InformatiCup 2009 EvolutionConsole
|
|
- Anna Krause
- vor 6 Jahren
- Abrufe
Transkript
1 InformatiCup 2009 EvolutionConsole Wilhelm Büchner Hochschule 19. März
2 1. Das Team Teammitglieder Ralf Defrancesco KION Information Services GmbH Systemadministrator Daniel Herken Scooter Attack GmbH Java EE Entwicklung Andreas Mayer IDS GmbH (Allianz) Head of Market Data Development 2
3 1. Das Team Herausforderungen Teamfindung im Vorfeld des Projekts - Internes Forum der WBH Kommunikation während des Projekts - Ein persönliches Treffen im Vorfeld (Kick-Off-Meeting) - Organisationsplattform zum Projektmanagement notwendig - Regelmäßige Skype-Konferenzen - Schneller Informationsaustausch per Mail / Chat 3
4 2. Die Bearbeitung Aufgabenstellung Evolutionäre Optimierung von Tetrapods - Wackeln / Schiefe messbar machen - Evolutionsparameter definieren - Grafische Oberfläche entwickeln - Vorgänge der Evolution visualisieren - Dokumentation erstellen - Experimente durchführen 4
5 Die Bearbeitung. Aufgabenverteilung Test / Bugfixing Experimente ClockingIT Batch-Schnittstelle GUI Installation Subversion Selektion Rekombination Mutation ES Anwender- Dokumentation Basisklassen Implementations- Dokumentation Applikation Unterstützung 5
6 2. Die Bearbeitung Vorgehensmodell Build 026: Konsolenanwendung Build 050: GUI implementiert Build 112: Alle GAs Implementiert Build 160: ES implementiert Build 168: Feature Complete Build 196: Final Release 6
7 2. Die Bearbeitung Hilfsmittel 7
8 3. Die theoretischen Grundlagen Theoretische Konzepte (A. Mayer) 8
9 3. Die theoretischen Grundlagen Wackelnde Tische und Informatik? Optimierungsverfahren Lokale vs. globale Optima Ein Optimum kann ein Minimum oder ein Maximum sein 9
10 3. Die theoretischen Grundlagen Naturanaloge Verfahren Neuronale Netze, Neuro-Evolution (Kognitionswissenschaft) Evolutionäre Algorithmen (Biologie, Evolutionsforschung) (Partikel-)Schwarmintelligenz (Biochemie, Soziologie) Simulierte Abkühlung (Thermodynamik) Für unsere Aufgabenstellung stellt sich die Frage, warum man überhaupt den Evolutionsprozess adaptieren soll? 10
11 3. Die theoretischen Grundlagen Evolutionäre Algorithmen Relevant für unsere Aufgabenlösung Genetische Algorithmen Evolutions-Strategien Nicht Relevant und deshalb nicht näher erläutert Genetisches Programmieren Evolutionäres Programmieren 11
12 3. Die theoretischen Grundlagen Der genetische Basisalgorithmus 12
13 3. Die theoretischen Grundlagen GA vs. ES Genetische Algorithmen Häufig binäre Repräsentation des Genoms Primärer Suchoperator ist die Rekombination Mutation spielt eine sekundäre Rolle Mittlere Populationsgrößen Mittlerer Selektionsdruck ist sinnvoll Evolutionsstrategien Das Genom wird durch reelle Werte repräsentiert Mutation ist der primäre Suchoperator Rekombination spielt eine sekundäre Rolle, falls sie überhaupt eingesetzt wird. Kleine Populationsgrößen Hoher Selektiondruck ist sinnvoll Selektionsdruck? 13
14 3. Die theoretischen Grundlagen Im folgenden Teil wird konkret auf unsere Aufgabenlösung eingegangen BEZUGNAHME ZUR AUFGABENSTELLUNG 14
15 3. Die theoretischen Grundlagen Die Individuen Die quadratische Tischplatte hat die Seitenlängen 100 cm Die Länge der Tischbeine (A,B,C,D) ist variabel Reelle Werte (Genotyp) / Diskrete Werte (Phänotyp) 15
16 3. Die theoretischen Grundlagen Erzeugen der initialen Population Gefordert war eine Normalverteilung bei der Urerzeugung Ermittelte Parameter: =100, =
17 3. Die theoretischen Grundlagen Die Fitnessfunktion 17
18 4. Die Implementierung Die Implementierung (D. Herken) 18
19 4. Die Implementierung Das grobe Modell 19
