Arbeitsgruppe Neuronale Netze und Fuzzy-Systeme
Evolutionäre Algorithmen
Inhaltsverzeichnis
zurück zur Hauptseite
Vorwort
1 Einleitung
2 Optimierungsprobleme
2.1 Beispiele
2.2 Der Suchraum
2.3 Die Zielfunktion
2.3.1 Die Wahl der Zielfunktion
2.3.2 Mehrkriterienoptimierung
2.4 Die Struktur des Suchraums und der Zielfunktion
2.5 Was ist Optimierung?
3 Optimierungsverfahren
3.1 Analytische Lösung des Optimierungsproblems
3.2 Gradientenverfahren
3.3 Newton-Verfahren
3.4 Optimierung mit Nebenbedingungen
3.5 Tabu-Suche
3.6 Greedy-Heuristiken
3.7 Hillclimbing
3.8 Simulated Annealing
3.9 Threshold Accepting
3.10 Sintflut-Algorithmus
3.11 Ameisenkolonieoptimierung
3.12 Grundsätzliche Elemente von Optimierungsstrategien
4 Genetische Algorithmen und Optimierung
4.1 Biologische Evolution
4.2 Kanonische Genetische Algorithmen: Struktur und Operatoren
5 Theoretischer Hintergrund
5.1 Schema-Theorem und Building-Block-Hypothese
5.2 Konvergenzbetrachtungen
5.3 Vorzeitige Konvergenz
6 Problemangepasste Operatoren und Verfahren
6.1 Anwendungsbereich
6.2 Kodierung und Startpopulation
6.3 Fitnessfunktion
6.3.1 Lineare Skalierte Fitness
6.3.2 $\sigma $-Skalierung
6.3.3 Exponentielle Skalierung
6.3.4 Geteilte Fitness (Fitness Sharing)
6.3.5 Mehrkriterienoptimierung
6.3.6 Fitnessfunktion mit Zusatzbedingungen
6.4 Selektion
6.4.1 Remainder Stochastic Sampling
6.4.2 Stochastic Universal Sampling
6.4.3 Boltzmann Selektion
6.4.4 Lineares Ranking
6.4.5 Wettkampf-Selektion
6.4.6 Steady State Reproduktion
6.4.7 Deterministisches Crowding
6.5 Rekombination und Reparaturmechanismen
6.5.1 Allgemeine Crossover-Operatoren
6.5.2 Crossover-Operatoren bei Reihenfolgeproblemen
6.5.3 Inversion
6.6 Mutation
6.7 Weitere Aspekte
6.7.1 Nischentechniken
6.7.2 Adaption
6.7.3 Co-Evolution
6.8 Evolutionäre Algorithmen zur Optimierung von Flugrouten
7 Klassifizierung evolutionärer Algorithmen
7.1 Evolutionsstrategien
7.1.1 Eine einfache Variante der Evolutionsstrategie
7.1.2 Adaption der Mutationsschrittweite
7.1.3 Rechenbergs 1/5-Regel
7.1.4 Die Mutationsschrittweite als zusätzlicher zu optimierender Parameter
7.1.5 Korrelierte Mutation
7.1.6 Rekombination
7.1.7 Abbruchkriterien
7.1.8 Theoretische Resultate
7.2 Evolutionäre Programmierung
7.3 Genetische Programmierung
7.3.1 Listen und die Programmiersprache LISP
7.3.2 Ablauf der genetischen Programmierung
7.3.3 Symbolische Regression
7.3.4 Spezielle Techniken für die genetische Programmierung
7.3.5 Theoretische Untersuchungen
7.4 Weitere evolutionäre Algorithmen
7.4.1 Messy-GA
7.4.2 modGA
7.4.3 GENOCOP
7.5 Parallele und hybride Ansätze
7.5.1 Inselmodell und Migration
7.5.2 Zellulare genetische Algorithmen
7.5.3 Mühlenbeins Paralleler Genetischer Algorithmus (PGA)
7.6 Lernende Classifier Systeme
8 Testumgebungen
8.1 Aufbau einer Testumgebung
8.2 Funktionen
8.2.1 Standardfunktionen
8.2.2 "EA-Schwierige" Probleme
8.3 Kombinatorische Optimierungsprobleme
8.4 Strategieentwicklung
9 Fuzzy-Systeme
9.1 Grundprinzipien
9.2 Fuzzy-Mengen
9.3 Fuzzy-Regler
9.4 Fuzzy-Klassifikatoren
9.5 Fuzzy-Clusteranalyse
10 Kombinationen evolutionärer Algorithmen mit Fuzzy-Systemen
10.1 Fuzzy-Regler-Optimierung: Ein ausführliches Beispiel
10.1.1 Generierung der Regelbasis
10.1.2 Die Fitnessfunktion
10.1.3 Optimierung der Fuzzy-Mengen
10.1.4 Ergebnisse
10.2 Optimierung von Fuzzy-Systemen mit evolutionären Algorithmen
10.3 Fuzzy-Clustering mit evolutionären Algorithmen
10.4 Steuerung evolutionärer Algorithmen mit Fuzzy-Regeln
A Biologische Evolution und evolutionäre Algorithmen
A.1 Die biologische Evolution
A.1.1 Zellen und Genetik
A.1.2 Aufbau der Gene
A.1.3 Chromosomensätze und Kopierfehler
A.1.4 Anpassungsgeschwindigkeit an Umweltbedingungen
A.1.5 Zufallseinflüsse
A.1.6 Das Ziel der Optimierung
A.1.7 Genetische Drift und Varianz
A.1.8 Natürliche Schwankungen von Populationen
A.1.9 Ökologische Nischen
A.1.10 Evolution
A.2 Terminolgie der evolutionären Algorithmen
B NP-Vollständigkeit
B.1 Die Klasse P
B.2 Die Klasse NP
Literaturverzeichnis
Index
zurück zum Seitenanfang
© 2004
Christian Borgelt
Last modified: Mon Aug 2 14:54:15 MEST 2004