Vorlesung Evolutionäre Algorithmen
|
|
- Irmela Brauer
- vor 7 Jahren
- Abrufe
Transkript
1 Vorlesung Evolutionäre Algorithmen Dr. Nicole Drechsler, AG Rechnerarchitektur Raum 3480, Tel. 7391, Vorschlag für Prüfungskriterien: Bearbeitung einer praktischen (Programmier-) Aufgabe Fachgespräch einzeln (15 min) bzw. Modulprüfung (30 min) 1
2 Literatur K. Weicker: Evolutionäre Algorithmen, Teubner Verlag, 2002 W. Kinnebrock: Optimierung mit Genetischen und Selektiven Algorithmen, Oldenbourg Verlag, 1994 Sekundärliteratur: Originalarbeiten Bücher von J. Holland (1975), D. Goldberg (1989), J. Koza (1992), Z. Michalewicz (1994), E. Schöneburg (1994) T. Bäck et. al.: Handbook of Evolutionary Computation, Oxford University Press,
3 Gliederung Kapitel 1: Einführung in Evolution und Optimierung Kapitel 2: Evolution als Optimierungsprinzip Kapitel 3: Prinzipien Evolutionärer Algorithmen Kapitel 4: Evolutionäre Standardalgorithmen Genetische Algorithmen Evolutionstrategien Evolutionäre Programmierung Genetische Programmierung Kapitel 5: Problemspezifische Verfahren Kapitel 6: Aktuelle Entwicklungen und Erweiterungen 3
4 Optimierungsverfahren treten in fast allen technischen, naturwissenschaftlichen, wirtschafts- und gesellschaftswissenschaftlichen Anwendungen auf Effiziente und robuste Optimierungsverfahren sind von großer praktischer Bedeutung Exakte mathematische Optimierungsverfahren existieren für eingeschränkte Modellklassen, z.b. Lineare Probleme (Simplexverfahren) Branch&Bound... 4
5 Notation Evolutionäre Algorithmen (EAs) Oberbegriff von Genetischen Algorithmen (Holland) Evolutionsstrategien (Rechenberg/Schwefel) Evolutionärer Programmierung (Fogel) Genetischer Programmierung (Koza) hybriden Verfahren... Unabhängig entwickelt seit 60er Jahren 5
6 Viele reale Probleme sind nicht exakt optimierbar! Heuristiken (griech. heureka) Numerische Verfahren (mit und ohne Kenntnis der Ableitungen), z.b. Gradientenverfahren Probabilistische Verfahren Die Ansätze garantieren nicht, dass ein globales Optimum gefunden wird! Evolutionäre Algorithmen gehören zur Klasse der probabilistischen Verfahren, die um die Ideen aus der Evolution erweitert werden. Selektion von Lösungen und deren Veränderungen sind zufallsgesteuert. 6
7 Das steigende Interesse an naturanalogen Verfahren ist bedingt durch den erfolgreichen Einsatz der Verfahren in vielen realen Anwendungen die einfache Umsetzung vieler naturanaloger Verfahren Aber: Naturanaloge Verfahren sind kein Allheilmittel d.h. sie sind kein Black-Box Optimierungsverfahren genaue Analyse der Problemstellung ist notwendig Aussagen über die Qualität der Lösung sind idr nicht möglich Kenntnisse über Mathematik und Stochastik sind notwendig 7
8 Optimierung Finden eines Minimums Schwierige Probleme polynomielle bzw. schnelle Algorithmen nicht bekannt 8
9 Zufälliges Bestimmen Raten einer Lösung Einfache Methode schnell häufig schlechte Ergebnisse 9
10 Greedy-Verfahren Lokales Verbessern einer Startlösung Schnelle Methode Erreichen eines lokalen Minimums Abhängig von Startpunkt 10
11 1. Einführung in die Evolution und Optimierung Optimierungsverfahren Idee: Betrachte mehrere Lösungen Motivation durch Beobachtungen in der Natur Lösungen sind Individuen einer Population Erzeugen neuer Individuen Selektion der besser angepassten Lösungen Anpassung wird durch Bewertung der Individuen gemessen Weiterentwicklung erfolgt durch einen simulierten Evolutionsprozess survival of the fittest 11
12 Prinzipien der biologischen Evolution Die Beschreibung der Evolutionsmechanismen erfolgt stark vereinfacht, wie sie für das Verständnis Evolutionärer Algorithmen erforderlich ist. Die realen Abläufe sind deutlich komplexer und nur teilweise bekannt. Die Mechanismen der natürlichen Evolution sind selbst Resultat der Evolution. Biologische Evolution ist die Veränderung des Lebens durch Selektion und Variation des genetischen Materials. 12
13 Biologischer Hintergrund Erste Erkenntnisse der Evolution basieren auf den Arbeiten von Charles Darwin (1859): Natürliche Selektion bevorzugt Spezies, die besser an ihre Umgebung angepasst sind Spezies unterliegen zufälligen Modifikationen (Mutationen) Nachkommen entstehen durch Fortpflanzung unter Mischen der Erbinformationen 13
14 Evolution und Genetik Spezies bzw. Individuen sind durch ihre genetische Information definiert in den Genen kodiert Vollständige genetische Information wird als Genotyp bezeichnet, einzelne Individuen als Phänotyp. Die Evolution bzw. die Selektion findet auf Ebene der Phänotypen statt. 14
15 Bauplan eines Organismus In der DNA kodiert (desoxyribonucleic acid) String-artiges Molekül bestehend aus Nukleotiden mit den Basen Adenin (A) Cytosin (C) Guanin (G) Thymin (T) 15
16 Bauplan eines Organismus (Cont) Basenpaare bilden die Verbindungen zwischen den Strängen Alle Verbindungen sind vom Typ T-A oder G-C ein Strang ist aus dem anderen ableitbar Redundanz und Fehlertoleranz Während der Zellteilung werden die Stränge aufgespalten, so dass die Information repliziert werden kann (Selbstreplikation der DNA). 16
