Evolutionärer Algorithmus

Was ist ein Evolutionärer Algorithmus?

Ein Evolutionärer Algorithmus orientiert sich an den Vorstellungen aus der biologischen Evolution und an deren Entwicklungsmuster. Es handelt es sich um ein Optimierungsverfahren, das neue Ansätze und Lösungen zu bestimmten Problemen finden kann. Evolutionärer Algorithmen werden auch als genetische Algorithmen bezeichnet.

Solch ein Verfahren eignet sich hervorragend für komplexere Probleme. So können in einer Simulation ganze Individuen geschaffen werden und diese erhalten eine sogenannte Fitnessfunktion mit Tauglichkeitswerten. Über diesen Tauglichkeitswert wird Aufschluss darüber gegeben, wie gut ein solches Individuum das entsprechende Problem lösen kann. Danach wird selektiert, wobei die am besten angepassten Individuen „überleben“.

Bei dem ganzen Prozess gelten zwei wichtige Elemente als Voraussetzung für eine Verbesserung, nämlich eine Rekombination und eine Mutation. Die stärksten Eigenschaften werden durch den Prozess gesichert und die KI nähert sich der optimalen Lösung an. Veränderungen werden immer kleiner und können sich sogar einstellen, sobald das Maximum erreicht ist. Dieser Prozess kann vorher manuell unterbrochen werden, um so das Problem einer Überanpassung zu umgehen.

Was ist der Unterschied zwischen Evolutionären Algorithmen und Backpropagation?

Evolutionäre Algorithmen sind eine Alternative zur Backpropagation. Bei der Backpropagation wird ein Gradientenverfahren eingesetzt, um die Ergebnisse stetig zu verbessern. Zum Einsatz kommen dabei eine Fehleranalyse und eine Ursachenforschung. Danach wird immer weiter justiert. Evolutionäre Algorithmen verhalten sich wesentlich „zufälliger“ bei einer Änderung der Gewichtungsparameter.

Backpropagation wird im Rahmen von überwachtem Lernen eingesetzt. Evolutionäre Algorithmen können hingegen auch im unüberwachten Lernen, bei der Mustererkennung und beim Reinforcement Learning genutzt werden.

Wo kommen Evolutionären Algorithmen zur Anwendung?

Evolutionäre Algorithmen können über Optimierung und Suche hinaus eingesetzt werden. So kommen sie in der Kunst, der Modellierung und in der Simulation zur Anwendung. Weitere Anwendungsfelder sind die Entwicklung von Sensornetzen, die Aktienmarktanalyse und das Vorhersagen von RNA-Strukturen.

In der Kombinatorik ist aufgrund des hohen Rechenaufwandes nicht immer eine optimale Lösung herzuleiten. Für solche Optimierungen werden häufig Heuristiken eingesetzt. Wichtig für den Einsatz von Evolutionären Algorithmen sind die Fitnessfunktion, die Mutation und die Variation, mit denen Generationen neuer Elemente berechnet werden können.

Data Navigator Newsletter