4. Eine Einführung in Konzept und Arbeitsweise genetischer Algorithmen
|
|
- Benedikt Fuhrmann
- vor 7 Jahren
- Abrufe
Transkript
1 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 herauszufinden, die organisches Leben ermöglichen. Die Evolution hat schließlich zur Entstehung der DNS (Desoxyribonucleinsäure) geführt, die allem Leben (auf der Erde) als Bauplan zugrundeliegt. Die DNS eines Menschen enthält etwa 3,8 Milliarden Nukleotidbasen 1. Die Entwickling kann kein reiner Zufallsprozeß gewesen sein. Evolution kann vielmehr nur durch einen kollektiven Lernprozeß erklärt werden, wobei erfolgreiche Innovationen gespeichert und erfolglose vergessen werden. Die Evolution stützt sich auf das Prinzip der natürlichen Selektion und die Vererbung von Eigenschaften und Merkmalen. Unter Selektion versteht man das Fortbestehen der Individuen, die am besten an die Umwelt angepaßt sind und das Aussterben der schlechter angepaßten Individuen. Die stärkeren Individuen haben die Möglichkeit, sich fortzupflanzen und ihre Eigenschaften an die nächste Generation weiterzugeben. Chromosomen und Gene Chromosome sind Träger der Gene, der kompletten Erbinformation eines Lebewesens. Die Chromosomen bestehen aus Nukleinsäuren und Proteinen. Die wichtigste Nukleinsäure ist die DNS. Gene stellen bestimmte Abschnitte der DNS dar. Am Aufbau der DNS sind 4 Basen beteiligt: Adenin (A), Cytosin (C), Guamin (G), Thymin (T). Diese Basen bilden die Grundlage für die gesamte genetische Information eines Lebewesens, die als Sequenz der Buchstaben eines genetischen Alphabets A, C, G und T wie bspw. in...-c-c-t-g-a-g-g-a-g-... notiert werden kann. Das bezeichnet man als den sog. Genetischen Code, der als Programm verstanden werden kann, das die Entwickling eines neuen Individuums festlegt. Grundlegende Mechanismen der Vererbung Es liegt bspw. das Chromosom g mit 10 Genen g 1 bis g 10 vor. g 1 g 2 g 3 g 4 g 5 g 6 g 7 g 8 g 9 g 10 Abb.4.1-1: Chromsom mit 10 Genen 1 Kettenglieder der DNS
2 Jedes Gen ist durch seine Position im Chromosom bestimmt und kontrolliert eine ganz bestimmte Eigenschaft bzw. ein bestimmtes Merkmal eines Lebewesens wie bspw. seine Augenfarbe. So hat das Gen g 4 bspw, den Wert blau. Die Gesamtheit der Gene g = (g 1, g 2, g 3, g 4, g 5, g 6, g 7, g 8, g 9, g 10 ) bezeichnet man als den Genotyp des Individuums und meint damit das Erbbild. Das Individuum selbst, der sog. Phänotyp, ist die konkrete Ausprägung der Merkmale. Der Phänotyp muß sich im Kampf um dasein behaupten. Neue Individuen (bzw. neue Chromosomen) entstehen durch Rekombinationsverfahren. Das vorherrschende Verfahren in der Natur ist die Paarung, die zur Kreuzung der Erbinformation und damit zu neuen Ausprägungen führt. 4.2 Prinzip genetischer Algorithmen Zufällig erzeugte Lösungen des Suchraums der Problemstellung bilden die Ausganspopulation. Sie wird im Verlauf eines Genetischen Algorithmus durch einen Evolutionsprozeß verbessert. Bei der Suche nach besseren Lösungen kombinieren Genetische Algorithmen das Überleben der tauglichen Individuen einer Population mit einem Austausch der genetischen Information zwischen den einzelnen Individuen. Die Individuen werden mit einer ihrer relativen Tauglichkeit (Fitneß) entsprechenden Wahrscheinlichkeit ausgewählt. Besonders taugliche Individuen erhalten bevorzugt die Möglichkeit zur Weitergabe der Lösungsinformation ( survival of the fitest ). GA führen einen zufallsgesteuerten Suchprozeß durch, der durch die Nutzung populationsspezifischer Eigenschaften gesteuert wird. Der evolutionäre Such- und Optimierungsprozeß beruht auf 3 grundlegenden Prinzipien: Auslese (Selektion), Veränderung (Rekombination, Mutation) und Vervielfachung (Reproduktion) von Individuen. Die Grundprinzipien werden bei genetischen Algorithmen durch spezielle Genmanipulationen verwirklicht. Das erfolgt natürlich nicht auf biologischen Chromosomen, sondern auf Strings, die bei GA für die Problemlösungen (Gesamtheit der Individuen) stehen. In der Regel sind die Strings binär kodiert, d.h. Jedem Gen einspricht ein Bitwert (Allel) 0 oder 1. 2