17 Vom Genotyp zum Phänotyp DNA ist Informationsträger Aufbau des Organismus (Phänotyp) aus dem Bauplan (Genotyp) Auf Zellebene besteht dieser Schritt aus der Proteinbiosynthese Proteine sind Ketten von Aminosäuren 20 unterschiedliche Aminosäuren bilden die Buchstaben, aus denen Wörter (Proteine) gebildet werden Ein Gen ist Teil der DNA, der Informationen zur Synthese eines Proteins enthält. Wert eines Gens nennt man Allel 17
18 Schritte der Proteinsynthese DNA (m)rna Protein RNA (engl. ribonucleic acid) ist ein einstrangiges Molekül, das mit Enzymen interagieren kann und aus der DNA entsteht Übersetzungstabelle DNA RNA Basenpaar der DNA G-C T-A C-G A-T RNA G U C A Uracil(U) ersetzt in der RNA das Thymin (T) der DNA 18
19 RNA-Information ist gemäß des sog. Genetischen Codes in der mrna gespeichert Jeweils 3 Nukleotide bestimmen eine Aminosäure in der Aminosäuresequenz eines Proteins Mit 3 Nukleotiden und 4 Basen können 4 3 = 64 Aminosäuren kodiert werden gute Fehlerredundanz Jede Aminosäuresequenz beginnt mit einem Start- und endet mit einem von drei Stopp-Zeichen 19
20 20 Genetischer Code U C A G Cys Cys (stop) Trp Tyr Tyr (stop) (stop) Ser Phe Phe Leu Leu U U C A G Ser Ser Arg Arg Asn Asn Lys Lys Thr Ile Ile Ile Met (start) A Val Leu U Zweites Nukleotid Ala Pra C Asp Asp Glu Glu His His Gln Gln A U C A G Gly G U C A G Arg C G Drittes Nukleotid Erstes Nukleotid
21 Schematischer Ablauf der Proteinbiosynthese Struktur der DNA Aufspalten der DNA durch Enzyme (RNA-Polymerase) Selbstreplikation durch Ergänzung der einzelnen Stränge unter Mitwirkung von Enzymen (Bildung der m-rna) 21
22 Proteinbiosynthese (Cont) m-rna wandert aus dem Zellkern in das Zellplasma Ribosomen lagern sich an die m-rna An jedem Ribosom entsteht eine Polypeptidkette (Protein) aus der Verknüpfung einzelner Aminosäuren (Zuordnungsvorschrift des genetischen Codes) Die Aminosäuren werden von spezifischen t-rnas herangeschafft 22
23 Evolution auf Zellebene Fehlerrate bei Zellteilung liegt bei bis Stabile Erhaltung der Informationen Wichtig für Erhaltung von Eigenschaften Weniger Spielraum für Evolution Wichtig für Erreichen von Verbesserungen 23
24 Evolution auf Zellebene (2) Selektionsvorteile durch Sexualität als evolutionsbeschleunigender Mechanismus? Rekombination des Erbguts der Eltern Keimzellen der Eltern Kinderorganismus Keimzellen der Kinder 24
25 Evolutionsprinzip Evolution findet in einer Population von Individuen statt Änderung der Häufigkeiten von Allelen durch Selektionsvorteile Elternselektion Umweltselektion Fehler bei der Reproduktion der DNA Mutation Neukombination des genetischen Materials der Eltern Rekombination 25
26 Evolutionsprinzip Evolution findet in einer Population von Individuen statt Änderung der Häufigkeiten von Allelen durch Selektionsvorteile Elternselektion Umweltselektion Fehler bei der Reproduktion der DNA Mutation Neukombination des genetischen Materials der Eltern Rekombination 26
27 Mutation Fehler bei der Reproduktion der DNA Mutationswahrscheinlichkeiten Mensch Wahrscheinlichkeit einer Mutation Genom mit etwa 10 5 Genen und 10 4 Bausteine je Gen Ergibt Mutationswahrscheinlichkeit von 10-1 pro Zellteilung Viele Veränderungen haben keine Auswirkungen oder sind rezessiv Mutationen sind Grundlage für Modifikationen im Evolutionsprozess Einzelne Veränderungen sind sehr klein Große Veränderungen sind Summe vieler kleiner Veränderungen Große Veränderungen in einem Schritt sind idr schlecht Wechselwirkungen zwischen den Komponenten 27
28 Evolutionsprinzip Evolution findet in einer Population von Individuen statt Änderung der Häufigkeiten von Allelen durch Selektionsvorteile Elternselektion Umweltselektion Fehler bei der Reproduktion der DNA Mutation Neukombination des genetischen Materials der Eltern Rekombination 28
29 Rekombination Neu-Kombination des genetischen Materials der Eltern (kein Evolutionsfaktor aus Sicht der klassischen Evolutionslehre) Es entsteht keine neue Information bzw. Eigenschaften, die vorhandene Information wird neu gemischt Neuere Forschungen lassen vermuten, dass durch Rekombination erzeugte Allele für den Evolutionsprozess wichtiger sind als die durch Mutationen erzeugten 29
30 Selektion und Fitness Veränderung der Häufigkeit von Allelen durch unterschiedlich viele Nachkommen der einzelnen Allele Ursachen: Unterschiedliche Überlebenschancen Unterschiedliche Fortpflanzungsrate Unterschiedlicher Erfolg bei der Partnersuche Unterschiedliche Länge der Generationsdauer Selektionsmaß ist gegeben durch Fitnesswerte der Genotypen Relative Fitness eines Genotyps G ist definiert über Anzahl der überlebenden Nachkommen in einer Population Fitness(G) = #Nachkommen(G)/#Nachkommen(G ) mit G bester Genotyp in Population 30
