Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Wintersemester.

Ähnliche Präsentationen


Präsentation zum Thema: "Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Wintersemester."—  Präsentation transkript:

1 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Wintersemester 2005/06

2 Rudolph: FCI (WS 2005/06) Kap. 3: Evolutionäre Algorithmen2 Kapitel 3: Evolutionäre Algorithmen Inhalt Grundlagen Optimierung Nachbarschaftssuche (1+1)-EA …

3 Rudolph: FCI (WS 2005/06) Kap. 3: Evolutionäre Algorithmen3 Kapitel 3: Evolutionäre Algorithmen Zufällige Auswahl aus der 1-Nachbarschaft von x B n entspricht: 1 Bitposition zufällig gleichverteilt auswählen und invertieren Bsp: N 1 ( ) = { , , , } kann man wie folgt auffassen: - Bitstring x = (x 1 x 2 … x n ) ist Chromosom eines Individuums - das Chromosom wird durch Mutation (Bit invertieren) zufällig geändert - der Nachkomme mit geändertem Chromosom überlebt, wenn es der Umwelt besser angepasst ist bzw. bessere Fitness hat.

4 Rudolph: FCI (WS 2005/06) Kap. 3: Evolutionäre Algorithmen4 Kapitel 3: Evolutionäre Algorithmen (1+1)-EA wähle X 0 S, k = 0 repeat Y k = Mutation(X k ) if f(Y k ) < f(X k ) then X k+1 = Y k else X k+1 = X k k = k + 1 until Terminierung Mutation Selektion Mutation: S = B n lokal 1 Bit auswählen und flippen, d.h. aus N 1 -Nachbarschaft global jedes Bit mit Wkeit p flippen, d.h. aus N n -Nachbarschaft

5 Rudolph: FCI (WS 2005/06) Kap. 3: Evolutionäre Algorithmen5 Kapitel 3: Evolutionäre Algorithmen globale Mutation jede Bitposition jeweils mit Wkeit p invertieren entspricht: zufällige Entscheidung über Anzahl zu invertierender Bits, dann aus dieser Teilmenge der N n -Nachbarschaft gleichverteilt ziehen Anzahl K zu invertiender Bits: N4( ) = { , , , , , , , , , , , , , , } K = 1 K = 2 K = 3 K = 4

6 Rudolph: FCI (WS 2005/06) Kap. 3: Evolutionäre Algorithmen6 Kapitel 3: Evolutionäre Algorithmen Binomialverteilung: üblicherweise wird p = 1 / n gesetzt: n groß P{K= 0} ~ e -1 P{K=10} ~ E[K] = n p

7 Rudolph: FCI (WS 2005/06) Kap. 3: Evolutionäre Algorithmen7 Kapitel 3: Evolutionäre Algorithmen Typische theoretische Fragestellungen: Optima erreichbar?Bis wohin kommt man? Konvergenz?Zeit bis zum ersten Treffer? Zeit bis Konvergenz? Wenn Optima nicht immer erreichbar: Mit welcher Wkeit erreichbar? nein ja

8 Rudolph: FCI (WS 2005/06) Kap. 3: Evolutionäre Algorithmen8 Kapitel 3: Evolutionäre Algorithmen D k = | f(X k ) – f* | 0 ist eine Zufallsvariable wir betrachten die stochastische Folge D 0, D 1, D 2, … Konvergiert die Folge (D k ) k0 gegen 0? Wenn ja, dann offensichtlich Konvergenz zum Optimum! Erwartungswert von Zufallsvariable T = min{ k 0 : D k = 0 }


Herunterladen ppt "Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Wintersemester."

Ähnliche Präsentationen


Google-Anzeigen