3 4.3 Phasen eines genetischen Suchalgorithmus Modellierung Durch Bestimmen einer geeigneten Codierung werden Lösungen des Suchraums im Rahmen einer geeigneten Abbildung über Zeichenketten (häufig Bitstrings) modelliert. Die Strings, die zur Darstellung der zulässigen Lösungen gebildet werden, sind die Genotypen einer Population. Die zulässigen Lösungen bezeichnet man als Phänotypen. Ein Phänotyp stellt das äußere Erscheinungsbild eines Individuums dar, das der Informationsgehalt des Genotyps durch Dekodierung bestimmt Konfigurierung Elemetare genetische Operatoren sind: Selektion Sie besteht in der Auswahl von Individuen, gemessen anhand ihres Tauglichkeitsgrads. Alle ausgewählten Individuen werden bei der Generierung von nachkommen berücksichtigt. Crossover Elternpaare werden zufällig aus ausgewählten Individuen gebildet und daraufhin Nachkommen generiert, die eine genotypische Ähnlichkeit zu den jeweiligen Eltern aufweisen. Die Ähnlichkeit der Individuen wird durch einen Informationsaustauch zwischen den Genotypen der Eltern erreicht. Aus 2 Genozypen werden wieder Kinder (Crossover) gebildet, die dann in eine neue Pupulation eingetragen werden. Die alte Population (Eltern-) bleibt unverändert. Beim Crossover tauschen die Elterm Teile ihres Gen-Strings miteinander aus. Die Stelle, ab der getauscht wird, wird durch Zufall ermittelt. Dazu wird die Zeichenkette des einen Eltermteils an beliebiger Stelle getrennt. An der gleichen Stelle wird auch die Zeichenkette des anderen Elternteils gespalten. Die 4 Teilstücke werden über Kreuz (Crossover) verbunden. Der vordere Teil des einen mit dem hinteren Teil des anderen Strings. Die so erzeugten Kinder werden dann in die Population der Nachkommen eingetragen. Mutation Sie tritt nur gelegentlich bei der Verarbeitung der Zeichenkette auf und bewirkt eine kleine Veränderung des Genotyps. Der Zweck der Mutation besteht in der Vermeidung einer vorzeitigen Spezialisierung der Individuen einer Population. Die Mutation verändert willkürlich Gen-Strings. Startpopulationen werden mit dem Zufallszahlengenerator gebildet. Es kann vorkommen, daß in der kompletten Population kein Gen-String existiert, der einer vom Problem her vorgegebenen 3
4 Bedingung entspricht. Selektion und Crossover können Zeichenketten manipulieren, nicht an entscheidender Stelle zugleich verändern. Eine zu häufige Mutation ist aber schädlich, da sie ja auch gute Strings zum Schlechten hin verändern kann. Daher läßt man die Mutation mit nur einer geringen wahrscheinlichkeit auftreten (z.b. 0.1% aller Fortpflanzungen). Welches Gen des Gen-String geändert wird, bleibt dem Zufall überlassen. Nach Selektion, Crossover und Mutation besitzt die Nachkommen-Population zwei neue Mitglieder. Da die Populationsgröße konstant bleiben muß, wird diese Kette von Operatoren eines GA so oft durchgeführt, bis die neue Population vollständig mit Kinder besetzt ist. Damit ist ein Iterationsschritt oder auch ein Generationswechsel beendet und die Eltern-Population wird nicht mehr benötigt. Die Nachkommen-Population wird zur Elternpopulation. Für jedes Element der Population wird wieder die Fitneß ermittelt. Danach bildet man nach der beschriebenen Weise eine neue Nachkommen-Population, etc. Optimierung mit genetischen Algorithmen Die Ausgangssituation wird durch eine mit dem Zufallsgenerator benötigte Anzahl von Gen-Strungs festgelegt. Die Selektion bestimmt, welche Mitglieder der Population (Startpopulation) sich fortpflanzen dürfen. Zur Vermeidung von Inzucht ist aber auch weniger geeigneten Mitgliedern (im bescheidenen Maße) die Fortpflanzung erlaubt. Eine gute Selektion erreicht man mit dem Roulette-Verfahren. Dieses Bewirkt, daß die Wahrscheinlichkeit mit der ein Genstring bei der Selektion ausgewählt wird, proportional zu seiner Güte ist. Die Anzahl der Fächer im Roulette- Rad entspricht der Anzahl seiner Genotypen in einer Population. Der Genotyp mit