31 Selektion ist kein reiner Auswahlprozess, der jeweils nur die vorteilhafteste Form auswählt Mögliche Gründe: Polymorphismus nur geringfügige Selektionsunterschiede der Phänotypen oder unterschiedliche Selektionsvorteile bei wechselnden Umweltbedingungen Rezessive Allele: A dominant, a rezessiv Aa und AA haben den gleichen Phänotypen Aa kann Vorteile gegenüber AA haben, so dass aa immer wieder entstehen kann Räuber-Beute Systeme (Selektionsvorteile von Minderheitsphänotypen) Polymorphe Population hat mehr Potential zur Anpassung bessere Überlebenschance 31
32 Genfluss Genhäufigkeiten ändern sich durch Zu- und Abwandern von Individuen in einer Population Teilpopulationen Durch Austausch von Individuen zwischen den (isolierten) Teilpopulationen entsteht ein Genfluss Getrennte Population können sich auseinander entwickeln Entstehung neuer Arten ohne Genfluss Geographische oder zeitliche Trennungen 32
33 Gendrift Alle Allele einzelner Gene sterben durch Zufallseffekte aus Bewirkt Reduktion der Vielfalt in einer Population Vor allem in kleinen Populationen (<1000) ist Gendrift ein wesentlicher Evolutionsfaktor Evolutionsbeschleunigung durch Gendrift und Genfluss? Keine Relevanz in großen Populationen 33
34 Nischenbildung Aufteilung der Umwelt an verschiedene Arten Jeder nutzt die vorhandenen Ressourcen auf eigene Art und Weise für Wachstum und Ernährung Bei Überschneidung der Nischen werden Selektionsmechanismen aktiv und stellen Gleichgewicht wieder her Genfluss/Gendrift Nischenbildung Evolution ökologischer Beziehungen Wechselwirkungen zwischen Änderungen der unterschiedlichen Arten Koevolution 34
35 Selektionsvorteil durch Lernen? (Widerlegte) Theorie von Lamarck (1809): Genotyp 1 Genotyp 2 bestimmt Phänotyp 1 Lernen Phänotyp 2 bestimmt Baldwin-Effekt: Vererbung von spezifischen Lernfähigkeiten durch Selektionsvorteile (1896): Genotyp 1 Evolution Genotyp 2 bestimmt Baldwin-Effekt bestimmt Phänotyp 1 Lernen Phänotyp 1 Phänotyp 2 Lernen Phänotyp 2 35
36 Evolution und Optimierung Evolutionsprozess: lässt angepasste Individuen entstehen und passt sie dynamisch geänderten Umweltbedingungen an erhält Diversität im Genpool Mechanismen der Evolution sind zufallsgesteuert (Mutation, Selektion, Rekombination) Evolution optimiert die Entwicklung von Spezies Können die erfolgreichen Konzepte der Evolution auch im Zusammenhang mit mathematischen Optimierungsproblemen genutzt werden? 36
Evolutionäre Algorithmen
Karsten Weicker Evolutionäre Algorithmen 2., überarbeitete und erweiterte Auflage m Teubner Inhaltsverzeichnis 1 Natürliche Evolution 1 1.1 Entwicklung der evolutionären Mechanismen 2 1.2 Evolutionsfaktoren
MehrPinschertage der OG Bonn Grundlagen der Zucht
Pinschertage der OG Bonn 31.05. - 01.06.2008 Grundlagen der Zucht von Ralf Wiechmann Der Phänotyp Ist die Gesamtheit der wahrnehmbaren Merkmale eines Organismus. das äußere Erscheinungsbild das Aussehen,
MehrWas ist der Promotor? Antwort: Eine spezielle Nucleotidsequenz auf der DNA, an der die RNA-Polymerase bindet um die Transkription zu starten.
Was ist der Promotor? Antwort: Eine spezielle Nucleotidsequenz auf der DNA, an der die RNA-Polymerase bindet um die Transkription zu starten. Wie bezeichnet man den Strang der DNA- Doppelhelix, der die
MehrAminosäurenanalytik. Probenvorbereitung Eiweißfällung, Oxidation und Hydrolyse Karl-Heinz Jansen SYKAM CHROMATOGRAPHIE
Aminosäurenanalytik Probenvorbereitung Eiweißfällung, Oxidation und Hydrolyse Karl-Heinz Jansen SYKAM CHROMATOGRAPHIE Proteinfällung 2 Proteinfällung 3 Proteinfällung 4 Proteinfällung 5 Proteinfällung
MehrDiskrete dynamische Systeme in der Populationsgenetik Hofbauer J., und Sigmund K.: Evolutionary Games and Population Dynamics, Cambridge
Diskrete dynamische Systeme in der Populationsgenetik Hofbauer J., und Sigmund K.: Evolutionary Games and Population Dynamics, Cambridge Dominik Urig Saarbrücken, den 10.01.2012 Inhaltsangabe 1 Biologische
MehrMechanismen der Evolution. Übersicht. Lamarck und Darwin Variation natürliche Selektion, sexuelle, künstliche Gendrift Artbildung adaptive Radiation
Mechanismen der Evolution 1 Übersicht Lamarck und Darwin Variation natürliche Selektion, sexuelle, künstliche Gendrift Artbildung adaptive Radiation 2 Jean Baptiste de LAMARCK... der häufige Gebrauch eines
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Die gentechnische Produktion von Insulin - Selbstlerneinheit zur kontextorientierten Wiederholung der molekularen Genetik Das komplette
MehrÜbersicht. Lamarck und Darwin Variation natürliche Selektion, sexuelle, künstliche Gendrift Artbildung adaptive Radiation
Evolution 1 Übersicht Lamarck und Darwin Variation natürliche Selektion, sexuelle, künstliche Gendrift Artbildung adaptive Radiation 2 Jean Baptiste de LAMARCK... der häufige Gebrauch eines Organs [stärkt]
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 6: Evolutionäre Algorithmen 1/74 NATÜRLICHE EVOLUTION Grundverständnis für die Zusammenhänge und die Komplexität der natürlichen Evolution mit dem Ziel deren Nachahmung
MehrDendrogramm der Primaten
Arbeitsblatt 1 Dargestellt ist ein Ausschnitt der DNA-Sequenz für das Enzym NAD- Polymerase, dass bei den Primatenarten Mensch(M), Schimpanse(S), Gorilla(G), Orang-Utan(O) und Gibbon(Gi) vorhanden ist.