20 4. Die Implementierung Selektion Arbeitet auf dem Phänotyp der Individuen Selektionsmethode bestimmt den Selektionsdruck Hoher Selektionsdruck kann zu schneller Konvergenz führen, wobei bei zu hohem Selektionsdruck Lösungen nahe des Optimums verpasst werden können. Niedriger Selektionsdruck wäre z. B.: 50% werden ausgewählt 20
21 4. Die Implementierung Roulette-Wheel-Selektion Berücksichtigung der Fitness in gewissem Maße Schlechte Individuen haben trotzdem eine Chance ausgewählt zu werden 21
22 4. Die Implementierung Lineares Ranking Hybrides System Absolute Fitnessunterschiede spielen keine Rolle Dichtefunktion bestimmt die Selektionswahrscheinlichkeit Wichtig ist die Rangfolge Bestes Individuum oben, schlechtestes Individuum unten 22
23 4. Die Implementierung Heiratsselektion Stochastischer Prozess Zufällige Auswahl eines Lösungskandidaten Vergleich mit weiteren Zufällig ermittelten Individuen Abbruchkriterien: Maximale Anzahl der Versuche erreicht 23
24 4. Die Implementierung Rekombination (Crossover) Primärer Suchoperator der genetischen Algorithmen Rekombination wird mit einer bestimmten Wahrscheinlichkeit durchgeführt Maximale Diverstität wird erreicht, wenn zwei Eltern immer nur ein Kind erzeugen Arbeitet auf dem Genotyp der Individuen 24
25 4. Die Implementierung Punkt Crossover 25
26 4. Die Implementierung Uniform-Crossover 26
27 4. Die Implementierung Mutation Unidirektionaler, stochastischer Prozess Arbeitet auf dem Genotyp der Individuen Tritt mit einer bestimmten Wahrscheinlichkeit ein Schrittweite regelt, wie stark eine Mutation das Allel verändert Es können mehrere Teile eines Chromosoms mutiert werden 27
28 4. Die Implementierung Evolutionsstrategien (ES) Dynamische Schrittweitenregelung der Mutation In unserer Implementierung nutzen wir globale Mutation (auch Isotrope Mutation genannt) Primärer Suchoperator ist die Mutation Rekombination findet nicht statt Kein Selektionsdruck bei der Auswahl der Eltern (gleichverteilte Zufallsselektion) In der Umweltselektion nutzen wir Besten- Selektion 28
29 4. Die Implementierung Grundlegende Unterscheidung der ES PLUS (μ + λ) KOMMA (μ, λ) Eltern werden ebenfalls evaluiert und in den Auswahlprozess einbezogen Es werden nur die Kinder evaluiert und in den Auswahlprozess einbezogen μ= Initiale Populationsgröße λ= Mating-Pool-Größe 29
30 4. Die Implementierung Funktionsweise Globale Mutation Jedem Chromosom wird ein Strategieparameter hinzugefügt Initialer Wert 4 (~ 20% der initialen Intervallgröße) Mutation des Strategieparameters Ablauf Anpassung der Beinlängen 30
31 5. Praxis und Konklusionen LIVE-DEMO 31
32 5. Das Fazit Resümee Co-Evolution Parallele Algorithmen Weitere ES (z. B. CMA-ES) Gradientenverfahren Dynamische Umwelt Verfahren zur Auflösung von stuck-situationen Echtes 3D 32
33 Vielen Dank für Ihre Aufmerksamkeit Für Fragen stehen wir selbstverständlich jederzeit zur Verfügung 33
Genetische 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
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
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
MehrGenetische Algorithmen
Genetische Algorithmen Von Valentina Hoppe und Jan Rörden Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Gliederung Biologische Evolution Genetischer Algorithmus Definition theoretischer
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 9 und 10: Evolutionäre Standardalgorithmen 1/69 LERNZIELE Die gängigen Standardalgorithmen, aus der Anfangszeit bis heute, werden vorgestellt. Die bekannten Standardalgorithmen
MehrComputational Intelligence 1 / 28. Computational Intelligence Evolutionsstrategien 3 / 28