höchster Qualität bekommt das größte Feld zugewiesen. Die Aufteilung geht abwärts bis zum schlechtesten Gen-String, der das kleinste Feld zugewiesen bekommt. Genotyp 4 Genotyp 5 Genotyp 1 Genotyp 2 Abb : Roulette-Rad Genotyp 3 Genotyp 6 Je höher die Tauglichkeit eines Lebewesens ist, desto breiter ist das Fach und umso wahrscheinlicher ist es, daß die Roulette-Kugel in einem solchen Fach hängenbleibt. Alle Tauglichkeitswerte werden aufsummiert und daraus der mittlere Gütewert ermittelt. Ein guten Lebewesen (Genotyp) erzeugt einen Gütewert über dem Mittelwert. Die Gesamtgüte geteilt durch den Gütewert eines Genotyps ergibt dessen Wahrscheinlichkeit. Mit einem Zufallszahlengenerator kann dann die Selektion für einen Genotyp vorgenommen werden. In der Regel wird die Optimierung nach einer vorher festgelegten, als ausreichend angesehen Anzahl von Generationen abgebrochen. Wählt man aus der letzten 4
5 Population den Genotyp aus, der die höchste Güte besitzt, hat man meistens ein brauchbares Ergebnis der Optimierung. Noch besser ist es, bei jeder erzeugten Population den jeweils besten Genotyp herauszusuchen und festzuhalten. Wird in einer späteren Generation eine besserer Genotyp gefunden, so wird dieser gespeichert. Eine Alternative besteht darin, sich ebenfalls den besten Genotyp einer Population zu merken und über eine bestimmte Anzahl von Populationen zu beobachten. Stellt man dabei keine Verbesserung des jeweiligen besten Genstrings fest, dann kann die Optimierung beendet werden Die Realisierungsphase Sie umfaßt alle Arbeiten zur Umsetzung des Entwurfs in ein lauffähiges Optimierungsverfahren (Implementierung, Bestimmen von Werten für externe Parameter). Bsp.: Bestimme das Maximum der Funktion f(x)=x 2 für x-werte, die zwischen 0 und 31 liegen. 1. Codierung des Eingabebereichs über einen binären String (durch eine 5 Bit umfassende Binärzahl). 2. Zufällige Auswahl einer Ausgangspopulation. 3. Berechnung der Fitness. 4. Aus dem Roulette-Rad werden die aktuellen Elternpaare ermittelt, die die neue Population erzeugen sollen. Zeichenkette Anfangs- x-wert f(x)=x 2 Nr. Population Summe 1170 Durchschnitt 293 Max 576 Es wurden ermittelt: String 1 wird einmal kopiert String 4 wird einmal kopiert String 2 wird zweimal kopiert String 3 wird überhaupt nicht kopiert 5. Crossover a) Die Zeichenketten werden zur Paarung zufällig ausgewählt b) Ausgewählte Paare werden an zufällig ausgewählten Punkten gepaart. Im vorliegenden Bsp. werden String 1 und String 2 an Punkt 4 gekreuzt, String 3 und String 4 an Punkt Mutation Die Wahrscheinlichkeit für eine Mutation soll hier sein. Über die 20 Bitpositionen ergibt das einen Erwartungswert vom 20 * = 0.02 bits für eine Mutation währen einer Generationenfolge. Hier würde keine Bitposition von einer Änderung betroffen sein. 5
6 7. Test der neuen Population Population nach der Reproduktion Partner (zufällig ausgew.) Crossover Punkt Neue Population x-wert f(x)=x Implementierung 2 : #include <stdlib.h> #include <stdio.h> #include <time.h> #include <math.h> // #define RAND_MAX 0x7FFFFFFF #define random(num) (rand()%(num)) #define randomize() srand((unsigned)time(null)) #define POPULATION_SIZE 10 #define CHROM_LENGTH 4 #define PCROSS 0.6 #define PMUT #define MAX_GEN 50 struct population int value; unsigned char string[chrom_length]; unsigned int fitness; ; struct population pool [POPULATION_SIZE]; struct population new_pool[population_size]; int selected[population_size]; int generations; // select select(double sum_fitness) double r, parsum; parsum = 0; r = (double)(rand() % (int)sum_fitness); for (int i = 0; i < POPULATION_SIZE, parsum <= r; i++) parsum += pool[i].fitness; return(-i); flip(double prob) double i; i = ((double)rand()) / RAND_MAX; if ((prob == 1.0) (i < prob)) 2 PR41010.CPP 6
