Evolutionäre Algorithmen

Montag, August 30, 2010

Evolutionäre Algorithmen

Im Modul Künstliche Intelligenz, 2. Semester Master Informatik

  • Biologische Evolution, Evolutionstheorie, Genotyp, Phänotyp, Evolutionsfaktoren, Bedingungen der Evolutio
  • Evolution als Optimierung und Suche, Lösungsraumsuche,
  • Lösungsräume: Nachbarschaft, Fitnesslandschaft, Fitnessfunktion, lokale Suche, Optima
  • Deterministische Optimierung: Koordinatenverfahren, Gradientenverfahren, Simplexverfahren
  • Nicht-deterministische Optimierung: Monte-Carlo-Verfahren, Simulated Annealing, Toleranzschwelle, Sintflut-Algorithmus,Evolutionäre Algorithmen, Einordnung und Vergleich der Verfahren
  • Evolutionäre Algorithmen (EA) GA, GP, ES, EP
  • Annahme, Heuristik des GA, einfacher genetischer Algorithmus vs. steady state, Fitnesstypen, Selektionstypen, Mehrzieloptimierung mit paretobasierter Rangselektion
  • Genetische Operatoren Crossover und Mutation, Anwendbarkeit und problemspezifische Zutaten
  • Genetische Programmierung (GP): S-Expression, Crossover*, Mutation (2!*)
  • Vehicle routing Problem: Permutationskodierung, PMX-Crossover
  • Großer Anwendungsteil, viele praktische Übungen

Abschlussarbeiten

KI-Projekte:

Genetisches Programmieren

Genetische Algorithmen

  • Berechenbare Fitness
    • Applet zu GA von Dr. M. Syrjakov
    • Evolution statischer Strukturen, Brandeis University (Massachusetts), WIE funktionert es (pdf 1.6MB, Hornby, Gregory. S. and Pollack, Jordan. B. (2001))
    • Konstruktionsunterstützung
      LEGO-CAD, Brandeis University (Massachusetts), JAVA-Client-Server-Applikation
    • Evolving 2D/3D Creatures, Brandeis University (Massachusetts)
    • Evolvable Hardware - GOLEM-Project an der Brandeis University (Massachusetts)
    • Framsticks - three-dimensional life simulation project (Win), Poznan University of Technology
    • Karl Sims Virtual Creatures (Moving Image Archive)
  • Interaktive Fitness