1 / 28 Gliederung 1 Evolutionsstrategien Selektion Rekombination Mutation Ablauf 2 Genetische Programmierung Repräsentation Genetische Operatoren Ablauf Überblick Evolutionsstrategien 3 / 28 Repräsentation
Mehr1. Inhaltsverzeichnis
1. Inhaltsverzeichnis Inhaltsverzeichnis 1. Einleitung 1.1. Darwins Evolutionstheorie 1.2. Darwins Evolutionstheorie als Inspiration für Evolutionäre Algorithmen 1.3. Die Unterschiede der verschiedenen
MehrEvolutionsstrategien
Evolutionsstrategien zum Seminar Evolutionäre Algorithmen von Jana Schäfer INHALTVERZEICHNIS 1. Einführung... 3 2. Die Geschichte der Evolutionsstrategien...4 3. Grundlegendes... 6 3.1 Begriffe... 6 3.2
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
MehrComputational Intelligence
/ 4 Computational Intelligence Wintersemester 007/008 4. Genetische Algorithmen Stefan Berlik Fachgruppe Praktische Informatik FB, Elektrotechnik und Informatik Universität Siegen 5. November 007 Gliederung
MehrEinführung in die Methoden der Künstlichen Intelligenz. Evolutionäre Algorithmen
Einführung in die Methoden der Künstlichen Intelligenz Evolutionäre Algorithmen Dr. David Sabel WS 2012/13 Stand der Folien: 12. November 2012 Evolutionäre / Genetische Algorithmen Anwendungsbereich: Optimierung
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
MehrEvolutionäre Algorithmen - Kapitel 15
Evolutionäre Algorithmen - Kapitel 15 Metaheuristiken Prof. Dr. Rudolf Kruse ÖÙ Û º ºÙÒ ¹Ñ ÙÖ º Fakultät für Informatik Otto-von-Guericke-Universität Magdeburg 9. Juni 2008 R. Kruse (Uni Magdeburg) Metaheuristiken
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
MehrGenetische Algorithmen von der Evolution lernen
Genetische Algorithmen von der Evolution lernen (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Nils J. Nilsson Artificial Intelligence Morgan Kaufmann, 1998 Ansatz Bisher: Problemlösung
MehrGenetische Algorithmen
Michael Gerhäuser Universität Bayreuth 28.06.2008 1 Motivierende Beispiele 2 Grundbegriffe der biologischen Evolution 3 Formalisierung der Grundbegriffe 4 Modellierung mit Markov-Ketten 5 Konvergenzanalyse
MehrHauptseminar Repräsentationen für Optimierungsalgorithmen
Stefan Bens Hauptseminar Dresden, 03.07.2008 Inhalt 1. Motivation 2. Einleitung 3. Repräsentationsarten und Eigenschaften 4. Beispiel 5. Zusammenfassung Folie 2 Als Repräsentation bezeichnet man die Kodierung
MehrProseminar Genetische und Evolutionäre Algorithmen Evolutionsstrategien
Proseminar Genetische und Evolutionäre Algorithmen Evolutionsstrategien Michael Stahl 4. Juni 2002 Inhaltsverzeichnis 1 Überblick 2 2 Generischer ES-Algorithmus 2 2.1 Initialisierung....................................
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
MehrGenetische Algorithmen
Genetische Algorithmen Shawn Keen Zusammenfassung Eine weitere Herangehensweise an das maschinelle Lernen ist die Nachahmung evolutionärer Prozesse. Hier wollen wir uns mit den sogenannten Genetischen
MehrGenetische Algorithmen
Genetische Algorithmen In dieser Ausarbeitung gemäss Aufgabenstellung auf der Kurshomepage des Moduls Knowledge- Based Systems wird die Funktionsweise und Nutzung von genetischen Algorithmen erläutert.
MehrGenetische Algorithmen
Projekt für Algorithmische Anwendungen Genetische Algorithmen Von Mike Müller 11037091 Dennis Freese 11038517 Gruppe: B-ROT 1 Inhaltsverzeichnis Allgemeines...3 Geschichtliche Entwicklung der genetischen
MehrGenetische Algorithmen
Genetische Algorithmen Projektgruppe 431 Metaheuristiken Bianca Selzam Inhaltsverzeichnis 1 Einleitung......................................................... 1 2 Grundlagen aus der Biologie.......................................
