Ein Genetischer Algorithmus repräsentiert einen iterativen Prozess. Innerhalb einer Iteration dieses Prozesses wird eine in ihrer Größe zumeist stabile Population von Individuen um jeweils eine Generation weiterentwickelt. Genetische Algorithmen werden deshalb den populationsbasierten Metaheuristiken zugeordnet. Als erster Schritt muss diese Startpopulation initialisiert werden, wobei die Generierung üblicherweise zufällig erfolgt. Die generierten Individuen liegen in der Regel ausschließlich als Genotyp vor und müssen in der Folge unter Verwendung einer Dekodierungsfunktion dekodiert werden. Diese Funktion überführt den Genotyp des jeweiligen Individuums in den Phänotyp. Die Phänotypen aller Individuen der Population bilden die Eingangsdaten für die Bewertung der Individuen mittels der Fitnessfunktion. Der durch diese Funktion ermittelte Fitnesswert quantifiziert die Anpassung des Individuums an seine Umwelt. Deshalb entspricht die Fitnessfunktion in der Regel der Zielfunktion, kann aber beispielsweise um zusätzliche Parameter erweitert werden. Insbesondere die Integration von Strafkostenfunktionen zur Abwertung unzulässiger oder Lösungen mit ungewünschten Eigenschaften werden häufig verwendet. Auf der bewerteten Population findet anschließend der Selektionsprozess statt, in dem Individuen als Elternteile für zu generierende Kind-Individuen ausgewählt werden. Dieser Auswahlprozess erfolgt abhängig vom Fitnesswert und findet in der Regel paarweise statt. Die Selektion erfolgt probabilistisch, wobei besser bewertete Individuen über höhere Chancen verfügen, selektiert zu werden als schlechter bewertete. Bei dem entwickelten Genetischen Algorithmus für das Standardproblem der Tourenplanung lag der Fokus insbesondere auf dem verwendeten Ansatz zur Kodierung der Lösungen. Der Algorithmus wurde anhand von Probleminstanzen evaluiert. Es wurden hierbei vor allem kleinere Probleme verwendet. Ein Test des Verfahrens an größeren Benchmarkproblemen sowie ein umfassender Parametertest stehen noch aus. Letzterer lässt aufgrund einer Feinabstimmung aller Parameter eine weitere Verbesserung der bisher erzielten Ergebnisse erwarten.
Ein Genetischer Algorithmus für das Tourenplanungsproblem
Nachhaltigkeit in Fabrikplanung und Fabrikbetrieb, TBI, Tage des System- und Betriebsingenieurs, 14 ; 297-305
2011
9 Seiten, 3 Bilder, 3 Tabellen, 18 Quellen
Conference paper
German
Online Contents | 1995
Genetischer Code und Schwerelosigkeit
TIBKAT | 1974
|Genetischer Fingerabdruck - track and trace
Automotive engineering | 2010
|Algorithmus sizes flare piping
Tema Archive | 1988
|