6 - Organic Computing [ID:10832]
50 von 679 angezeigt

Langsam aber sicher geht die Feiertagszeit vorbei.

Einen Donnerstag noch und dann ganz normaler Betrieb.

Was haben wir bislang gemacht?

Wir haben uns für die kontinuierliche Optimierung die Partikelschwammoptimierung angeschaut.

Es war eine kontinuierliche Funktion gegeben, kein kombinatorisches Problem.

Dann hatten wir uns darauf festgelegt, wie man denn Emergenz misst

und hatten dann Suchalgorithmen für das World Wide Web uns angeschaut.

Also was jetzt noch so ein bisschen in der Luft hängt, ist diskrete Optimierung.

Und da werden wir jetzt zwei Ansätze kennenlernen.

Der erste Ansatz ist auch nochmal so direkt wieder aus dem Tierreich inspiriert.

Wir werden uns jetzt also die sogenannten Ameisen-Algorithmen anschauen.

Und dann so den allgemeinsten Ansatz uns ansehen,

nämlich evolutionäre Algorithmen und insbesondere genetische Algorithmen anschauen.

Ja, was habe ich gerade gesagt? Ameisen-Algorithmen.

Also erneut eine naturinspirierte Optimierungsmethode.

Die wurde 1991 von einem Herrn namens Dorigo entwickelt.

Und das, was er sich angeschaut hat, ist, wie Ameisen einen Weg finden.

Das ist dann halt wirklich so, die Ameisen wohnen in einem Nest.

Und irgendwo gibt es Futter.

Und es gibt irgendwie ein Hindernis zwischen Nest und Futter.

Und die Ameisen, die wollen jetzt einen Weg vom Nest zum Futter finden,

das Futter holen, nicht an Ort und Stelle aufessen, sondern zurück ins Nest bringen.

Das heißt, die Ameisen fangen jetzt an zu krabbeln,

immer schön geradeaus, bis halt hier auf diese Barriere gestoßen wird.

Für uns wird es jetzt algorithmisch, da wird eine Münze geworfen.

Die Ameise macht das irgendwie anders.

Also die Ameise, entweder geht sie jetzt hier oben lang bis zum Ende der Barriere.

Und geht dann weiter Richtung Futter und hat es dann gefunden.

Das ist die eine Möglichkeit für so eine Ameise.

Die andere Möglichkeit für die Ameise ist natürlich auch jetzt hier lang zu gehen

und dann hier unten abzubiegen bis zum Ende der Barriere hier.

Und dann irgendwie versuchen, es in dieser Richtung zu reißen.

Jetzt kann man sich die Ameisen natürlich nochmal weiter anschauen.

Was macht denn so eine Ameise?

Also die Ameise, die jetzt hier angekommen ist, holt sich jetzt das Futter

und läuft jetzt irgendwie wieder zurück.

Und wir finden eine Ameise so einen Weg.

Und Ameisen, auch die kommunizieren miteinander.

Und zwar die Kommunikation bei so einer Ameise findet halt über Pheromone statt.

Also so eine krabbelnde Ameise, die Ameise markiert ihren Weg als Pheromone.

Das ist für uns völlig unerheblich, ist einfach eine Markierung.

Eine andere Ameise findet dann so einen Pheromon und weiß dann,

aha Kumpel von mir ist hier lang gegangen, dann gehe ich da vielleicht auch mal lang.

Ist in Europa oder vielleicht in Deutschland eher selten.

Mir ist es in den USA passiert.

Ich habe halt Parterre gewohnt in Kalifornien, da ist das Wetter auch immer gut.

Deswegen werden die Häuser da auch aus Holz gebaut.

Nicht so wie hier, irgendwie stein.

Steinerne Gebäude sind normalerweise nur irgendwie Firmengebäude.

Alle Leute wohnen, auch wenn es dreistöckig ist, in Holzhäusern.

Teil einer Videoserie :

Zugänglich über

Offener Zugang

Dauer

01:29:10 Min

Aufnahmedatum

2013-05-28

Hochgeladen am

2019-04-29 01:29:03

Sprache

de-DE

Unter Organic Computing (OC) versteht man den Entwurf und den Einsatz von selbst-organisierenden Systemen, die sich den jeweiligen Umgebungsbedürfnissen dynamisch anpassen. Diese Systeme zeichnen sich dadurch aus, dass sie die sog. Self-*-Eigenschaft besitzen, d.h. sie sind selbst-konfigurierend, selbst-optimierend, selbst-heilend, selbst-schützend, selbst-erklärend, ...
Als Vorbild für solche technischen Systeme werden Strukturen und Methoden biologischer und anderer natürlicher Systeme gewählt.

Literatur:

 

  • Ch. Müller-Schloer, Ch. von der Malsburg, R. P. Würt. Organic Computing. Informatik-Spektrum, Band 27, Nummer 4, S. 332-336. (LINK)
  • I. C. Trelea. The particle swarm optimization algorithm: convergence analysis and parameter selection. Information Processing Letters 85 (2003) 317-325. (LINK)

  • J. M. Kleinberg. Authoritative sources in a hyperlinked environment. Journal of the ACM 46 (1999) 604-632. (LINK)

  • M. Dorigo. V. Maniezzo. A Colorni. Ant system: an autocatalytic optimizing process. Technical Report 91-016, Politecnico di Milano, 1991. (LINK)

  • A. Badr. A. Fahmy. A proof of convergence for Ant algorithms. Information Sciences 160 (2004) 267-279.

  • M. Clerc. J. Kennedy. The particle swarm - Explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on Evolutionary Computation 8 (2002) 58-73.

Einbetten
Wordpress FAU Plugin
iFrame
Teilen