MehrF A C H H O C H S C H U L E W E D E L
F A C H H O C H S C H U L E W E D E L Seminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen Eingereicht von: Erarbeitet im: Marco Lehmann Hoheluftchaussee
MehrAufbau und Operatoren evolutionärer Verfahren
Aufbau und Operatoren evolutionärer Verfahren Darstellung der Gene im Chromosom (Codierung) Basisalgorithmus Partnerwahl Erzeugung von Nachkommen (Rekombination und Mutation) Bewertung Überlebensregeln
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
MehrWillkürlich legen wir fest: Akzeptanz schlechterer Werte am Anfang der Iteration: , Akzeptanz schlechterer Werte am Ende der Iteration: 0:05.
126 Kapitel 4: Non-Standard-Optimierung Willkürlich legen wir fest: Akzeptanz schlechterer Werte am Anfang der Iteration: 1 10 3, Akzeptanz schlechterer Werte am Ende der Iteration: 0:05. Daraus errechnet
MehrAnalyse. Optimierung. Faktoren und irrelevante Inputs. Kontrollierbare und nicht kontrollierbare
Optimierung Zielsetzungen: Systematische Sichtweise Verschiedene Strategien Werkzeuge, aber keine Rezepte Analyse Im ersten Schritt der Analyse eines Problems müssen möglichst alle Inputs und Outputs gefunden
MehrOptimierung und Simulation
2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Optimierung und Simulation Von Dr. Jörg Biethahn O. Professor für
MehrLinsenberechnung mit Evolutionsstrategien
Linsenberechnung mit Evolutionsstrategien Ralf Gruber und Rainer Müller Lehrstuhl für Didaktik der Physik, Universität München Schellingstr. 4, 80799 München E-mail: rainer.mueller@physik.uni-muenchen.de
MehrEVOLUTION STRATEGIES DANIELA SCHACHERER SEMINAR: IST KÜNSTLICHE INTELLIGENZ GEFÄHRLICH? SOMMERSEMESTER 2017
EVOLUTION STRATEGIES DANIELA SCHACHERER SEMINAR: IST KÜNSTLICHE INTELLIGENZ GEFÄHRLICH? SOMMERSEMESTER 2017 Inhalt Einleitung und Überblick Evolutionsstrategien Grundkonzept Evolutionsstrategien als Alternative
MehrHochschule Regensburg. Übung 12_3 Genetische Algorithmen 1. Spezielle Algorithmen (SAL) Lehrbeauftragter: Prof. Sauer
Hochschule Regensburg Übung 12_ Genetische Algorithmen 1 Spezielle Algorithmen (SAL) Lehrbeauftragter: Prof. Sauer Name: Vorname: 1. Was sind GA? - Ein GA ist ein Algorithmus, der Strategien aus der Evolutionstheorie
MehrComputational Intelligence
Vorlesung Computational Intelligence Stefan Berlik Raum H-C 80 Tel: 027/70-267 email: berlik@informatik.uni-siegen.de Inhalt Überblick Rückblick Optimierungsprobleme Optimierungsalgorithmen Vorlesung Computational
MehrStructurally Evolved Neural Networks for Forecasting
Structurally Evolved Neural Networks for Forecasting - Strukturierte neuronale Netze für Vorhersagen Institut für Informatik - Ausgewählte Kapitel aus dem Bereich Softcomputing Agenda Grundlagen Neuronale
Mehr4. Eine Einführung in Konzept und Arbeitsweise genetischer Algorithmen
4. Eine Einführung in Konzept und Arbeitsweise genetischer Algorithmen 4.1 Evolution und Genetik Lernprozeß Evolution Die Natur hat es geschafft, aus Milliarden denkbarer Eiweißmoleküle gerade diejenigen
MehrSeminararbeit zum Thema Genetische Algorithmen
Seminararbeit zum Thema Genetische Algorithmen Seminar in Intelligent Management Models in Transportation und Logistics am Institut für Informatik-Systeme Lehrstuhl Verkehrsinformatik Univ.-Prof. Dr.-Ing.
