Philosophie Lexikon der ArgumenteHome
| |||
|
| |||
| Genetische Algorithmen: Genetische Algorithmen sind eine Art evolutionärer Algorithmus, der vom Prozess der natürlichen Selektion inspiriert ist. Sie werden zur Lösung von Optimierungsproblemen eingesetzt, indem sie eine Population von Lösungskandidaten erzeugen und weiterentwickeln. Genetische Algorithmen arbeiten, indem sie zunächst eine Population von zufällig erzeugten Lösungen erstellen. Jede Lösung wird dann bewertet, um ihre Fitness zu bestimmen, die ein Maß dafür ist, wie gut sie das Problem löst. Siehe auch Computerprogrammierung, Software, Algorithmen, Künstliche Intelligenz._____________Anmerkung: Die obigen Begriffscharakterisierungen verstehen sich weder als Definitionen noch als erschöpfende Problemdarstellungen. Sie sollen lediglich den Zugang zu den unten angefügten Quellen erleichtern. - Lexikon der Argumente. | |||
| Autor | Begriff | Zusammenfassung/Zitate | Quellen |
|---|---|---|---|
|
Peter Norvig über Genetische Algorithmen – Lexikon der Argumente
Norvig I 126 Genetische Algorithmen/Norvig/Russell: Ein genetischer Algorithmus (oder GA) ist eine Variante der stochastischen Strahlensuche, bei der Nachfolgezustände durch Kombination zweier Elternzustände (parent states) und nicht durch Modifikation eines einzelnen Zustands erzeugt werden. Die Analogie zur natürlichen Selektion ist die gleiche wie bei der stochastischen Strahlensuche, nur dass es sich jetzt um eine sexuelle und nicht um eine asexuelle Fortpflanzung handelt. Norvig I 127 Wie bei der Strahlensuche beginnen GAs mit einer Reihe von k zufällig erzeugten Zuständen, der sogenannten Population. Jeder Zustand oder jedes Individuum wird als Zeichenkette über einem endlichen Alphabet dargestellt - am häufigsten eine Zeichenkette von Nullen und Einsen. Norvig I 128 Wie die stochastische Strahlensuche kombinieren genetische Algorithmen eine uphill-Tendenz mit zufälliger Erkundung und Informationsaustausch zwischen parallelen Search Threads. Der primäre Vorteil genetischer Algorithmen liegt, wenn überhaupt, in der Crossover-Operation. Es lässt sich jedoch mathematisch nachweisen, dass, wenn die Positionen des genetischen Codes zunächst in zufälliger Reihenfolge vertauscht werden, das Crossover keinen Vorteil bietet. Norvig I 155 In den 1950er Jahren verwendeten mehrere Statistiker, darunter Box (1957)(1) und Friedman (1959)(2), evolutionäre Techniken zur Optimierung von Problemen, aber erst Rechenberg (1965)(3) führte Evolutionsstrategien zur Lösung von Optimierungsproblemen für Tragflächen ein, sodass der Ansatz an Popularität gewann. In den 1960er und 1970er Jahren setzte sich John Holland (1975)(4) für genetische Algorithmen ein, sowohl als nützliches Werkzeug als auch als Methode zur Erweiterung unseres Verständnisses von Anpassung, biologisch oder anderweitig (Holland, 1995)(5). Die künstliches Leben-Bewegung (Langton, 1995)(6) geht mit dieser Idee noch einen Schritt weiter und betrachtet die Produkte von genetischen Algorithmen als Organismen und nicht als Problemlösungen. VsGenetische Algorithmen: Die meisten Vergleiche von genetischen Algorithmen mit anderen Ansätzen (insbesondere stochastisches Bergsteigen) haben ergeben, dass die genetischen Algorithmen langsamer konvergieren (O'Reilly und Oppacher, 1994(7); Mitchell et al., 1996(8); Juels und Wattenberg, 1996(9); Baluja, 1997)(10). VsVs: Solche Erkenntnisse sind in der GA-Gemeinschaft nicht universell verbreitet, aber die jüngsten Versuche innerhalb dieser Gemeinschaft, die populationsbasierte Suche als eine ungefähre Form des Bayes'schen Lernens zu verstehen, könnten helfen, die Lücke zwischen dem Feld und seinen Kritikern zu schließen (Pelikan et al., 1999)(11). >Genetische Programmierung/Norvig. 1. Box, G. E. P. (1957). Evolutionary operation: A method of increasing industrial productivity. Applied Statistics, 6, 81–101. 2. Friedman, G. J. (1959). Digital simulation of an evolutionary process. General Systems Yearbook, 4, 171–184. 3. Rechenberg, I. (1965). Cybernetic solution path of an experimental problem. Library translation 1122, Royal Aircraft Establishment 4. Holland, J. H. (1975). Adaption in Natural and Artificial Systems. University of Michigan Press. 5. Holland, J. H. (1995). Hidden Order: How Adaptation Builds Complexity. Addison-Wesley. 6. Langton, C. (Ed.). (1995). Artificial Life. MIT Press. 7. O’Reilly, U.-M. and Oppacher, F. (1994). Program search with a hierarchical variable length representation: Genetic programming, simulated annealing and hill climbing. In Proc. Third Conference on Parallel Problem Solving from Nature, pp. 397–406 8. Mitchell, M., Holland, J. H., and Forrest, S. (1996). When will a genetic algorithm outperform hill climbing? In Cowan, J., Tesauro, G., and Alspector, J. (Eds.), NIPS 6. MIT Press. 9. Juels, A. and Wattenberg, M. (1996). Stochastic hill climbing as a baseline method for evaluating genetic algorithms. In Touretzky, D. S., Mozer, M. C., and Hasselmo, M. E. (Eds.), NIPS 8, pp. 430–6. MIT Press. 10. Baluja, S. (1997). Genetic algorithms and explicit search statistics. In Mozer, M. C., Jordan, M. I., and Petsche, T. (Eds.), NIPS 9, pp. 319–325. MIT Press 11. Pelikan, M., Goldberg, D. E., and Cantu-Paz, E. (1999). BOA: The Bayesian optimization algorithm. In GECCO-99: Proc. Genetic and Evolutionary Computation Conference, pp. 525–532._____________ Zeichenerklärung: Römische Ziffern geben die Quelle an, arabische Ziffern die Seitenzahl. Die entsprechenden Titel sind rechts unter Metadaten angegeben. ((s)…): Kommentar des Einsenders. Übersetzungen: Lexikon der ArgumenteDer Hinweis [Begriff/Autor], [Autor1]Vs[Autor2] bzw. [Autor]Vs[Begriff] bzw. "Problem:"/"Lösung", "alt:"/"neu:" und "These:" ist eine Hinzufügung des Lexikons der Argumente. |
Norvig I Peter Norvig Stuart J. Russell Artificial Intelligence: A Modern Approach Upper Saddle River, NJ 2010 |
||
> Gegenargumente gegen Norvig
> Gegenargumente zu Genetische Algorithmen ...
