4.7 Zusammenfassung

In diesem Kapitel wurden Populationsmodelle für die Anwendung bei Evolutionären Algorithmen vorgestellt, erläutert und analysiert. Besonderes Augenmerk wurde auf die ausführliche Darstellung der verschiedenen Parameter der Populationsmodelle gelegt. Durch diese umfassende Beschreibung ist ein genaues Verständnis der Populationsmodelle möglich. Außerdem kann durch die Erläuterung der Auswirkungen der einzelnen Parameter sowie deren Wechselwirkungen das Verhalten des Gesamtsystems besser eingeschätzt werden. Für alle Parameter wurden Empfehlungen für die praktische Anwendung gegeben.

Die ausführliche Erläuterung der Populationsmodelle erlaubt die einfache Einordnung ,,neuer Populationsmodelle" in die hier verwendete Klassifikation.

Auf der Grundlage dieser Ausführungen konnten zwei Erweiterungen des regionalen Modells eingeführt werden, die bisher noch nicht bzw. nur in einfachen Varianten berichtet wurden.

Die Anwendung verschiedener Strategien erlaubt die gleichzeitige Verwendung verschiedenster Parametereinstellungen. Dies ist in der Durchführung schneller und einfacher als mehrere unabhängige Experimente. Zusätzlich werden die Ergebnisse in einer kompakteren und besser zu überschauenden Weise dargeboten. Sehr einfach können erfolgreiche und erfolglose Strategien erkannt bzw. der unterschiedliche Erfolg einzelner Strategien während eines Laufs abgelesen werden. Außerdem eröffnet die gleichzeitige Anwendung verschiedener Strategien die Möglichkeit, daß sich die Strategien innerhalb eines Laufs ergänzen und dadurch in der gleichzeitigen Anwendung bessere Ergebnisse erreicht werden, als wenn die Strategien getrennt verwendet würden. Erst der Erfolg einer Strategie zu Beginn eines Laufs verhilft einer anderen Strategie im weiteren Verlauf zu ihrer erfolgreichen Anwendung.

Der Einsatz konkurrierender Unterpopulationen beruht auf der Anwendung verschiedener Strategien auf, geht aber noch eine Stufe weiter. Die verschiedenen Strategien werden nicht nur gleichzeitig verwendet, sondern die erfolgreichen Strategien erhalten mehr Ressourcen zur Verfügung gestellt, als die weniger erfolgreichen. Dadurch kommt es zu einer dynamischen Verteilung der Ressourcen auf die Strategien, die zum jeweiligen Zeitpunkt den größten Erfolg hatten.

Diese Verteilung der Ressourcen führt indirekt zu einer Anpassung der Strategieparameter während eines Laufs. Der Vorteil des Einsatzes konkurrierender Unterpopulationen gegenüber bisherigen Methoden zur Anpassung der Strategieparameter besteht darin, daß die Anpassung der Parameter nicht von außen durch den Benutzer vorgegeben werden muß, sondern in Abhängigkeit des Zustandes der Unterpopulationen geschieht. Damit eröffnen sich neue Möglichkeiten der Arbeit mit Evolutionären Algorithmen.

Die Beschränkung auf einen Satz von Parametern ist nicht mehr gegeben und die Suche nach guten Sätzen von Parametern (Strategien) für die Lösung eines Problems wird deutlich vereinfacht. Neben dem Test verschiedener Strategien können gleichzeitig mehrere Strategien verwendet werden. Durch den Einsatz konkurrierender Unterpopulationen erhalten diejenigen Strategien wenig Ressourcen, die nicht sehr gut für die Lösung des Problems geeignet sind. Dadurch wird nur ein kleiner Teil der Ressourcen für den Test dieser erfolglosen Strategien verwendet, wodurch der Test zusätzlicher erfolgversprechender Strategien auch bei sehr aufwendigen Problemen ermöglicht wird.

Die beiden hier vorgestellten Erweiterungen, die Anwendung verschiedener Strategien und der Einsatz konkurrierender Unterpopulationen, sind sehr leistungsstark. Ganz besonders in der praktischen Anwendung haben sie eine hohe Bedeutung. Beide Erweiterungen sind ein weiterer Schritt zur Entwicklung leistungsfähiger Evolutionärer Algorithmen, die besser auf die Lösung großer und schwieriger Probleme ausgerichtet sind.

Diese Dokument ist Teil der Dissertation von Hartmut Pohlheim "Entwicklung und systemtechnische Anwendung Evolutionärer Algorithmen". This document is part of the .
The is not free.
© Hartmut Pohlheim, All Rights Reserved, (hartmut@pohlheim.com).