MehrGrundlagen der biologischen Evolution
Ausgewählte Grundlagen der biologischen Evolution Grundlagen der biologischen Evolution Chromosome und Gene Genotyp und Phänotyp Evolutionsfaktoren Epigenetik und was wir sonst noch nicht verstanden haben
MehrPopulationsbasierte Suche. Evolutionäre Algorithmen (1)
Populationsbasierte Suche Bisherige Meta-Heuristiken: Simulated Annealing Tabu Search Ausgehend von einer Lösung wird gesucht Populationsbasierte Heuristiken Suche erfolgt ausgehend von mehreren Lösungen
MehrDNS-Modell Best.-Nr. 2015801
DNS-Modell Best.-Nr. 2015801 1. Produktvorstellung Ziel des Produktes Dieses Modell soll das DNS-Molekül visualisieren: es soll die Doppelspirale, Stickstoffbasen mit Wasserstoffbrückenbindung, Zucker-Phosphatskelette
Mehr2. Evolution als Optimierungsprinzip
2. Evolution als Optimierungsprinzip Biologen betrachten Evolution als Mechanismus, der in der Natur Lösungen für spezielle Probleme erzeugt Prinzipien der biologischen Evolution werden zur Lösung von
MehrPharmazeutische Biologie Grundlagen der Biochemie
Pharmazeutische Biologie Grundlagen der Biochemie Prof. Dr. Theo Dingermann Institut für Pharmazeutische Biologie Goethe-Universität Frankfurt Dingermann@em.uni-frankfurt.de Empfohlene Literatur Empfohlene
MehrOptimale Produktliniengestaltung mit Genetischen Algorithmen
Optimale Produktliniengestaltung mit Genetischen Algorithmen 1 Einleitung 2 Produktlinienoptimierung 3 Genetische Algorithmen 4 Anwendung 5 Fazit Seite 1 Optimale Produktliniengestaltung mit Genetischen
MehrDer molekulare Bauplan des Lebens; biologische Nano- und Mikrobausteine von Lebewesen. RNA und DNA als sich selbst replizierende Informationsspeicher
Der molekulare Bauplan des Lebens; biologische Nano- und Mikrobausteine von Lebewesen RNA und DNA als sich selbst replizierende Informationsspeicher Quelle: Biochemie, J.M. Berg, J.L. Tymoczko, L. Stryer,
MehrVerfahren zu Strukturvorhersagen in vereinfachten Modellen. Tobias Voigt Sommerakademie 2002 St. Johann
Verfahren zu Strukturvorhersagen in vereinfachten Modellen Tobias Voigt Sommerakademie 2002 St. Johann Einführung! Sequenzierung von Proteinen und Nukleinsäuren ist heute Routine! Die räumliche Struktur
MehrIn den Proteinen der Lebewesen treten in der Regel 20 verschiedene Aminosäuren auf. Deren Reihenfolge muss in der Nucleotidsequenz der mrna und damit
In den Proteinen der Lebewesen treten in der Regel 20 verschiedene Aminosäuren auf. Deren Reihenfolge muss in der Nucleotidsequenz der mrna und damit in der Nucleotidsequenz der DNA verschlüsselt (codiert)
MehrModul Biologische Grundlagen Kapitel I.2 Grundbegriffe der Genetik
Frage Was sind Fachbegriffe zum Thema Grundbegriffe der Genetik? Antwort - Gene - Genotyp - Phänotyp - Genom - Dexoxyribonucleinsäure - Träger genetischer Information - Nukleotide - Basen - Peptid - Start-Codon
MehrDynamik von Genen in Populationen
Dynamik von Genen in Populationen Thomas Spießer 01.08.2007 Zusammenfassung Evolution ist die Veränderung der vererbbaren Merkmale einer Population von Lebewesen von Generation zu Generation. 1 Das Studium
MehrGenetische Algorithmen. Uwe Reichel IPS, LMU München 8. Juli 2008
Genetische Algorithmen Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 8. Juli 2008 Inhalt Einführung Algorithmus Erweiterungen alternative Evolutions- und Lernmodelle Inhalt 1 Einführung
MehrVon der Mikro- zur Makroevolution... (1) Einige Bemerkungen zur Evolution von Organen und der höheren Taxa
Von der Mikro- zur Makroevolution... (1) Einige Bemerkungen zur Evolution von Organen und der höheren Taxa Wie funktioniert Evolution im Kleinen? Evolution beinhaltet nicht nur Artbildung, sondern auch
MehrGenetische und Evolutionäre Algorithmen (Vol. 1)
Vortrag über Genetische und Evolutionäre Algorithmen (Vol. ) von Adam El Sayed Auf und Kai Lienemann Gliederung: ) Einführung 2) Grundkonzept 3) Genaue Beschreibung des Genetischen Algorithmus Lösungsrepräsentation
MehrBiochemie (für Bioinformatiker) WS 2010/2011, 1. Klausur (50 Punkte)
Datum: 06.12.2010 Name: Matrikel-Nr.: Vorname: Studiengang: Bioinformatik Biochemie (für Bioinformatiker) WS 2010/2011, 1. Klausur (50 Punkte) Modulnr.: FMI-BI0027 iermit bestätige ich meine Prüfungstauglichkeit.