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
MehrEvolutionäre Algorithmen
Evolutionäre Algorithmen Seminararbeit von Patrick Flick An der Fakultät für Informatik Institut für Theoretische Informatik Betreuender Professor: Betreuender Mitarbeiter: Juniorprof. Dr. Henning Meyerhenke
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
MehrGenetische Algorithmen
Genetische Algorithmen Ottmar Beucher, Fachhochschule Karlsruhe 7. Dezember 2001 1 Guten Tag, meine Damen und Herren! Ich begrüße Sie recht herzlich zu meinem Vortrag über Genetische Algorithmen. Hierbei
MehrTheoretische Analyse evolutionärer Algorithmen unter dem Aspekt der Optimierung in diskreten Suchräumen. Thomas Jansen
Theoretische Analyse evolutionärer Algorithmen unter dem Aspekt der Optimierung in diskreten Suchräumen Thomas Jansen Fachbereich Informatik, Lehrstuhl 2 Universität Dortmund http://ls2-www.cs.uni-dortmund.de/
Mehr4 Genetische Algorithmen
WS1993/94 AuD II 113 4 Genetische Algorithmen Gegeben: Problem P Menge potentieller Lösungen S= {L 1,,L s } (auch Suchraum) Zielfunktion z : S [0,1] IR (manchmal auch z : S IR ) Gesucht: z(l) > z(l') L
MehrEine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft. Lars Melchior
Eine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft Lars Melchior Theoretische Grundlagen Theoretische Grundlagen Genetik Genetische Algorithmen NK
MehrSystempartitionierung Evol. Algorithmen
Systempartitionierung Evol. Algorithmen Hw-Sw-Co-Design Übersicht Grundlagen Evolutionärer Algorithmen Strömungsrichtungen Hybride evolutionäre Algorithmen Systempartitionierung und -exploration 1 Einleitung
MehrVorlesung Evolutionäre Algorithmen
Vorlesung Evolutionäre Algorithmen Dr. Nicole Drechsler, AG Rechnerarchitektur Raum 3480, Tel. 7391, nd@tzi.de Vorschlag für Prüfungskriterien: Bearbeitung einer praktischen (Programmier-) Aufgabe Fachgespräch
MehrEvolutionsstrategien
Evolutionsstrategien Seminar Evolutionary Algorithms SS 2010 Cornelius Diekmann Lehrstuhl Robotics and Embedded Systems Veranstalter: Dipl.-Inf. Frank Sehnke Fakultät für Informatik Technische Universität
Mehr2. Von der Evolution zur Optimierung
2. Von der Evolution zur Optimierung Die Prinzipien der biologischen Evolution werden auf die Optimierung übertragen. Am Beispiel wird ein erster evolutionärer Algorithmus zur Optimierung konstruiert und
MehrMit Genetischen Algorithmen nach dem biologischen Vorbild auf evolutionäre Art komplexe Probleme lösen.
Seite 1 Auf Darwins Spuren Mit Genetischen Algorithmen nach dem biologischen Vorbild auf evolutionäre Art komplexe Probleme lösen. Klaus Meffert Bestimmte Klassen von Problemen sind durch unflexible Heuristiken
MehrA. Anhang Daubechies-Wavelets General characteristics: Compactly supported wavelets with extremal phase and highest number of vanishing moments for a
A. Anhang A.1. Eigenschaften von Wavelets und Wavelet-Familien Die folgenden tabellarischen Zusammenstellungen der wichtigsten Eigenschaften der in dieser Arbeit verwendeten Wavelet-Typen und Wavelet-Familien
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
MehrUNIVERSITÄT ZU KÖLN AUSGEWÄHLTE THEMEN DES OPERATIONS RESEARCH. Heuristiken. Genetischer Algorithmus Simulated annealing Ameisenkolonie Neurale Netze
UNIVERSITÄT ZU KÖLN AUSGEWÄHLTE THEMEN DES OPERATIONS RESEARCH Heuristiken Genetischer Algorithmus Simulated annealing Ameisenkolonie Neurale Netze Eingereicht von: Thomas Ilg 13.12.2007 Genetischer Algorithmus
MehrGenetische Algorithmen und Evolutionsstrategien
Eberhard Schöneburg Frank Heinzmann Sven Feddersen Genetische Algorithmen und Evolutionsstrategien Eine Einführung in Theorie und Praxis der simulierten Evolution Tschnische UnsversSsät Darmstadt Fachbereich
Mehrv R n ist Abstiegsrichtung in x R n wenn f(x) v < 0 v R n ist Abstiegsrichtung in x R n wenn i=1,,d: f i
MOP: Pareto-Gradientenabstiegsverfahren Annahme: Zielfunktion differenzierbar Wintersemester 2007/08 Praktische Optimierung (Vorlesung) d = 1: (monokriteriell) v R n ist Abstiegsrichtung in x R n wenn
MehrGrundlagen und Basisalgorithmus
Grundlagen und Basisalgorithmus Proseminar -Genetische Programmierung- Dezember 2001 David König Quelle: Kinnebrock W.: Optimierung mit genetischen und selektiven Algorithmen. München, Wien: Oldenbourg
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
