Genetische Algorithmen: Theorie Und Praxis Evolutionärer Optimierung

ISBN-13: 9783815420577 / Niemiecki / Miękka / 1994 / 300 str.

Jochen Heistermann; Jochen Heistermann

Opis

Das Prinzip der Evolution wurde von Charles Darwin vor nur wenig mehr als hundert Jahren entdeckt. Die Lebewesen in der Natur unterliegen einer steten Veranderung, die durch Kooperation und Konkurrenz zwischen einzelnen Arten und deren Anpassungsfahigkeit an ihre Umwelt vorangetrieben wird. Inwieweit die heute existierenden Lebewesen ausschliesslich durch den Evolutionsprozess entstanden sind, ist eine philosophische und theologische Streitfrage, die in diesem Buch nicht weiter behandelt werden soll. Das grundlegende Prinzip besteht in der iterativen Abfolge von Rekom bination, Mutation und Selektion, wobei eine Tendenz zum Uberleben der starkeren und besseren Individuen besteht. Dieses Prinzip ist in der Natur sehr erfolgreich. Optimierung ist eine der wichtigsten Aufgaben in der modernen Industrie. Prozesse mussen schneller und sicherer ablaufen, Material wird gespart, die Produktivitat soll standig steigen. Diejenigen Firmen, denen das gelingt, haben im Wettbewerb um die Markte die besten Uberlebenschancen. Die freie Marktwirtschaft hat sich dieses Prinzip zu eigen gemacht und grosse Erfolge erzielt (allerdings oft zum Schaden der Umwelt, weil die dort entstandenen Schaden meistens keine finanziell messbaren Kosten verursachen). Optimierung wird als Wissenschaft vor allem im Bereich des Operations Research untersucht. In der Mathematik sind ebenfalls viele Verfahren vorgeschlagen und entwickelt worden. Seit Mitte der 80er Jahre sind daruber hinaus Neuronale Netze zur Losung von Optimierungspro blemen attraktiv geworden."

Spis treści

1. Einleitung.- 2. Die Arbeitsweise Genetischer Algorithmen.- 2.1 Biologischer Hintergrund.- 2.2 Praktische Implementierungen.- 2.2.1 Ein allgemeiner Genetischer Algorithmus.- 2.2.2 Das Evolutionsverfahren nach Rechenberg und Schwefel.- 2.2.3 Der Genetische Algorithmus nach Holland und Goldberg.- 2.2.4 Ein Vergleich beider Algorithmen.- 2.3 Theoretische Arbeiten.- 2.3.1 Das Schema-Konzept.- 2.3.2 Formale Beschreibung des Verhaltens.- 2.3.3 Untersuchungen zum k-armigen Banditen.- 2.3.4 Irreführen von Genetischen Algorithmen.- 2.4 Konventionelle Optimierungsverfahren und Genetische Algorithmen.- 2.4.1 Gradientenverfahren und Genetische Algorithmen.- 2.4.2 Simulated Annealing und Genetische Algorithmen.- 2.4.3 Hybride Optimierungsverfahren.- 3. Evaluierung Genetischer Algorithmen.- 3.1 Ein Modell für die Arbeitsweise Genetischer Algorithmen.- 3.2 Genetische Operatoren.- 3.2.1 Rekombination.- 3.2.2 Selektion.- 3.2.3 Mutation.- 3.2.4 Inversion.- 4. Anwendungen Genetischer Algorithmen.- 4.1 Anwendungen der Evolutionsstrategie.- 4.1.1 Erste Anwendungen in den 60er Jahren.- 4.1.2 Neuere praktische Anwendungen der Evolutionsstrategie.- 4.2 Anwendungen der Genetic Algorithms.- 4.2.1 Genetic Algorithms in der Optimierung.- 4.2.2 Classifier Systeme.- 5. Der Lernvorgang in Neuronalen Netzen.- 5.1 Modelle Neuronaler Netze.- 5.2 Zur Bedeutung des Lernvorgangs in künstlichen Neuronalen Netzen.- 5.2.1 Allgemeine Definition des Lernens.- 5.2.2 Der Lernvorgang in natürlichen und künstlichen Neuronalen Netzen.- 5.3 Grundlegende Lernverfahren.- 5.3.1 Ein Modell eines Lernalgorithmus.- 5.3.2 Ein Lernverfahren basierend auf der Hebbschen Regel.- 5.3.3 Die Delta-Regel in Feed-Forward Netzen ohne Hidden Units.- 5.3.4 Erweiterung der Delta-Regel auf Feed-Forward Netze mit Hidden Units.- 5.3.5 Kurze Analyse der Hopfield Netze.- 5.3.6 Die Boltzmann Maschine.- 5.4 Diskussion der Verwendung Genetischer Algorithmen als Lernverfahren in Neuronalen Netzen.- 5.4.1 Praktische Ergebnisse anhand von Anwendungen.- 5.4.2 Die Applikationen.- 5.4.3 Die Implementierung.- 5.4.4 Kriterien zur Abschätzung der Qualität der Algorithmen.- 5.4.5 Ergebnisse der Simulationsläufe.- 5.4.6 Zusammenfassung der Ergebnisse.- 6. Unterstützung Genetischer Algorithmen mittels paralleler Architekturen.- 6.1 Die Eignung von Genetischen Algorithmen für parallele Architekturen.- 6.1.1 Genetische Algorithmen und Vektorrechner.- 6.1.2 Genetische Algorithmen und Arrayrechner.- 6.1.3 Genetische Algorithmen und Multiprozessorsysteme.- 6.1.4 Praktische Konsequenzen aus den Überlegungen.- 6.2 Genetische Algorithmen auf dem AM3.- 6.2.1 Der assoziative Universalprozessor AM3.- 6.2.2 Die Kodierung.- 6.2.3 Rekombination.- 6.2.4 Mutation.- 6.2.5 Selektion.- 6.2.6 Ergebnisse praktischer Vergleichsmessungen.- 6.3 Anpassung Genetischer Algorithmen an eine flagorientierte Datenspeicherung.- 6.3.1 Das flagorientierte Architekturkonzept ARAM.- 6.3.2 Die Kodierung.- 6.3.3 Die Rekombination.- 6.3.4 Mutation.- 6.3.5 Bewertung.- 6.3.6 Selektion.- 6.3.7 Zusammenfassung der Ergebnisse.- 7. Zusammenfassung.- 8. Referenzen.- 9. Index.