7 return (1); else return (0); // crossover void crossover(int parent1, int parent2, int child1, int child2) int site; if (flip(pcross)) site = random(chrom_length); else site = CHROM_LENGTH - 1; for (int i = 0; i < CHROM_LENGTH; i++) if ((i <= site) (site == 0)) new_pool[child1].string[i] = pool[parent1].string[i]; new_pool[child2].string[i] = pool[parent2].string[i]; else new_pool[child1].string[i] = pool[parent2].string[i]; new_pool[child2].string[i] = pool[parent1].string[i]; // mutation void mutation() for (int i = 0; i < POPULATION_SIZE; i++) for (int j = 0; j < CHROM_LENGTH; j++) if (flip(pmut)) pool[i].string[j] = ~new_pool[i].string[j] & 0x01; else pool[i].string[j] = new_pool[i].string[j] & 0x01; // evaluate evaluate(int value) return(pow((double)value, 2.0)); // encode // (kodiert einen Integer-Wert in eine binaere Zeichenkette) void encode(int index, int value) for (int i = 0; i < CHROM_LENGTH; i++) pool[index].string[chrom_length i] = (value >> i) & 0x01; // decode // dekodiert eine binaere Zeichenkette in eine Ganzzahl decode(int index) int value = 0; for (int i = 0; i < CHROM_LENGTH; i++) 7
8 value += (int)pow(2.0,(double) i) * pool[index].string[chrom_length i]; return (value); // initialize_population // (erzeugt und initialisiert eine Population void initialize_population() randomize(); for (int i = 0; i < POPULATION_SIZE; i++) encode(i,random(2^chrom_length)); void statistics() int i, j; printf("\n; Generation: %d\n;selectedstrings\n;",generations); for (i = 0; i < POPULATION_SIZE; i++) printf("%d", selected[i]); printf("\n"); printf("\n;x\tf(x)\tnew_string\tx "); for (i = 0; i < POPULATION_SIZE; i++) printf("\n%d\t%u\t;", pool[i].value, pool[i].fitness); for (j = 0; j < CHROM_LENGTH; j++) printf("%d", pool[i].string[j]); printf("\t\t%d",decode(i)); void main(void) int i; double sum_fitness, avg_fitness, old_avg_fitness; generations = 1; avg_fitness = 1; initialize_population(); do old_avg_fitness = avg_fitness; sum_fitness = 0; // fitness evaluation for (i=0; i < POPULATION_SIZE; i++) pool[i].value = decode(i); pool[i].fitness = evaluate(pool[i].value); sum_fitness += pool[i].fitness; avg_fitness = sum_fitness / POPULATION_SIZE; for (i = 0; i < POPULATION_SIZE; i++) selected[i] = select(sum_fitness); for (i = 0; i < POPULATION_SIZE; i = i + 2) crossover(selected[i], selected[i+1],i,i+1); mutation(); statistics(); printf("\nimprovement: %f\n", avg_fitness / old_avg_fitness); while ((++generations < MAX_GEN) && ((avg_fitness / old_avg_fitness) > 1.005) ((avg_fitness / old_avg_fitness) < 1.0)); 8
9 4.3.4 Verfahrensbewertung bzw. Verfahrungsverbesserung Im Anschluß an eine Realisierung des Algorithmus sollte eine Verfahrensbewertung erfolgen sowie eine Verfahrensverbesserung, die sich von einer Verfahrenserweiterung bis hin zur erneuten Abarbeitung aller Phasen der Entwicklung eines GA erstrecken kann. 9
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
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
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
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 Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
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"
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,
MehrEvolutionäre (Genetische) Algorithmen
Evolutionäre (Genetische) Algorithmen Ziel, Aufgabe von evolutionären Algorithmen: Optimierung von Objekten mit komplexer Beschreibung, wobei es Parameter gibt. Die Objekte kodiert man so als Bitstrings,
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
MehrGenetische Algorithmen
Genetische Algorithmen Von Valentina Hoppe und Jan Rörden Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Gliederung Biologische Evolution Genetischer Algorithmus Definition theoretischer
MehrKodierung Genetische Algorithmen und Simulated Annealing
Kodierung Genetische Algorithmen und Simulated Annealing Referenten Dipl.-Ing. (FH) Dipl.-Ing. (FH) 1 Agenda Erklärung des Genetischen Algorithmus f(x)=x² (2-dimensional) Verschiedene Codierungen Binärcode,
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
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
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.