MehrAllgemeine Betriebswirtschaftslehre Planungs- und Entscheidungstechniken
FernUniversität in Hagen Lehrstuhl für Betriebswirtschaftslehre, insb. Operations Research Prof. Dr. Wilhelm Rödder Allgemeine Betriebswirtschaftslehre Planungs- und Entscheidungstechniken Sandra Rudolph,
MehrProseminar Genetische und Evolutionäre Algorithmen
Proseminar Genetische und Evolutionäre Algorithmen Genetische Algorithmen Grundkonzept und genetische Operatoren Vortragender: Frank Förster Datum: 29.04.02 Inhaltsverzeichnis 1 Einleitung...1 2 Grundbegriffe...2
MehrAutomatische Generierung von Bildoperationsketten mittels genetischer Programmierung und CMA- Evolutionsstrategie
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/267096327 Automatische Generierung von Bildoperationsketten mittels genetischer Programmierung
MehrEvolutionäre Algorithmen Software
Evolutionäre Algorithmen Software Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Wissens- und Sprachverarbeitung
MehrStudientag zur Algorithmischen Mathematik
Studientag zur Algorithmischen Mathematik Numerische Verfahren der nicht-linearen Optimierung Winfried Hochstättler Diskrete Mathematik und Optimierung FernUniversität in Hagen 1. Juli 2012 Outline Line
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
MehrGP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness
GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness Raters Brad Johanson, Riccardo Poli Seminarvortrag von Thomas Arnold G ˇ ˇ ˇ ˇ WS 2012/13 TU Darmstadt Seminar
MehrDer Technischen Fakultät der Friedrich-Alexander-Universität Erlangen-Nürnberg zur Erlangung des Doktorgrades. Doktor-Ingenieur
Vergleich gebräuchlicher Parallelrechensysteme für die Beschleunigung evolutionärer Algorithmen demonstriert für den Entwurf miniaturisierter optischer und elektronischer Bauelemente Der Technischen Fakultät
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
MehrRL und Funktionsapproximation
RL und Funktionsapproximation Bisher sind haben wir die Funktionen V oder Q als Tabellen gespeichert. Im Allgemeinen sind die Zustandsräume und die Zahl der möglichen Aktionen sehr groß. Deshalb besteht
MehrGenetischer Algorithmus
Genetischer Algorithmus Roger Imbach KBS: Genetischer Algorithmus 1/12 Inhalsverzeichnis Einleitung...3 Was ist ein genetischer Algorithmus?...3 Was machen genetische Algorithmen?...3 Vorgehen...4 Crossover
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]
MehrPROJEKT (WS 2010/2011 SS 2011) TESTAUTOMATISIERUNG
PROJEKT (WS 2010/2011 SS 2011) TESTAUTOMATISIERUNG HS Bremerhaven Prof. Dr. Vosseberg R. Dirksen, P. Garbers. S. Hennig, B. Höck, M. Löbner, J. Munstermann, D. Müller, O. Petrus, J. Reiser, M. Sagurna,
Mehr7. Optimierung von Simulationsmodellen
7. Optimierung von Ziel vieler Simulationsmodelle ist das finden einer guten/optimalen Lösung Allgemein formuliert: Min f(x) unter den Nebenbedingungen x W oft sind die Nebenbedingungen durch Gleichungen/Ungleichungen
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
MehrMOP: Metaheuristiken Multipunktmethoden. Bisher: je Iteration wird ein Entscheidungsvektor variiert und bewertet. Praktische Optimierung
Wintersemester 2007/08 Praktische Optimierung (Vorlesung) Bisher: je Iteration wird ein Entscheidungsvektor variiert und bewertet Jetzt: je Iteration werden mehrere Entscheidungsvektoren variiert und bewertet
MehrGenetische Algorithmen
Genetische Algorithmen zur Lösung kombinatorischer Optimierungsprobleme aus dem Bereich Produktion und Logistik S. Häckel, S. Lemke TU Chemnitz Fakultät für Wirtschaftswissenschaften Professur für Produktionswirtschaft
MehrDiplomarbeit. Bülent Ulas. Entwicklung einer Software für Online-Befragungen mit interaktiven evolutionären Algorithmen
Diplomarbeit Bülent Ulas Entwicklung einer Software für Online-Befragungen mit interaktiven evolutionären Algorithmen Fakultät Technik und Informatik Studiendepartment Informatik Hamburg, 12. März 2008
MehrWissensbasierte Systeme
Analytisch lösbare Optimierungsaufgaben Das Chaos-Spiel gründet auf der folgenden Vorschrift: Man startet von einem beliebigen Punkt aus geht auf einer Verbindung mit einem von drei zufällig gewählten
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
MehrGenetik, Evolution, Intelligenz und anthropologische Diversität: Was wissen wir daru ber?
