen von EA. Das sechste Kapitel fasst die Ergebnisse der Arbeit zusammen.
Schlüsselwörter
Evolutionäre Algorithmen, Optimierung, Testumgebung, Evolutionsstrategien, Genetische Algorithmen, Genetische Programmierung, Testfunktionen, Leistungsvergleich, Stärken und Schwächen, praktische Anwendungen.
Häufig gestellte Fragen
Was sind evolutionäre Algorithmen (EA)?
Evolutionäre Algorithmen sind Optimierungsstrategien, die auf dem biologischen Prinzip der Evolution (Variation und Selektion) basieren, um schrittweise bessere Lösungen für komplexe Probleme zu finden.
Welche Hauptströmungen gibt es bei evolutionären Algorithmen?
Die drei Standardalgorithmen sind Evolutionsstrategien (ES), genetische Algorithmen (GA) und die genetische Programmierung (GP).
Wozu dient eine Testumgebung für EA?
Eine Testumgebung ermöglicht es, die Leistungsfähigkeit und Effizienz verschiedener Algorithmen anhand standardisierter mathematischer Funktionen (z.B. Rosenbrock- oder Rastrigin-Funktion) objektiv zu vergleichen.
Was bedeutet "Survival of the Fittest" in der Informatik?
In EA bedeutet es, dass Lösungsalternativen mit einer höheren "Fitness" (bessere Zielerreichung) eine höhere Wahrscheinlichkeit haben, ausgewählt zu werden und ihre Merkmale an die nächste "Generation" weiterzugeben.
In welchen Bereichen werden EA eingesetzt?
Sie finden breite Anwendung in Wirtschaft und Forschung für universelle Optimierungsprobleme, bei denen herkömmliche mathematische Verfahren an ihre Grenzen stoßen.
- Quote paper
- Ronny Ibe (Author), 2005, Testumgebung zur Beurteilung der Leistungsfähigkeit evolutionärer Algorithmen, Munich, GRIN Verlag, https://www.grin.com/document/66665