MehrAusbildung zum Bienenwirtschaftsmeister Mai 2012 Christian Boigenzahn
Einführung in die Grundlagen der Genetik Ausbildung zum Bienenwirtschaftsmeister Mai 2012 Christian Boigenzahn Molekularbiologische Grundlagen Die Zelle ist die grundlegende, strukturelle und funktionelle
MehrEvolutionstheorien und -faktoren erforschen S 2. Colourbox II/I2. Thinkstock
Evolutionstheorien und -faktoren erforschen Reihe 4 Verlauf Material S 2 LEK Glossar M1 Colourbox t h c i s n a r o V Thinkstock Evolutionstheorien und -faktoren erforschen Reihe 4 M2 Verlauf Material
MehrSurvival of the Fittest Optimierung mittels Genetischer Algorithmen
Übung zu Organic Computing Survival of the Fittest Optimierung mittels Genetischer Algorithmen Sabine Helwig Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design) Universität Erlangen-Nürnberg sabine.helwig@informatik.uni-erlangen.de
Mehr10. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 10. Vorlesung Stochastische Optimierung Genetische Algorithmen 10. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrAnwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen
Anwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen Jana Müller Seminar Das Virtuelle Labor Otto von Guericke Universität Magdeburg Gliederung 1. Motivation
MehrTeil II Optimierung. Modellgestützte Analyse und Optimierung Kap. 5 Einführung Optimierung. Peter Buchholz 2006
Teil II Optimierung Gliederung 5 Einführung, Klassifizierung und Grundlagen 6 Lineare Optimierung 7 Nichtlineare Optimierung 8 Dynamische Optimierung (dieses Jahr nur recht kurz) (9 Stochastische Optimierungsmethoden
Mehr...-Arg-Met-Phe-Ala-Asn-His-Lys-Ser-Val-Gly-...
1. Im Enzym Xase, das aus einer Polypeptidkette aus 300 Aminosäuren besteht, findet sich in der Region der Aminosäuren 40-50 die folgende Aminosäurensequenz:...-Arg-Met-Phe-Ala-Asn-His-Lys-Ser-Val-Gly-...
MehrInformatiCup 2009 EvolutionConsole
InformatiCup 2009 EvolutionConsole Wilhelm Büchner Hochschule 19. März 2010 1 1. Das Team Teammitglieder Ralf Defrancesco KION Information Services GmbH Systemadministrator Daniel Herken Scooter Attack
MehrEvolution und Algorithmen
Kapitel 6 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrEvolutionsfaktoren. = Gesamtheit der Gene aller Individuen einer Population bleibt nach dem HARDY-WEINBERG-Gesetz unter folgenden Bedingungen
Evolutionsfaktoren 1 Genpool = Gesamtheit der Gene aller Individuen einer bleibt nach dem HARDY-WEINBERG-Gesetz unter folgenden Bedingungen gleich: keine Mutationen alle Individuen sind für Umweltfaktoren
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
MehrGrundwissenkarten Gymnasium Vilsbisburg. 9. Klasse. Biologie
Grundwissenkarten Gymnasium Vilsbisburg 9. Klasse Biologie Es sind insgesamt 10 Karten für die 9. Klasse erarbeitet. davon : Karten ausschneiden : Es ist auf der linken Blattseite die Vorderseite mit Frage/Aufgabe,
MehrDer Kampf ums Überleben
Einführungstext - 2 - Der Kampf ums Überleben Seit den Anfängen des Lebens auf der Erde verändern sich die Lebewesen ständig. Unzählige Arten starben aus und neue Arten haben sich entwickelt. Aber nicht
Mehr3.5 Moderne Genetik - Vorgänge
3.5 Moderne Genetik - Vorgänge Der genetische Code Jedes Gen besteht aus sogenannten Basentriplets. Das ist eine Sequenz von drei aufeinanderfolgenden Nukleinbasen, die für eine bestimmte Aminosäure stehen.
MehrGen Protein Aufgaben: Edel LK-Bio BI-3
Proteinbiosynthese Von der DNA zum Protein Dieses Lernprogramm zeigt Ihnen in einem vereinfachten Modell den im Zellinneren ablaufenden Prozess vom Gen auf der DNA zum Protein. Aufgaben: 1 Betrachten Sie
MehrBiologischer Abbau (Physiologie)
Ö K O L O G I E Biologischer Abbau (Physiologie) Der biologische Abbau organischer Substrate (u.a. Kohlenhydrate) durch Enzyme oder Mikroorganismen dient zu folgendem: --- zelleigenes Material (u.a. Proteine)
MehrVorlesung Biophysik I - Molekulare Biophysik Kalbitzer/Kremer/Ziegler
Vorlesung Biophysik I - Molekulare Biophysik Kalbitzer/Kremer/Ziegler 23.10. Zelle 30.10. Biologische Makromoleküle I 06.11. Biologische Makromoleküle II 13.11. Nukleinsäuren-Origami (DNA, RNA) 20.11.
MehrPharmazeutische Biologie WS2011/2012. Das neue Paradigma: Personalisierte Medizin
2. Vorlesung Pharmazeutische Biologie WS2011/2012 Das neue Paradigma: Personalisierte Medizin Prof. Theo Dingermann Institut für Pharmazeutische Biologie Biozentrum Max-von Laue-Str. 9 60438 Frankfurt
MehrDynamik und Schicksal von mutanten Allelen in Populationen
Dynamik und Schicksal von mutanten Allelen in Populationen Nothing in evolution makes sense, except in the lightof the population (Gabriel Dover, verändert nach Dobzhansky) Thomas Hankeln, Institut für
MehrMOL.504 Analyse von DNA- und Proteinsequenzen
MOL.504 Analyse von DNA- und Proteinsequenzen Kurs 1 Monika Oberer, Karl Gruber MOL.504 Modul-Übersicht Einführung, Datenbanken BLAST-Suche, Sequenzalignment Proteinstrukturen Virtuelles Klonieren Abschlusstest
MehrAlgorithmen für schwierige Optimierungsprobleme Vorlesung für den Bereich Bachelor Informatik
Algorithmen für schwierige Optimierungsprobleme Vorlesung für den Bereich Bachelor Informatik Dozent: Prof. Dr. Henning Meyerhenke Paralleles Rechnen, Fakultät für Informatik 1 KIT Universität des Landes
MehrGenetische Algorithmen
Genetische Algorithmen Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
MehrGrundkurs Biologie. Aufgabenbeispiel für den B-Teil
Aufgabenbeispiel für den B-Teil Nahrungsmittel-Unverträglichkeiten treten in verschiedener Häufigkeiten und Formen auf. Sie können auch ganz unterschiedliche Ursachen haben. An einer genetisch verursachten
MehrBiologie I/B: Klassische und molekulare Genetik, molekulare Grundlagen der Entwicklung Theoretische Übungen SS 2016
Biologie I/B: Klassische und molekulare Genetik, molekulare Grundlagen der Entwicklung Theoretische Übungen SS 2016 Fragen für die Übungsstunde 2 (06.06. 10.06.) DNA-Schäden, Mutationen und Reparatur 1.
