7 - Organic Computing [ID:10833]
50 von 571 angezeigt

Wir haben ja jetzt zwei natur- inspirierte, so aus dem tierreich inspirierte Verfahren uns angeschaut,

nämlich Ameisen und Partikelschwärme. Heute wollen wir sozusagen etwas näher an das,

was Leben ist, herangehen. Wir gehen halt sozusagen bis auf die Genebene runter und das,

was wir uns heute anschauen wollen, sind evolutionäre Algorithmen, wo halt Gene ganz stark

beteiligt sind. Und zwar... ja...

Und zwar ist jetzt das, was wir uns anschauen wollen, etwas, was wieder dem Populationskonzept

folgt. Also so wie die Population der Ameisen unterwegs war oder die Population der Partikel

unterwegs war, so wird jetzt auch wieder eine Population unterwegs sein, um halt ein

Optimierungsproblem zu lösen. Was aber jetzt noch dazu kommt, ist eben, dass die Population

sich ändert. Wir hatten das weder bei den Ameisen noch bei den Partikeln, dass irgendwie

Ameisen gestorben sind und neue Ameisen dazukamen oder dass neue Partikel dazukamen und alte

Partikel nicht mehr weitermachten. Hier wird es jetzt eben so sein, dass ja wie in einer

normalen Population, dass halt Mitglieder dieser Population, ja, neue Mitglieder hervorbringen,

nicht? Also Vater und Mutter oder vielleicht auch mehrere und dass es halt auch noch eine

Variation gibt, nicht? Also dass es Mutationen gibt, die dann halt, wenn sie besser sind,

sich auch unter Umständen dann halt durchsetzen, während die nicht so guten Vorgänger dann

halt aus der Population entfernt werden oder aber wenn die Variation zu einer schlechten

Lösung führt, dass die Variation dann gar nicht weiter verfolgt wird. Nicht? Also das

ist jetzt erstmal der grobe Rahmen, den wir uns da anschauen werden. Und naja, wenn man

halt eine Reproduktion durchgeführt hat, mit diesen beiden, also das sind jetzt zwei Aspekte,

die wir dann genau anschauen werden und naja, da muss man halt sagen, wer weitermacht. Das

heißt, es gibt noch das Selektionsprinzip. Wir müssen dann wirklich auswählen, wer dann

bei den möglichen Lösungen weitermacht. Ja, die evolutionären Algorithmen, die unterliegen

ganz allgemein, das ist so ein Stichwort, das bei den evolutionären Algorithmen immer

vorkommt, dem sogenannten Zyklus der evolutionären Algorithmen. Naja, wie viel? Wie viel? Wie

viel fängt man an? Man muss wie immer bei Algorithmen mit einer Initialisierung anfangen.

Das ist jetzt der Punkt außerhalb des Zyklus. Man initialisiert eine Population und die

ist erstmal da, aber das ist einfach nur eine Population. Wir wissen jetzt nicht, wie gut

oder schlecht einzelne Mitglieder dieser Population sind. Das ist eben auch keine triviale Aufgabe.

Die Mitglieder der Population, die müssen nämlich jetzt bewertet werden. Da kommt nicht

immer einfach nur, man guckt drauf und sagt drei, sondern so eine Bewertung kann auch

schon wieder der Ablauf eines komplexen Algorithmus sein. Also auch das Bewerten eines einzelnen

Individuums kann so seine Zeit dauern. Ja, das was dann passiert, ist die sogenannte

Parungselektion. Es wird also jetzt ausgesucht, aus welchen zwei oder drei oder mehr Individuen

ein neues Individuum gemacht wird. Sie haben irgendwie zwei Lösungen. Wir werden als übernächstes

Beispiel dann auch sehen, wir hatten ja schon das Rundreiseproblem uns angeschaut, wie man

aus zwei Rundreisen eine neue Rundreise konstruiert. Und dann guckt man, ist die neue Rundreise,

die ich zusammen gebastelt habe aus den beiden anderen Rundreisen, ist die besser oder schlechter

als das, was ich vorher hatte. Und dann haben wir halt, wir haben zwei Rundreisen und wir

haben erstmal einen ganzen Pool an Rundreisen. Das ist halt hier, nach der Initialisierung

haben wir jetzt einen ganzen Pool an Möglichkeiten. Das was wir dann eben machen, ist wir wählen

zwei oder mehr oder wir werden gleich das konkrete Beispiel haben, dass wir nur einen

auch auswählen. Das was, dann ist die Parungselektion besonders leicht. Ja, was dann halt passiert

ist, wenn man halt mehr, wie bei dem anderen Beispiel, was ich gerade gesagt habe, bei

der Rundreise, dann werden halt mehrere Rundreisen ausgewählt. Und wie ich aus den zwei Rundreisen

ausgewählt habe, wie ich aus den ausgewählten Individuen der Population ein neues Individuum

bekomme, das nennt man Rekombination. Ist halt lustig, auf Englisch ist das halt das Wort

Crossover. Deutlich anders das englische Wort, nicht? Also auf Deutsch sagt man dann halt,

dass eine Rekombination stattfindet, auf Englisch ist das halt ein Crossover. Gibt es also nicht

in Fernsehserien, sondern auch in evolutionären Algorithmen. So, nachdem man also die Parungselektion

Teil einer Videoserie :

Zugänglich über

Offener Zugang

Dauer

01:27:46 Min

Aufnahmedatum

2013-06-04

Hochgeladen am

2019-04-28 20:09:04

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