Der Grundgedanke |
Wenn die Natur bei der Entwicklung optimaler Systeme so erfolgreich ist, dann versuchen wir ihre Prozesse zu verstehen und nachzubauen. |
Vieles an dieser Kurzformulierung stimmt natürlich nicht oder nur bedingt. Sie ist hoffentlich im selben Sinne optimal wie die Natur: Sie ist nicht die beste, aber erfolgreich! Evolution ist ein sehr effektiver Optimierungsprozess! Wir werden bei den Genetischen Algorithmen also in vielen Fällen zwar nicht die beste oder auch nur eine von gleichwertigen besten Lösungen finden, aber eine gute, die meistens besser ist, als eine auf einem anderen Wege zu findende Lösung. Wenn das nicht so ist, nehme man diesen anderen Weg!
Die Genetischen Algorithmen simulieren also die natürlichen Vorgänge der Evolution. Dabei kommt es darauf an, die grundlegenden Prozesse zu erkennen, um sie nachbilden zu können.
Natürliche Organismen sind in der Regel Teile von Populationen, in denen sie mit einander konkurrieren. Sie konkurrieren dabei einmal mit Individuen derselben Spezies, aber auch mit Individuen von anderen Spezien. Mit allen konkurrieren sie um die elementaren Lebensgrundlagen wie Nahrung, Wasser und Licht, in einigen Fällen auch andere wichtige Dinge wie Wohnraum.
Zusätzlich konkurrieren sie auch noch mit den Mitgliedern der eigenen Spezies um die Chance zur Fortpflanzung. Nur die Individuen, die soweit überleben und sich so weit durchsetzen, dass sie sich fortpflanzen können, haben in diesem biologischen Sinne ihr Lebensziel erreicht. Das im evolutionären Sinne definierte Lebensziel eines Individuums ist also eine maximale Verbreitung seiner eigenen Gene.
In diesem Sinne lässt sich also eine Bewertung der Individuen durchführen -und die ist von uns dann im Modellbildungsprozess nachzubilden- und auf der Grundlage dieser Bewertung erfolgen dann die Veränderungen der Populationen durch Fortpflanzung.
Dabei gilt selbstverständlich auch hier, dass dieser Prozess nicht gradlinig erfolgt. Selbstverständlich gibt es "Unfälle" und andere Zufälle in der Natur, die nicht im exakten1) mathematischen Sinne den Kriterien des Optimalen gerecht werden. Auch das kann Teil des zu modellierenden Prozesses sein. Dass zu gradlinige Entwicklungen z.B. durch lokale Optimierung leicht zum Verrennen in lokalen Maxima führen können, sollten wir bei den greedy Algorithmen gelernt haben.
1)Mathematiker beschäftigen sich gerade in der letzten Zeit sehr intensiv mit der Beschreibung von Problemen, die sich nicht exakt beschreiben lassen, Beispiele sind Fuzzy Logic oder Chaotische Systeme. Dieser Mangel an Exaktheit ist dabei kein Mangel der Mathematiker, sondern kommt aus der Sache heraus.