MehrDie interne Evolution von Organisationen
Jürgen Kumbartzki Die interne Evolution von Organisationen Evolutionstheoretischer Ansatz zur Erklärung organisationalen Wandels Mit Geleitworten von Prof. Dr. Egon Franck und Prof. Dr. Peter-J. Jost A
MehrEvolutionäre Algorithmen
Evolutionäre Algorithmen Karsten Weicker Evolutionäre Algorithmen 3., überarbeitete und erweiterte Auflage Karsten Weicker HTWK Leipzig IMN Leipzig, Deutschland ISBN 978-3-658-09957-2 DOI 10.1007/978-3-658-09958-9
MehrEvolution. Biologie. Zusammenfassungen. Semesterprüfung Freitag, 17. Juni Evolutionstheorien Lamarck/Darwin. Evolutionsfaktoren
Biologie Evolution Zusammenfassungen Semesterprüfung Freitag, 17. Juni 2016 Evolutionstheorien Lamarck/Darwin Evolutionsfaktoren Auswirkungen der Selektion Artbildung Phylogenie Steffi ENTHÄLT INHALTE
MehrAlgorithmus Sortieren von Zahlen (aufsteigend)
Hausaufgabe https://de.wikipedia.org/wiki/dualsystem http://de.wikipedia.org/ieee_754 (Darstellung von Gleitkommazahlen) http://de.wikipedia.org/wiki/wurzel_(mat hematik)#berechnung - lesen, verstehen
MehrEvolution und Entwicklung
Evolution und Entwicklung Wie aus einzelnen Zellen die Menschen wurden: Phylogenese Klassische Genetik: Mendel Moderne Genetik: Watson & Crick Wie aus einer einzigen Zelle ein Mensch wird: Ontogenese Vererbung
MehrAlternatives to Terran Biochemistry in Water. Markus Endl Forschungsplattform Astrobiologie
Alternatives to Terran Biochemistry in Water Markus Endl Forschungsplattform Astrobiologie Baustein des Lebens - DNA CRASHKURS Page 2 Baustein des Lebens - DNA DNA Desoxyribonukleinsäure, Erbinformation
Mehrb) Nennen Sie vier hinreichende Bedingungen für Evolution. b) Anzahl fortlaufender Einsen von rechts. c) Sind in a) oder b) Plateaus enthalten?
Übungsblatt LV Künstliche Intelligenz, Evolutionäre Algorithmen (), 204 Exercise. Evolution a) Finden Sie zwei Evolutionsbeispiele auÿerhalb der Biologie. Identizieren Sie jeweils Genotyp, Phänotyp, genetische
MehrGenetische Algorithmen
Genetische Algorithmen Von Valentina Hoppe und Jan Rörden Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Gliederung Biologische Evolution Genetischer Algorithmus Definition theoretischer
MehrBIOINF1110 Einführung in die Bioinforma7k. 5. Molekulare Maschinen Proteinstrukturen und ihre Funk/on
BIOINF1110 Einführung in die Bioinforma7k 5. Molekulare Maschinen Proteinstrukturen und ihre Funk/on Oliver Kohlbacher Zentrum für Bioinforma7k Tübingen Proteine Zentrales Dogma DNA Transkription mrna
MehrBIOINF1110 Einführung in die Bioinforma7k. Molekulare Maschinen Proteinstrukturen und ihre Funk/on
BIOINF1110 Einführung in die Bioinforma7k Molekulare Maschinen Proteinstrukturen und ihre Funk/on Oliver Kohlbacher Angewandte Bioinforma0k Zentrum für Bioinforma0k Tübingen Proteine 2 Zentrales Dogma
Mehr-Generation sehen alle gleich aus (Uniformitätsregel). In der F 2. -Generation treten unterschiedliche Phänotypen auf (Spaltungsregel).
Mendelsche Regeln 1 + 2 (1) Merkmale wie die Blütenfarbe können dominant-rezessiv oder intermediär vererbt werden. Bei einem intermediären Erbgang wird die Merkmalsausprägung von beiden Allelen (z. B.
Mehr9. Übung zur Einführung in die Informatik (HaF) (Abschnitt IV: Rechnerstrukturen und Betriebssysteme) Musterlösung
INFO V Bayerische Julius Maximilians Universität Würzburg Lehrstuhl für Technische Informatik Am Hubland 9774 Würzburg Tel. 93 888 7 Fax: 93 888 7 9. Übung zur Einführung in die Informatik HaF Abschnitt
MehrEvolution, Genetik und Erfahrung
Chromosomen, Fortpflanzung und Genkopplung Entscheidende Entdeckung: Gene sind auf Chromosomen lokalisiert! 1 CHROMOSOM fadenförmige Strukturen im Kern der Zellen (wikipedia) Chromosomen in Körperzellen
MehrEvolutionspsychologische Emotionstheorien I: Grundlagen
Evolutionspsychologische Emotionstheorien I: Grundlagen 2. Vererbung 3. natürliche Patricia Buggisch Justus-Liebig-Universität Gießen 2006 2. Vererbung 3. natürliche Einleitung - Biologische Evolution
MehrPharmazeutische Biologie Genetik
Pharmazeutische Biologie Genetik N230-Raum 306 Tel. (069) 798-29650 dingermann@em.uni-frankfurt.de 4. Erbkrankheiten des Menschen Hardy-Weinberg-Gleichgewicht 4. Erbkrankheiten des Menschen Hardy-Weinberg-Gleichgewicht
Mehr15. Aminosäuren, Peptide und Proteine
15. Aminosäuren, Peptide und Proteine 1 Proteine (Polypeptide) erfüllen in biologischen ystemen die unterschiedlichsten Funktionen. o wirken sie z.b. bei vielen chemischen eaktionen in der atur als Katalysatoren
MehrWarum konvergieren Genetische Algorithmen gegen ein Optimum?
