From: Florian Forster Date: Thu, 27 Jan 2011 15:03:23 +0000 (+0100) Subject: Evolutionäre Algorithmen: Selektion ausgebaut. X-Git-Url: https://git.verplant.org/?a=commitdiff_plain;h=7d2cdef976fb96d6604f52a87670ea4b68059f24;p=diplomarbeit.git Evolutionäre Algorithmen: Selektion ausgebaut. --- diff --git a/diplomarbeit.tex b/diplomarbeit.tex index dfa31d9..76a6282 100644 --- a/diplomarbeit.tex +++ b/diplomarbeit.tex @@ -208,7 +208,7 @@ Rekombination}). Unter Umständen wird die neue Lösung noch zufällig verändert {\em (Mutation)}, bevor sie in die bestehende Lösungsmenge integriert wird. Die Wahrscheinlichkeiten, beispielsweise bei der {\em Selektion}, sind dabei nicht zwangsläufig gleichverteilt -- üblicherweise -werden bessere Lösungen bevorzugt. Zur Bewertung die die sogenannte {\em +werden bessere Lösungen bevorzugt. Zur Bewertung dient die sogenannte {\em Gütefunktion}. Nicht alle Probleme eignen sich für diese Strategie: Zum einen muss es möglich @@ -218,6 +218,26 @@ es oft einfach ist {\em irgendeine} Lösung anzugeben. Zum anderen muss eine Methode für die Rekombination existieren. Das insbesondere dann problematisch wenn {\em Nebenbedingungen} eingehalten werden müssen. +Beim Aussuchen von zufälligen Lösungen aus der Population, der +\emph{Selektion}, werden gute Lösungen bevorzugt. Wie sehr diese Lösungen +bevorzugt werden, hat einen starken Einfluss auf das Verhalten des +Algorithmus. Werden gute Lösungen stark bevorzugt, konvergiert der Algorithmus +schnell gegen ein (lokales) Optimum. Dieses \textit{Exploitation} (Englisch +für „Ausnutzung“) genannte Verhalten sorgt dafür, dass sich der Algorithmus +schnell auf eine Lösung festlegt und andere, möglicherweise bessere lokale +Optima nicht mehr findet. Werden gute Lösungen hingegen nur wenig bevorzugt, +erforscht der Algorithmus den Lösungsraum in viele Richtungen. Dieses +\textit{Exploration} (Englisch für „Erforschung“) genannte Verhalten sorgt +zwar dafür, dass der Algorithmus langsamer auf ein Optimum zusteuert, dafür +findet er aber in der Regel bessere Lösungen. + +Die Parameter evolutionärer Algorithmen so einzustellen, dass sich ein guter +Mittelweg zwischen den beiden Extremen einstellt, ist eine Aufgabe, die sich +nur experimentell lösen lässt. Die genauen Parameter hängen nicht nur vom +eigentlichen Algorithmus, sondern auch vom konkreten Problem ab, so dass sich +beispielsweise bei der Optimierung von Sortiernetzwerken die Parameter +zwischen verschiedenen Leitungszahlen stark unterscheiden. + \begin{itemize} \item Unter einem "`Evolutionären Algorithmus"' versteht man $\ldots$ \item Da die Sortiereigenschaft zu überprüfen NP-schwer ist, ist die @@ -226,6 +246,7 @@ Mutation \textit{(vermutlich)} nicht (effizient) möglich. \newpage \section{Bekannte konstruktive Sortiernetzwerke} +\label{sect:konstruktive_netzwerke} Übersicht über bekannte konstruktive Sortiernetzwerke.