Genetik, Evolution, Intelligenz und anthropologische Diversität: Was wissen wir daru ber? Diethard Tautz Genetik der evolutionären Anpassung und Selektion Populationsgenetik und Artenstehung Max-Planck
MehrNeuronales Lernen in Go Kai Brodmann
Kai Brodmann TU Darmstadt FB Informatik FG Knowledge Engineering Seminar: Knowledge Engineering und Lernen in Spielen Prof. J. Fürnkranz Hohe Komplexität von Go Trotz gesteigerter Bemühungen spielen Computer
MehrEvolutionäre Algorithmen. SS 2015 Woche 01
Evolutionäre Algorithmen SS 2015 Woche 01 Inhalt Organisation der Übung Wiederholung Die Komponenten eines EA Zwei Minimal-Beispiele Besprechung des Übungsblatts Das Team Vorlesung Prof. Dr.-Ing. habil.
MehrOptimierung mit Genetischen Algorithmen und eine Anwendung zur Modellreduktion
METHODEN at 4/2004 Optimierung mit Genetischen Algorithmen und eine Anwendung zur Modellreduktion Optimization with Genetic Algorithms and an Application for Model Reduction Maik Buttelmann und Boris Lohmann
MehrHWR-Chat Ein Chat für Studenten, Dozenten und interne Mitarbeiter der Hochschule für Wirtschaft und Recht
Christian Gebauer, Sebastian Große, Benjamin Pfeiffer, Nico Smeenk, Jonathan Wiens Im Auftrag von Frau Prof. Dr. Dagmar Monett-Díaz HWR-Chat Ein Chat für Studenten, Dozenten und interne Mitarbeiter der
MehrGenetische Algortithmen Annäherungsverfahren für Optimierungsprobleme
Genetische Algortithmen Annäherungsverfahren für Optimierungsprobleme Tobias Schiele Luca Baumann Seminararbeit im Sommersemester 2016 Prof. Dr. Thomas Thierauf - Hochschule Aalen, 16. Juni 2016 Zusammenfassung
MehrSelektions-Mutations-Modelle
Selektions-Mutations-Modelle Claudia Groÿmann January 16, 2012 Claudia Groÿmann () Selektions-Mutations-Modelle January 16, 2012 1 / 29 Inhaltsverzeichnis 1 Selektions-Mutations-Modelle 2 Mutation und
MehrGenetische Programmierung
15. Juli 2007 Anfang der 90er von John R. Koza entwickelt. Verfahren zur automatisierten Erstellung von Programmen. Von der Evolution inspiriert. Anforderungen an die Möglichst korrekte Lösung ergeben
MehrMendel Labor, Euregio Kolleg, Würselen 1/
Mendel Labor, Euregio Kolleg, Würselen 1/13 14.7.04 Projekt MendelLab Die klassische Genetik eignet sich als fachübergreifendes Thema für die Fächer Biologie, Mathematik (Stochastik) und Informatik. In
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
Mehr8. Evolution (Teil II): Koevolution
8. Evolution (Teil II): Koevolution Darwinsche Evolution bedeutet zunächst einmal Konkurrenz wie können mehrere Arten gemeinsam evolvieren? was passiert, wenn die Arten ihre Fitnesslandschaften gegenseitig
MehrKünstliche Intelligenz
Künstliche Intelligenz Vorlesung 11 und 12: Genetisches Programmieren 1/104 GENETISCHES PROGRAMMIEREN Das Ziel der genetischen Programmierung ist die Erzeugung von Strukturen, die eine bestimmte Eingabe
MehrEinsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens
Fachhochschule Brandenburg Fachbereich Informatik und Medien Kolloquium zur Diplomarbeit Einsatz Evolutionärer Algorithmen zur Optimierung der Tourenplanung eines Wachschutzunternehmens Übersicht Darstellung
MehrPollards Rho-Methode zur Faktorisierung