1 / 21 Gliederung 1 Das Schematheorem Motivation Begriffe Herleitung Ergebnis Das Schematheorem Das Schematheorem Motivation 3 / 21 Warum konvergieren Genetische Algorithmen gegen ein Optimum? Theoretische
MehrDer Träger aller genetischen Informationen ist die D N A - Desoxyribonucleic acid (Desoxyribonucleinsäure, DNS)
N U C L E I N S Ä U R E N Der Träger aller genetischen Informationen ist die D N A - Desoxyribonucleic acid (Desoxyribonucleinsäure, DNS) BAUSTEINE DER NUCLEINSÄUREN Die monomeren Bausteine der Nucleinsäuren
MehrMendel Gregor Mendel (*1822, 1884)
Mendel Gregor Mendel (*1822, 1884) Mendels Vererbungsregeln 1. Mendel sche Regel Kreuzt man zwei reinerbige Rassen, die sich in einem Allelpaar unterscheiden, so sind die Nachkommen die erste Filialgeneration
MehrEvolutionär ablaufende Strukturbildung
Evolutionär ablaufende Strukturbildung Peter Schuster, Klaus Lucas, Peter Roosen und Hans-Paul Schwefel Aachen, Dortmund und Wien BBAW, Ratspräsentation Berlin, 26.05.2005 1. Biologische Strukturbildung,
MehrUnterrichtsvorhaben I: Thema/Kontext: Evolution in Aktion Welche Faktoren beeinflussen den evolutiven Wandel?
Unterrichtsvorhaben I: Thema/Kontext: Evolution in Aktion Welche Faktoren beeinflussen den evolutiven Wandel? Inhaltsfeld: IF 6: Evolution Inhaltliche Schwerpunkte: Schwerpunkte übergeordneter Kompetenzerwartungen:
Mehr16. Biomoleküle : Nucleinsäuren
Inhalt Index 16. Biomoleküle : Nucleinsäuren Die gesamte Erbinformation ist in den Desoxyribonucleinsäuren (DNA) enthalten. Die Übersetzung dieser Information in die Synthese der Proteine wird von den
MehrEinleitung. Replikation
(C) 2014 - SchulLV 1 von 9 Einleitung Der Action-Film von gestern Abend war wieder ziemlich spannend. Mal wieder hat es der Superheld geschafft, alle Zeichen richtig zu deuten, diverse Geheimcodes zu knacken
Mehrb) Nennen Sie vier hinreichende Bedingungen für Evolution. b) Anzahl fortlaufender Einsen von rechts. c) Sind in a) oder b) Plateaus enthalten?
Übungsblatt LV Künstliche Intelligenz, Evolutionäre Algorithmen (1), 2015 Aufgabe 1. Evolution a) Finden Sie zwei Evolutionsbeispiele auÿerhalb der Biologie. Identizieren Sie jeweils Genotyp, Phänotyp,
MehrFACH: BIOLOGIE JAHRGANG: 11
ca. 6 Wochen Folge der Einheiten Dauer der Einheit (ca.) 1 Thema: Zellen Tier-/Pflanzenzelle Biomembran Zelldifferenzierung Prokaryot/Eukaryot Diffusion/Osmose vergleichen komplexe Vorgänge auf zellulärer
Mehr5. Selbstreplikation wie funktioniert Replikation bei natürlichen Organismen?
5. Selbstreplikation wie funktioniert Replikation bei natürlichen Organismen? Grundlagen der Genetik Grundvorstellung: Bauplan des Organismus gespeichert in DNA-Molekülen, diese werden repliziert DNA als
Mehr1 Schulinterner Kernlehrplan Biologie Q2 Evolution
1 Schulinterner Kernlehrplan Biologie Q2 Evolution 1 Inhaltsfelder Schwerpunkt Basiskonzept Konkretisierte Kompetenzen Evolution Evolutionstheorien LK Evolutionstheorie Biodiversität und Systematik Entwicklung
Mehr2) Können Sie allein aus den gegebenen Zahlen ablesen welches der beiden Allele einen Selektionsvorteil besitzt?
Ihre Namen: Übung 2: Populationsgenetik 2, Drift und Selektion In der Vorlesung haben Sie ein Modell für Selektion kennengelernt. Heute wollen wir uns mit Hilfe von Simulationen intensiver mit den Konsequenzen
MehrChemie für Biologen. Vorlesung im. WS 2004/05 V2, Mi 10-12, S04 T01 A02. Paul Rademacher Institut für Organische Chemie der Universität Duisburg-Essen
Chemie für Biologen Vorlesung im WS 004/05 V, Mi 0-, S04 T0 A0 Paul Rademacher Institut für rganische Chemie der Universität Duisburg-Essen (Teil 3: 9.0.005) MILESS: Chemie für Biologen 36 D-Aldosen C
MehrEs ist die Zeit gekommen, zu verstehen, wie es zur Proteinbiosynthese kommt?! Wobei jeweils eine AS von 3 Basen codiert wird..
