PowerPoint-Folien zur 5. Vorlesung „Evolutionsstrategie II“

Präsentation zum Thema: "PowerPoint-Folien zur 5. Vorlesung „Evolutionsstrategie II“"—  Präsentation transkript:

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