Präsentation herunterladen
Veröffentlicht von:Hedy Andelman Geändert vor über 10 Jahren
1
PowerPoint-Folien zur 5. Vorlesung „Evolutionsstrategie II“
Ingo Rechenberg PowerPoint-Folien zur 5. Vorlesung „Evolutionsstrategie II“ Genetische Algorithmen versus Evolutionsstrategie Imitation der Ursache und Imitation der Wirkung Weiterverwendung nur unter Angabe der Quelle gestattet
2
Biologische Evolution als Vorlage für einen Optimierungsalgorithmus
Hans-Joachim Bremermann 1960er Jahre 1960er Jahre Zur Geschichte Biologische Evolution als Vorlage für einen Optimierungsalgorithmus John Henry Holland 1970er Jahre
3
Genetische Algorithmen
Imitation der Ursache statt Imitation der Wirkung
4
Information Realisation
5
Konstruktionszeichnung – Realisation Gestern
6
Konstruktionszeichnung – Realisation Heute
Konstruktionszeichnung – Realisation Heute
7
Bausteine der Realisation (Aminosäuren)
Bausteine der Information (Nukleotidbasen)
8
Der Genetische DNA-Code
9
Realisierung der genetischen Information
10
Übersetzung eines DNA-Worts in die Aminosäure-Bedeutung
Nukleotidbasentriplett Übersetzung eines DNA-Worts in die Aminosäure-Bedeutung Nach dem genetischen Code zugeordnete Aminosäure Ser
11
Funktion der Form in Technik und Biologie
Auftriebsprofil Molekülkescher
12
Man stelle sich die 20 Aminosäuren als 20 verschiedene Winkelstücke vor, die zu einer Gelenkkette aneinandergekoppelt werden können.
13
Aufbau einer Gelenkkette mit Rechteckaussparung
14
Gelenkwinkel Quaternäre Kodierung
15
Von der quaternären Kodierung in der Biologie mit den vier Symbolen T, C, A, G
T T T → Phenylalanin T T C → Phenylalanin T T A → Leucin G G G → Glycin zur binären Kodierung der genetische Algorithmen mit den Symbolen 0, 1 → Grad-Winkel → Grad-Winkel → Grad-Winkel → 31- Grad-Winkel
16
+ Crossing over der Chromosomen
Vorbild für den genetischen Algorithmus +
17
GA-Operation
18
Genetischer Algorithmus
Normieren Runden Q 1 1 1 1 1 1 169 132 242 82 192 0,58 1 1 1 1 1 1 1 576 1,97 2 Rek 1 1 1 1 1 1 1 64 0,22 1 1 1 1 1 361 1,23 1 Σ 1170 Σ 4 Σ 4 Q 1 1 144 1 1 1 625 1 1 1 1 Genetischer Algorithmus 729 1 1 324 256 selten: Mutation ! Σ 1822 Σ 1754
19
Was nutzt es, wenn wir die informationsverarbeitenden Regeln des genetischen Systems gewissenhaft in die Technik transferieren, wenn in beiden Welten verschieden „gezählt“ wird.
20
1 9 X I X + 6 + V I 1 I 2 5 X V I I I Ars addendi
21
Mehrdeutige Abbildung Ursache - Wirkung
22
Die Zahl 2006 Im monoton steigenden Dezimal-Stellenwert-Code 2006 = 2· · · ·100 Im monoton steigenden Binär-Stellenwert-Code = 1· ·29 + 1·28 + 1·27 + 1·26 + 0·25 + 1·24 + 0·23 + 1·22 + 1·21 + 0·20 In einem alternierenden Binär-Stellenwert-Code = 1· ·20 + 1·29 + 1·21 + 1·28 + 1·22 + 1·27 + 0·23 + 1·26 + 1·24 + 0·25
23
Zerstörung einer starken Kausalität
GA Zerstörung einer starken Kausalität
24
Code-Welten = Knitterwelten
1 Stab 1 ist eintausendzweiundzwanzig Millimeter lang 2 Stab 2 ist eintausenddreiundzwanzig Millimeter lang 3 Stab 3 ist eintausendvierundzwanzig Millimeter lang Stab 1 = 1022 mm Stab 2 = 1023 mm Stab 3 = 1024 mm Stab 1 = mm Stab 2 = mm Stab 3 = mm
25
Binär-Code Gray-Code Knitterärmerer Code
26
Zum Schema-Theorem des GA
1 1 b 1 1 Das in a zusammen liegende Muster reichert sich in der Population eher an als das gleiche Muster in b
27
Interpretation der „Einstellarbeit“ an der Zeichenkette als Schrittweitenregelung für den GA
* Hoher Stellenwert Mittlerer Stellenwert Niedriger Stellenwert fertig in Arbeit in Arbeit in Arbeit in Arbeit irrelevant B I N Ä R E Z E I C H E N K E T T E * ) Doch Zerstörung der Grob-Fein-Einstellarbeit an den Code -“Knitterstellen“ !
28
Evolutionsfenster Ein analoger Mechanismus in der ES wäre: Abwechseldes Arbeiten mit 5 logarithmisch abgestuften Schrittweiten. Global-logarithmische Mutationsschrittweitenanpassung
29
GP GA * * * * * * * * - - = = = = If Then Else > + x y x x 2 y 2 2
Die genetische Programmierung (GP) versucht, neue funktionsfähige Progammstrukturen durch Kreuzen von Programmteilen zu erzeugen und die besseren Programme dann zu selektieren x y x * x * * 2 y 2 2 y y y x y If Then Else * - > = = * x y x * x + y y y 2 2 y * 2 x y GP
30
Beispiel für die Lösung eines Farb-Einstellproblems durch Kreuzung (Crossing over) und Selektion
31
Mannigfaltigkeit der Farb-Kombinationen
6 Positionen (Variablen) mit je 5 Schaltstufen (Farben: schwarz, blau, rot, grün, gold) ergeben 5 6 =15625 mögliche Kombinationen Gesucht ist die Kombination SCHWARZ- ROT-GOLD durch Anwendung der Operationen „Crossing- over“ und „Selektion“
32
1. Grobe Anpassung Vermehrung, Kreuzung, Selektion
Dominanz des Merkmals Vermehrung, Kreuzung, Selektion 1. Grobe Anpassung
33
2. Verfeinerte Anpassung
Dominanz des Merkmals Vermehrung, Kreuzung, Selektion 2. Verfeinerte Anpassung
34
2. Der letzte Schliff Vermehrung, Kreuzung, Selektion
Dominanz des Merkmals Vermehrung, Kreuzung, Selektion 2. Der letzte Schliff
35
Genetische Algorithmen imitieren die Ursache
Evolutionsstrategien imitieren die Wirkung im biologischen Vererbungsgeschehen
36
Ende
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.