Proteinbiosynthese Es ist die Zeit gekommen, zu verstehen, wie es zur Proteinbiosynthese kommt?! Alle Proteine, sind über die DNA codiert Wobei jeweils eine AS von 3 Basen codiert wird.. GENETISCHER CODE
Mehrmrna S/D UTR: untranslated region orf: open reading frame S/D: Shine-Dalgarno Sequenz
1. Nennen Sie die verschiedenen RNA-Typen, die bei der Translation wichtig sind. Erklären Sie die Funktion der verschiedenen RNA-Typen. Skizzieren Sie die Struktur der verschiedenen RNA-Typen und bezeichnen
MehrMolekulargenetik Biologie am Inhaltsverzeichnis Die Begriffe DNA, Nukleotid, Gen, Chromosom und Epigenom definieren...
Molekulargenetik Inhaltsverzeichnis Die Begriffe DNA, Nukleotid, Gen, Chromosom und Epigenom definieren... 2 Beschreiben, wie die DNA aufgebaut ist... 3 Den Ablauf der Replikation erklären und dabei die
MehrAlgorithmische Bioinformatik
Algorithmische Bioinformatik Substitutionsmatrizen Ulf Leser Wissensmanagement in der Bioinformatik Ziele Ein sehr kleiner Einblick in Evolutionsgenetik Kenntnis einer typischen realen bioinformatischen
MehrDie Erbinformation ist in Form von Chromosomen = Kopplungsgruppen organisiert
Die Erbinformation ist in Form von Chromosomen = Kopplungsgruppen organisiert Chromosom Chromatin Ausschnitt aus DNA-Doppelhelix Nukleosomen (Chromatin) Chromatinfaden höherer Ordnung Teil eines Chromosoms
Mehr1. Genetische Vielfalt innerhalb einer Population
Biologie für Nebenfächler Prof. Dr. W. Stephan 1. Genetische Vielfalt innerhalb einer Population Zentraler Begriff der Populationsgenetik und Evolutionsbiologie Ohne genet. Variation gäbe es keine Evolution
MehrPeter Dauscher (Autor) Selbstorganisierte Modularisierung von Individuen in Evolutionären Algorithmen
Peter Dauscher (Autor) Selbstorganisierte Modularisierung von Individuen in Evolutionären Algorithmen https://cuvillier.de/de/shop/publications/3223 Copyright: Cuvillier Verlag, Inhaberin Annette Jentzsch-Cuvillier,
MehrKapitel 13. Evolutionäre Spieltheorie. Einleitung. Evolutionäre Biologie. Übersicht 2. Alternative: Biologische Evolutionstheorie
Übersicht : Evolutionäre Spieltheorie Einleitung Evolutionäre Biologie Evolutionäre Spieltheorie: Idee Gefangenendilemma (Beispiel) Evolutionäre Stabilität Beispiele Wiederholtes Gefangenendilemma Chicken-Spiel
MehrKapitel 2: Modellierung. Programmieren in Haskell 1
Kapitel 2: Modellierung Programmieren in Haskell 1 Eine Formelsprache für Musik Programmieren in Haskell 2 Formeln, die Musik bedeuten Note 0 (1/4) -- Viertelnote tiefes C Note 24 (1/1) -- ganze Note c
MehrKapitel 13. Evolutionäre Spieltheorie. Einleitung. Evolutionäre Biologie. Übersicht 2. Alternative: Biologische Evolutionstheorie
Übersicht : Evolutionäre Spieltheorie Einleitung Evolutionäre Biologie Evolutionäre Spieltheorie: Idee Gefangenendilemma (Beispiel) Evolutionäre Stabilität Beispiele Wiederholtes Gefangenendilemma Chicken-Spiel
Mehr(einsatz (2/1) (transponiere 12 endlos)) (einsatz (4/1) endlos) :+: (einsatz (6/1) endlos )))
Algorithmen und Datenstrukturen I phrase1 phrase2 c e (1/4) (1/4) :*: :*: d f (1/4) (1/4) :*: :*: e g (1/4) (1/2) :*: c (1/4) phrase3 = g :*: (1/8) e (1/4) :*: a :*: (1/8) c (1/4) :*: g (1/8) :*: f (1/8)
MehrCarl von Linné ( )
Carl von Linné (1707-1778) Begründer der Systematik, teilte Pflanzen nach Blütenorganen und Tiere nach anatomischen und physiologischen Merkmalen ein. Seine Erkenntnisse waren für die späteren Evolutionsvertreter
MehrTranskription Teil 2. - Transkription bei Eukaryoten -
Transkription Teil 2 - Transkription bei Eukaryoten - Inhalte: Unterschiede in der Transkription von Pro- und Eukaryoten Die RNA-Polymerasen der Eukaryoten Cis- und trans-aktive Elemente Promotoren Transkriptionsfaktoren
MehrIV. Übungsaufgaben für die Jahrgangstufe 9 & 10
IV. Übungsaufgaben für die Jahrgangstufe 9 & 10 Von der Erbanlage zum Erbmerkmal: 34) Welche Aufgaben haben Chromosomen? 35) Zeichne und benenne die Teile eines Chromosoms, wie sie im Lichtmikroskop während
MehrOptimierung. Vorlesung 12
Optimierung Vorlesung 12 Letze Woche Approximieren von ILP durch randomisiertes Runden. Beispiel Set Cove Relaxiertes LP lösen und runden. Probleme: 1. Zielfunktionswert 2. Zulässigkeit 1. Linearität des
Mehrvegetatives Nervensystem Zentrales Nervensystem ZNS Nervenzelle Synapse unwillkürlicher Teil des Nervensystems mit Sympathicus und Parasympathicus;
vegetatives Nervensystem ( 9. Klasse 1 / 32 ) unwillkürlicher Teil des Nervensystems mit Sympathicus und Parasympathicus; innerviert innere Organe, Blutgefäße und Drüsen bestehend aus Zentrales Nervensystem
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus:
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Der Bauplan des Lebens - unsere Erbanlagen (Klasse 9/10) Materialien im PDF-Format Das komplette Material finden Sie hier: School-Scout.de
Mehr