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
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
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
MehrProgramme züchten - Evolution als Optimierungsverfahren. Heiko Spindler Freiberuflicher IT-Berater, Architekt, Autor und Coach
Programme züchten - Evolution als Optimierungsverfahren Heiko Spindler Freiberuflicher IT-Berater, Architekt, Autor und Coach Agenda Was ist Evolution? Simulieren von Evolution Ein erstes Beispiel Programme
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
Mehr2.5 Evolutionäre (Genetische) Algorithmen
KI 1, SS 2011, Kapitel 2, GA 1 2.5 Evolutionäre (Genetische) Algorithmen Das Ziel bzw. die Aufgabe von evolutionären Algorithmen ist eine Optimierung von Objekten mit komplexer Beschreibung, wobei es variable
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
MehrEvolutionäre / Genetische Algorithmen. Einführung in die Methoden der Künstlichen Intelligenz. Evolutionäre / Genetische Algorithmen (2) Beispiel
Evolutionäre / Genetische Algorithmen Einführung in die Methoden der Künstlichen Intelligenz PD Dr. David Sabel SoSe 0 Anwendungsbereich: Optimierung von Objekten mit komplexer Beschreibung Objekte: Üblicherweise
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
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
MehrKlausur. 2. Aufgabe (3 Punkte) Ergänzen Sie die leeren Zellen derart, dass sich in einer Zeile die selben Zahlenwerte ergeben.
Programmieren bei Dr. Robert Heß TM&M1, IST1 und ET1 Anfang SS 2003 Klausur 1. Aufgabe (2 Punkte) Kodieren Sie folgende Dezimalzahlen in Binärzahlen um. Zeigen Sie den Rechenweg, die negative Zahl soll
MehrEinführung in die Methoden der Künstlichen Intelligenz. Evolutionäre Algorithmen
Einführung in die Methoden der Künstlichen Intelligenz Prof. Dr. Manfred Schmidt-Schauß SoSe 2018 Stand der Folien: 9. Mai 2018 Evolutionäre / Genetische Algorithmen Anwendungsbereich: Optimierung von
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]
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,
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
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
MehrComputational Intelligence
/ 44 Computational Intelligence Wintersemester 0/04. Evolutionäre Algorithmen II Stefan Berlik Fachgruppe Praktische Informatik Fakultät IV, Department Elektrotechnik und Informatik Universität Siegen
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
MehrProgramme züchten. Evolution als Optimierungsverfahren. Heiko Spindler Freiberuflicher IT-Berater
Programme züchten Evolution als Optimierungsverfahren Heiko Spindler Freiberuflicher IT-Berater Agenda Was ist Evolution? Simulieren von Evolution Ein einfaches Beispiel Programme züchten Fazit Herbstcampus
MehrGrundlagen der Vererbungslehre
Grundlagen der Vererbungslehre Zucht und Fortpflanzung Unter Zucht verstehen wir die planvolle Verpaarung von Elterntieren, die sich in ihren Rassemerkmalen und Nutzleistungen ergänzen zur Verbesserung
MehrProseminarvortrag. Markov-Ketten in der Biologie (Anwendungen)
Proseminarvortrag Markov-Ketten in der Biologie (Anwendungen) von Peter Drössler 20.01.2010 2 Markov-Ketten in der Biologie (Peter Drössler, KIT 2010) Inhalt 1. Das Wright-Fisher Modell... 3 1.1. Notwendige
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
MehrLösung Übungszettel 4
Lösungen zur Vorlesung GRUNDLAGEN DER INFORMATIK I Studiengang Elektrotechnik SS 03 AG Betriebssysteme FB3 Kirsten Berkenkötter Lösung Übungszettel 4 1 Aufgabe 1: Addition und Subtraktion im Zweierkomplement
MehrEvolution im Computer
Evolution im Computer Stephan Pirnbaum @spirnbaum Junior-Consultant @buschmais Steffen Gemkow @SteffenGemkow Geschäftsführer @ObjectFab Infinite-Monkey Theorem Man nehme: Unendliche Anzahl Affen Je Affe
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
