5.3.4 Genetische Algorithmen

Abbildung 6: Ablauf genetischer Algorithmus

Abschließend werden die genetischen Algorithmen vorgestellt. (z. B. nach GS02, S. 243ff) Den genetischen Algorithmen liegt die evolutionäre Entwicklungstheorie nach Darwin als Modellvorstellung zugrunde. Es wird dabei versucht, dass sich eine Lösung für ein Problem mit der Zeit entwickelt und verbessert. Dazu werden am Anfang zufällig eine Reihe von Lösungen, die Individuen, ermittelt, die das Problem bereits lösen (siehe dazu Abbildung 6 auf Seite ). Es erfolgt eine Bewertung der einzelnen Individuen mithilfe der Fitnessfunktion. Aus den besten Individuen werden Nachfolger erzeugt, indem die Individuen Teile ihrer Gene an die Kinder vererben. Dabei kommt z. B. die Kreuzung zum Einsatz. Um den Genpool der Individuen aufzufrischen, werden spontane Mutationen zugelassen. Die entstandenen Kinder werden wiederum bewertet. Damit beginnt der Prozess erneut und wird solange iterativ fortgesetzt, bis sich eine akzeptable Lösung ergibt.

Von besonderem Interesse im Hinblick auf diese Arbeit ist, dass bewusst der Zufall in Form von Mutationen genutzt wird, um eine Lösung zu erhalten. Weiterhin liegt bei den genetischen Algorithmen ein nicht-deterministisches Vorgehen vor. Es ist prinzipiell vorher nicht genau bestimmbar, wie viel Generationen von Individuen benötigt werden, um eine akzeptable Lösung hervorzubringen und wie diese Lösung am Ende aussieht. Das Hauptproblem bei der Implementierung von genetischen Algorithmen besteht in einer effizienten Kodierung der Lösungen als Individuen.³²

Neben der Anwendung von genetischen Algorithmen bei Such- und Optimierungsproblemen werden diese zur Bestimmung der Gewichte von neuronalen Netzen benutzt. An diesem Vorgehen kann man erkennen, dass in der Praxis oftmals mehrere Verfahren kombiniert werden, die auf Selbstorganisation, Nicht-Linearität und Nicht-Determinismus basieren.