Evolutionäre Algorithmen

Evolutionäre Algorithmen ermöglichen neue Ansätze in der Optimierung, Automatisierung, Modellierung und Simulation. Hier werden anwendungsorientiert Aufbau und Operatoren beschrieben. Von einfachen Varianten ausgehend werden die komplexen Erweiterungen vorgestellt und analysiert. Damit wird es einfach, die Auswirkungen bei Variationen erkennen und bewerten zu können. Für den Einsatz in der Praxis ist dieses von unschätzbarem Wert. Die verschiedenen Populationsmodelle werden beschrieben und bewertet. Eine in der Praxis erprobte Toolbox für Matlab ermöglicht schnelle Ergebnisse bei der Realisierung angepaßter Lösungen (Download). Beschrieben wird der Stand der Technik mit Blick auf technische Umsetzungen. Ingenieure und Softwareentwickler erhalten damit das notwendige Grundwissen und ein wertvolles Arbeitsmittel.
Systemvoraussetzungen: MATLAB 4. 2 oder 5. x, HTML-Browser, Acrobat Reader.

1 Einleitung. - 2 Struktur und Aufbau Evolutionärer Algorithmen. - 3 Grundlegende Verfahren und Operatoren. - 3. 1 Fitneßzuweisung. - 3. 2 Selektion. - 3. 3 Rekombination. - 3. 4 Mutation. - 3. 5 Wiedereinfügen (Reinsertion). - 3. 6 Initialisierung der Individuen. - 3. 7 Abbruchkriterien. - 3. 8 Zusammenfassung. - 4 Populationen, verschiedene Strategien und Konkurrenz. - 4. 1 Klassifikation von Populationsmodellen. - 4. 2 Globales Modell. - 4. 3 Lokales Modell. - 4. 4 Regionales Modell. - 4. 5 Anwendung verschiedener Strategien. - 4. 6 Konkurrierende Unterpopulationen. - 4. 7 Zusammenfassung. - 5 Visualisierung und Optimierung. - 5. 1 Systematisierung der Visualisierung von EA. - 5. 2 Globale Eigenschaften einer Population. - 5. 3 Lokale Eigenschaften einer Population. - 5. 4 Hochdimensionale Visualisierung. - 5. 5 Eigenschaften der Zielfunktion. - 5. 6 Protokollierung von Daten und Ergebnissen. - 5. 7 Zusammenfassung und Ausblick. - 6 Genetic and Evolutionary Algorithm Toolbox for Matlab. - 6. 1 Aufbau und Struktur der GEATbx. - 6. 2 Anwenderschnittstelle Scriptfunktionen. - 6. 3 Vordefinierte Algorithmen Toolboxfunktionen. - 6. 4 Zentralfunktion. - 6. 5 Zielfunktionen und Beispiele. - 6. 6 Einbeziehung problemspezifischen Wissens. - 6. 7 Dokumentation. - 6. 8 Zusammenfassung und Ausblick. - 7 Kombination von Operatoren zu Evolutionären Algorithmen. - 7. 1 Allgemein einstellbare Verfahren und Operatoren. - 7. 2 Global orientierte Parameteroptimierung. - 7. 3 Lokal orientierte Parameteroptimierung. - 7. 4 Parameteroptimierung binärer Variablen. - 7. 5 Kombinatorische Optimierung. - 7. 6 Parameteroptimierung von Variablen verschiedener Repräsentation. - 7. 7 Zusammenfassung. - 8 Anwendung Evolutionärer Algorithmen auf Praxisprobleme. - 8. 1 Vorgehen bei der Lösung von Optimierungsaufgaben. - 8. 2 Optimierung mehrdimensionaler Funktionen. - 8. 3 Parameteridentifikation eines Dieselmotormodells. - 8. 4 Optimierung der Parameter eines Reglers (Fahrzeuglenkung). - 8. 5 Steuerung eines komplexen Systems (Gewächshausklima). - 8. 6 Zusammenfassung. - 9 Schlußbetrachtungen. - 9. 1 Zusammenfassung. - 9. 2 Ausblick. - A. 1 Historische Entwicklung Evolutionärer Algorithmen. - A. 1. 1 Erste Arbeiten zu Evolutionären Algorithmen. - A. 1. 2 Evolutionäre Programmierung. - A. 1. 3 Evolutionsstrategien. - A. 1. 4 Genetische Algorithmen. - A. 1. 5 Evolutionäre Algorithmen heute. - A. 2 Gewächshaus- und Pflanzenmodell. - A. 2. 1 Zustandsgieichungen des Gewächshauses. - A. 2. 2 Zustandsgieichungen des Pflanzenmodells (Paprika). - A. 2. 3 Biomasse und Gewinn. - A. 2. 4 Beschränkungen. - Evolutionäre Algorithmen und Optimierung. - Kombinatorische Optimierung (TSP, Scheduling). - Behandlung von Populationen Parallele Modelle. - Visualisierung. - Polyploidie bei Evolutionären Algorithmen. - Biologie, Genetik und Populationsgenetik. - Pflanzenwachstum und Gewächshaus.