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)
MehrGenetische Programmierung
TU Chemnitz Fakultät für Informatik Stephan Heinich Genetische Programmierung in C Wintersemester 2001/02 Proseminar: Proseminarleiter: Genetische Programmierung Dipl. Inf. J. Arnold Inhalt 1. Beispiel:
MehrVom Algorithmus zum Programm
Vom Algorithmus zum Programm Lernziele: Vertiefen der Kenntnisse über den Entwurf von Algorithmen und deren Übertragung in ein C- Programm Aufgabe 1: Pythagoreisches Tripel a) Entwickeln Sie einen Algorithmus,
MehrKlausur Programmiersprachen SS 2005
Klausur Programmiersprachen SS 2005 Prüfer: Prof. Dr. Schwenk Prüfungstermin: 30.8.2005 Dauer: - 120 Minuten (Diplom ITS neue DPO, Diplom ETIT neue DPO): Sie müssen nur Aufgaben im Umfang von 100 Punkten
MehrProgramme züchten Evolution als Optimierungsverfahren. Heiko Spindler
Programme züchten Evolution als Optimierungsverfahren Heiko Spindler Freiberuflicher IT-Berater Agenda Was ist Evolution? Simulieren von Evolution Ein einfaches Beispiel Programme züchten Fazit Heiko Spindler
MehrKlausur: Grundlagen der Informatik I, am 06. Februar 2009 Gruppe: A Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.
Seite 1 von 9 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 12 Pkt.) Was liefert
MehrZeichenketten, Strukturen und Funktionen (call by reference)
Zeichenketten, Strukturen und Funktionen (call by reference) Aufgabe 1: Caesar- Code Schreiben Sie zunächst eine Funktion encode(char * text, int n), die einen gegebenen String codiert. Bei der Codierung
MehrGenetische und Evolutionäre Algorithmen (Vol. 2)
Vortrag über Genetische und Evolutionäre Algorithmen (Vol. 2) von Adam El Sayed Auf und Kai Lienemann Gliederung: 4) Rückblick 5) Allgemeine Einführung 6) Genauere Beschreibung von Evolutionären Strategien
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
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
MehrKlausur: Informatik, am 11. Juli 2013 Gruppe: A Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.: Punkte:
Seite 1 von 10 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 15 Pkt.) Was liefert
MehrKlausur: Grundlagen der Informatik I, am 27. März 2009 Gruppe: F Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.
Seite 1 von 9 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 15 Pkt.) Was liefert
MehrDynamisches Huffman-Verfahren
Dynamisches Huffman-Verfahren - Adaptive Huffman Coding - von Michael Brückner 1. Einleitung 2. Der Huffman-Algorithmus 3. Übergang zu einem dynamischen Verfahren 4. Der FGK-Algorithmus 5. Überblick über
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
/ 4 Computational Intelligence Wintersemester 007/008 4. Genetische Algorithmen Stefan Berlik Fachgruppe Praktische Informatik FB, Elektrotechnik und Informatik Universität Siegen 5. November 007 Gliederung
MehrOptimierung und Entwurf mit Evolutionären Algorithmen
Fakultät Informatik, Institut für Angewandte Informatik, Lehrstuhl für Technische Informationssysteme Optimierung und Entwurf mit Evolutionären Algorithmen Dresden, 01.02.2007 Gliederung natürliche Evolution
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
MehrKlausur: Informatik, am 11. Juli 2013 Gruppe: B Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.: Punkte:
Seite 1 von 10 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 6 Pkt.) a) Geben
MehrSynthese durch Rechner-Optimierung
4.2.4. Synthese durch Rechner-Optimierung Möglichkeiten zum Finden passender Reglerparameter: 1. Theoretische Synthese (Herleitung der optimalen Werte) 2. Einstellregeln Messungen an der Strecke (z. B.
MehrGenetische Algorithmen
Genetische Algorithmen Projektgruppe 431 Metaheuristiken Bianca Selzam Inhaltsverzeichnis 1 Einleitung......................................................... 1 2 Grundlagen aus der Biologie.......................................