C A R L V O N O S S I E T Z K Y Pollards Rho-Methode zur Faktorisierung Abschlusspräsentation Bachelorarbeit Janosch Döcker Carl von Ossietzky Universität Oldenburg Department für Informatik Abteilung
MehrGenetic Algorithms. Seminar KE und Lernen in Spielen. Bearbeitet von: Felix Becher. Leiter des Seminars: Prof. Dr. Johannes Fürnkranz 06-07-27
Genetic Algorithms Seminar KE und Lernen in Spielen Bearbeitet von: Felix Becher Leiter des Seminars: Prof. Dr. Johannes Fürnkranz Gliederung Evolutionstheorie Genetische Algorithmen Vor- und Nachteile
MehrÜbung 3: Populationsgenetik 3, Komplexere Formen natürlicher Selektion
Ihre Namen: Übung 3: Populationsgenetik 3, Komplexere Formen natürlicher Selektion In dieser Übung werden Sie sich mit komplexeren Formen der Selektion beschäftigen. Bitte beachten Sie, dass man in diesem
MehrIntelligente EKG-Analyse Dipl.-Ing. Gero von Wagner
FZI Forschungszentrum Informatik an der Universität Karlsruhe MIT- Medizinische Informationstechnik Telemetrisches Diagnosenetz Intelligente EKG-Analyse Dipl.-Ing. Gero von Wagner FZI Forschungszentrum
MehrGenetisches Programmieren
Genetisches Programmieren Marc Musch Inhaltsverzeichnis 1 Grundkonzept 2 2 Exkurs: LISP 3 3 Vorbereitung eines Laufes 4 3.1 Festlegen der Terminalmenge und der Funktionenmenge 4 3.2 Bestimmen eines geeigneten
MehrDie Prognose regionaler Beschäftigung mit Neuronalen Netzen und Genetischen Algorithmen
Die Prognose regionaler Beschäftigung mit Neuronalen Netzen und Genetischen Algorithmen Nijkamp P., Reggiani A., Patuelli R., Longhi S. Ziele: Darstellung eines Neuronalen Netzes (NN) zur Prognose regionaler
MehrAutomatische Generierung von Bildoperationsketten mittels genetischer Programmierung
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/266398778 Automatische Generierung von Bildoperationsketten mittels genetischer Programmierung
MehrDiplomarbeit Evolutionäre Generierung neuer Icons und Piktogramme
U n i v e r s i t ä t R o s t o c k Fakultät für Informatik und Elektrotechnik Institut für Angewandte Mikroelektronik und Datentechnik Diplomarbeit Evolutionäre Generierung neuer Icons und Piktogramme
MehrGenetische Algorithmen und Evolutionäre Strategien
Genetische Algorithmen und Evolutionäre Strategien von Adam El Sayed Auf und Kai Lienemann Eine Ausarbeitung zum Seminar Intelligente Algorithmen im Wintersemester 2003/2004 an der Universität Bielefeld
MehrEvolutionäre Algorithmen
Evolutionäre Algorithmen No-Free-Lunch-Theorem, Parallelisierung, Zufallszahlen Prof. Dr. Rudolf Kruse Christian Moewes {kruse,cmoewes}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät
Mehr2 Einführung in das Konfigurationsmanagement 11
v 1 Einleitung 1 1.1 Wer dieses Buch lesen sollte........................ 2 1.2 Warum Subversion, Maven und Redmine?............. 3 1.3 Wo ist das Ant-Kapitel?........................... 5 1.4 Abgrenzung
MehrSpiel 1: Spielerische Simulation der Hardy-Weinberg-Regel
Spiel : Spielerische Simulation der Hardy-Weinberg-Regel Spielbrett, Box Genpool, Taschenrechner Wichtig! Das Spiel wird fünf Runden gespielt!. Ziehen Sie aus dem Genpool ohne Hinschauen insgesamt 54 Individuen.
Mehr