Looking Inside Genetic Algorithms

Heuristische Optimierungsverfahren werden häufig als Black Box betrachtet. Wegen der hohen Komplexität vieler Testprobleme und auch vieler realer Anwendungen und ebenfalls wegen der Vielfalt verschiedener Algorithmen ist eine mathematische Theorie meist nur in geringem Ausmaß vorhanden. Daher ist es für einen Benutzer solcher Verfahren schwierig, sich ein Bild von der internen Funktionsweise der Algorithmen zu machen sowie die Parameter der Verfahren entsprechend einzustellen, um hochqualitative Ergebnisse zu erzielen. In der vorliegenden Arbeit wird versucht, dieses Problem für Genetische Algorithmen zu überwinden, indem diese unter einem anderen Licht betrachtet werden. Basierend auf einer intensiven Beschreibung des biologischen Vorbildes Genetischer Algorithmen sowie des Gebiets der Populationsgenetik werden Allele als die grundlegenden Bausteine identifiziert, mit denen Genetische Algorithmen arbeiten. Diese allelorientierte Sichtweise ermöglicht die Einführung neuer Maßzahlen, die einen tieferen Einblick gestatten und dem Benutzer helfen, den Optimierungsprozess eingehender zu überwachen, Performanzprobleme frühzeitig zu erkennen, unterschiedliche Parametereinstellungen zu vergleichen, sowie das fundamentale Funktionsprinzip Genetischer Algorithmen besser zu verstehen. Zusätzlich werden diese Maßzahlen in umfassenden Testläufen dazu verwendet, um verschiedene Aspekte des Prozesses des Hyperebenen-Sampling zu erörtern und Licht in das Wechselspiel zwischen Hyperebenen-Sampling (Kreuzung) und nachbarschaftsbasierter Suche (Mutation) im Fall des Standard Genetischen Algorithmus zu bringen.