MehrLesen Sie alle Aufgabenstellungen sorgfältig durch, bevor Sie mit der Bearbeitung der ersten Aufgabe beginnen.
INE1 Musteraufgaben für die Semesterendprüfung Hilfsmittel Vier Seiten selbst verfasste Zusammenfassung keine weiteren Hilfsmittel keine elektronischen Hilfsmittel Abgabe Füllen Sie das erste Aufgabenblatt
MehrDer genetische Algorithmus
Joachim Breitner Seminarkurs am Schickhardt-Gymnasium Herrenberg 2002/2003 Halbjahr 12.2 Modellbildung und Simulation am Beispiel der Evolution und dem Programm EvoLab Thema 2: Der genetische Algorithmus
MehrAlgorithmen und Datenstrukturen
Universität Innsbruck Institut für Informatik Zweite Prüfung 16. Oktober 2008 Algorithmen und Datenstrukturen Name: Matrikelnr: Die Prüfung besteht aus 8 Aufgaben. Die verfügbaren Punkte für jede Aufgabe
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
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
Mehr*** Viel Erfolg! ***
Hochschule München, FK 03 SS 2018 Ingenieurinformatik C-Programmierung Bachelorstudiengang: Studienbeginn vor WS13/14 (Kombinationsprüfung) ** Studienbeginn ab WS13/14 bis WS15/16 ** Studienbeginn ab SS16
MehrLösungshinweise zum Übungsblatt 10: Programmieren in C (WS 2018/19)
Dr. habil. Bernd Schürmann Dr. Annette Bieniusa pinc-support@cs.uni-kl.de TU Kaiserslautern Fachbereich Informatik Lösungshinweise zum Übungsblatt 10: Programmieren in C (WS 2018/19) 1. Zur Beantwortung
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
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.
Mehr5. Übungsserie. Sophia Schumann Matr. XXX
5. Übungsserie Montag, 23. November 2009 1. Aufgabe Es soll die Bitfolge 101001100111 mit dem Hammingcode zum Senden aufbereitet werden. Die Bitfolge hat eine Länge von 12 Bits. Deshalb legt man sich eine
Mehr1. Evolutionsstrategien. 2. Genetische Algorithmen. Evolutionsstrategie / Genetischer Algorithmus. Dr. Markus Olhofer markus.olhofer(at)honda-ri.
Evolutionsstrategie / Genetischer Algorithmus 1. Evolutionsstrategien 200 150 100 (kontinuierliche Parameter) 50 0 10 2. Genetische Algorithmen 5 0-5 -10-10 -5 0 5 10 (diskrete Parameter in kombinatorischen
MehrNachklausur: Grundlagen der Informatik I, am 02. April 2008 Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.
Seite 1 von 10 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 6 Pkt.) a) Erklären
MehrNachklausur: Grundlagen der Informatik I, am 02. April 2008 Dirk Seeber, h_da, Fb Informatik. Nachname: Vorname: Matr.-Nr.
Seite 1 von 9 Hiermit bestätige ich, dass ich die Übungsleistungen als Voraussetzung für diese Klausur in folgender Übung erfüllt habe. Jahr: Übungsleiter: Unterschrift: 1. Aufgabe ( / 4 Pkt.) Gegeben
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
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
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
MehrSeminar "Optimierung mit evolutionären Algorithmen"
Universität Stuttgart Institut für Informatik Abteilung Seminar "Optimierung mit evolutionären Algorithmen" Seminararbeit zu genetischen Algorithmen Betreuer: Dipl. Math. Nicole Weicker Autor: Michael
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
MehrVon der Mikro- zur Makroevolution... (2)
Von der Mikro- zur Makroevolution... (2) Biologische Strukturbildung im Ausleseprozeß Aus der Erkenntnis heraus, daß man durch kleine, zufällige Änderungen am Erbgut über viele Generationen hinweg durch
MehrInformatik II, SS 2018
Informatik II - SS 2018 (Algorithmen & Datenstrukturen) Vorlesung 21 (11.7.2018) String Matching (Textsuche) II Greedy Algorithmen I Algorithmen und Komplexität Textsuche / String Matching Gegeben: Zwei
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Institut für Statistik und OR Uni Graz Joachim Schauer ( Institut für Statistik und OR Uni Graz Betriebliche ) Optimierung 1 / 19 1 Joachim Schauer ( Institut für
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
MehrErfolgversprechende Konfigurationen für Versuche mit Evolutionsstrategien anhand von ausgewählten Testfunktionen
Erfolgversprechende Konfigurationen für Versuche mit Evolutionsstrategien anhand von ausgewählten Testfunktionen Krischan Keitsch 3. Juni 214 Zusammenfassung Um ein Optimierungsproblem mit einer Evolutionsstrategie
Mehr2. Aufgabe (3 Punkte) Ergänzen Sie die leeren Zellen derart, dass sich in einer Zeile die selben Zahlenwerte ergeben.
Programmieren bei Dr. Robert Heß TM&M1, IST1 und ET1 Ende SS 2003 Klausur 1. Aufgabe (2 Punkte) Kodieren Sie folgende Dezimalzahlen in Binärzahlen um. Zeigen Sie den Rechenweg, die negative Zahl soll im
MehrEvolutionäre Robotik
Evolutionäre Robotik Evolutionäre Robotik Evolutionäre Robotik Lernen / Adaption erfolgt auf (mindestens 3 Ebenen) Evolutionäre Robotik Lernen / Adaption erfolgt auf (mindestens 3 Ebenen) 1. Adaption Evolutionäre
Mehr8.1 Einleitung. Grundlagen der Künstlichen Intelligenz. 8.1 Einleitung. 8.2 Lokale Suchverfahren. 8.3 Zusammenfassung. Suchprobleme: Überblick
Grundlagen der Künstlichen Intelligenz 5. April 0 8. Suchalgorithmen: Lokale Suche Grundlagen der Künstlichen Intelligenz 8. Suchalgorithmen: Lokale Suche 8.1 Einleitung Malte Helmert Universität Basel
MehrWie kann man große Hunde züchten? Spielregeln zum Simulationsversuch
Wie kann man große Hunde züchten? Spielregeln zum Simulationsversuch Aufgabe: Spielt das Spiel: Wie kann man große Hunde züchten? Ein Größenmerkmal wird durch einen farbigen Chip simuliert. Es gibt vier
MehrProbeklausur: Programmieren I
Probeklausur: Programmieren I WS09/10 Erlaubte Hilfsmittel: keine Lösung ist auf den Klausurbögen anzufertigen. (eventuell Rückseiten nehmen) Bitte legen Sie einen Lichtbildausweis und den Studentenausweis
MehrNachname:... Vorname:... MatrNr.:... Klausur PR2. Erstellen Sie eine Struktur für eine Komplexe Zahl mit den Elementen real und imag vom Typ double.
Nachname:... Vorname:... MatrNr.:... Klausur PR2 HAW-Hamburg, Fakultät Technik und Informatik, Department Informations- und Elektrotechnik Dr. Robert Heß, 4.7.2008 Bearbeitungsdauer: 90 min Hilfsmittel:
MehrProgrammiertechnik. Teil 4. C++ Funktionen: Prototypen Overloading Parameter. C++ Funktionen: Eigenschaften
Programmiertechnik Teil 4 C++ Funktionen: Prototypen Overloading Parameter C++ Funktionen: Eigenschaften Funktionen (Unterprogramme, Prozeduren) fassen Folgen von Anweisungen zusammen, die immer wieder
MehrKönnen Gene Depressionen haben?
Können Gene Depressionen haben? DTzt. Chromosomen, Gene und so... Die Sache mit der Vererbung oder warum sieht eine Kuh aus wie eine Kuh? Die kleinste Datenbank Desoxyribonukleinsäure - DNA Speicher für
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
MehrTechnische Universität Chemnitz. Ein Genetischer Algorithmus zur simultanen Dimensionierung und Strukturierung von Fertigungssystemen
Ein Genetischer Algorithmus zur simultanen Dimensionierung Strukturierung von Fertigungssystemen JENS ARNOLD Fakultät für Informatik D-09107 Chemnitz E-Mail: Jens.Arnold@informatik.tu-chemnitz.de THOMAS
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,
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
MehrTag 4 Repetitorium Informatik (Java)
Tag 4 Repetitorium Informatik (Java) Dozent: Michael Baer Lehrstuhl für Informatik 2 (Programmiersysteme) Friedrich-Alexander-Universität Erlangen-Nürnberg Wintersemester 2017/2018 Übersicht Arrays (Reihungen)
Mehr