Digitale Klangsynthese mit Hilfe Genetischer Algorithmen
|
|
- Christian Joseph Becker
- vor 8 Jahren
- Abrufe
Transkript
1 Digitale Klangsynthese mit Hilfe Genetischer Algorithmen Diplomarbeit im Fachbereich Informatik und Mathematik der Hochschule fü r Technik und Wirtschaft Dresden von Jörg Hentschel Dresden, November 2002 Betreuer: Prof. Dr. rer. nat. habil. H. Iwe
2
3 Inhaltsverzeichnis Inhaltsverzeichnis... 3 Vorwort Einleitung Motivation Verwandte Arbeiten Ansatz Genetische Algorithmen Grundlagen der Evolution und Genetik Informatik und Evolution Abstraktion der Evolution Repräsentation Evaluation und Fitneß Reproduktion Selektion Kreuzung Mutation Ersetzung Generationswechsel Elitismus Digitale Klangsynthese Synthesizer und Sampler Töne, Klänge und Geräusche Syntheseverfahren Subtraktive Synthese Wavetable Synthese Additive Synthese FM-Synthese Weitere Syntheseverfahren Synthesekomponenten Oszillator Hü llkurve Verstärker Filter Effekte
4 4 Digitale Klangsynthese mit Hilfe Genetischer Algorithmen Implementation der Klassenbibliotheken Genetische Algorithmen FM-Synthesizer Klanganalyse Realisierung des Genetischen Algorithmus Aufbau eines Chromosoms Erzeugung und Bewertung eines Individuums Realisierung des Evolutionsprozesses Genetische Operatoren Die Applikation Revival Konfigurationsphase Analysephase Evolutionsphase Präsentationsphase Experimente Standardkonfiguration Parameter des Genetischen Algorithmus Parameter der Klanganalyse Parameter der Klangsynthese Optimierte Standardkonfiguration Experiment 455 (Banjo) Experiment 451 (Trommel) Ergebnisse Zusammenfassung Thesen Literaturverzeichnis Abbildungsverzeichnis Glossar
5 Vorwort Selbständigkeitserklärung: Ich erkläre hiermit, daß ich diese Arbeit selbständig und ohne unzulässige Hilfe Dritter verfaß t habe. Ich versichere zudem, daß ich nur die Quellen verwendet habe, die im Literaturverzeichnis dieser Arbeit angegeben sind und dieses vollständig ist. Weiterhin ist diese Diplomarbeit und ihre Bestandteile keine Kopie anderer Quellen oder Arbeiten. Danksagung: Ich möchte mich auch bei allen bedanken, die zum Gelingen dieser Diplomarbeit beigetragen haben, insbesondere aber meinem Betreuer Professor Dr. rer. nat. habil. H. Iwe für seine wertvollen Ratschläge zu Inhalt und Form meiner Arbeit. 5
6 6
7 1 Einleitung 1.1 Motivation Die meisten Klänge, die wir kennen sind natü rlicher Art oder stammen von Musikinstrumenten, die der Mensch erfunden hat. Doch in den letzten Jahrzehnten werden künstliche Töne und Klänge, basierend auf mathematischen und physikalischen Prinzipien, auch mit sogenannten Synthesizern hergestellt. Das Potential der verschiedenen Syntheseprinzipien ist sehr groß, eine schier unerschöpfliche Quelle für immer neue Klänge, die es zu finden gilt. Man könnte sogar sagen, die Suche nach schönen Klängen ist in vollem Gange, denn noch nie zuvor konnte ein Klangbastler auf so viele Syntheseprinzipien zurü ckgreifen. Der Prozeß der Klangsynthese ist trotzdem sehr langwierig und artet oft in Tü ftelarbeit aus, denn bis ein wohlklingender Ton entsteht, muß eine Vielzahl von Parametern eingestellt werden. Die Herstellung eines Klanges ist damit bis heute meist eine mü hsame, zeitaufwendige Suche, bei der immer wieder verschiedene Parameterwerte getestet werden und anschließ end das Ergebnis vom Nutzer für gut oder schlecht befunden wird. Selbst bei weitreichenden Kenntnissen der Zusammenhänge und Funktionalitäten einzelner Syntheseverfahren, kann die Veränderung eines einzigen Parameters zu einem unerwarteten Chaos im erzeugten Klang führen. Das Synthetisieren eines schönen Klanges kann auf diese Weise durchaus einen ganzen Tag in Anspruch nehmen. Doch immer wieder finden sich Menschen, die mit viel Geduld den Synthesizern fantastische Klänge entlocken. Das Ziel dieser Diplomarbeit ist die Suche nach einem Genetischen Algorithmus, der dem Nutzer die Einstellung der Parameter bei der Klangsynthese ganz oder wenigstens teilweise abnimmt. Der Nutzer soll sich voll und ganz auf den Klang konzentrieren können und nicht schon scheitern, wenn er versucht Oszillatoren, Filter oder Hüllkurven einzustellen. Ein solches Verfahren würde damit auch Nutzern helfen, die keine oder nur wenige Kenntnisse von der Klangsynthese besitzen. Es wurden die Genetischen Algorithmen ausgewählt, weil diese ein sehr 7
8 wirkungsvolles Optimierungsverfahren darstellen, welches schon erfolgreich bei verschiedenen komplexen Problemen aus der Realität eingesetzt wurde. Ein zu lösendes Problem wird immer durch eine Reihe von Parametern beschrieben. Man könnte sich hier die Beschreibung der Struktur einer Klangsynthese und deren Parameter vorstellen. Der Genetische Algorithmus versucht dann die im Chromosom verschlü sselten Parameter der Klangsynthese durch Selektion und Rekombination einzustellen, bis ein schön klingender Ton entsteht. 1.2 Verwandte Arbeiten Horner, Beauchamp und Haken präsentieren in ihrer Arbeit "FM Matching Synthesis with Genetic Algorithms" [HOR-93] einen Ansatz, bei dem ein vorhandener Klang durch FM-Synthese und Genetische Algorithmen resynthetisiert werden soll. Im einzelnen werden dabei optimierte Parameter fü r den Prozeß der FM-Synthese durch einen Genetischen Algorithmus ermittelt. Der Algorithmus der Synthesetechnik (1 Modulator zu n Trägern) ist von Anfang an festgelegt. Die Parameter sind auf die statischen Frequenzen der Oszillatoren (Sinus) und die Modulationsindizes beschränkt. Die Bewertung der Gü te eines synthetisierten Klanges wird durch einen Abstandsvergleich ausgewählter Abschnitte der Frequenzspektren von Quell- und Zielklang bestimmt. Die Anzahl der Träger beeinfluß t maß geblich das Ergebnis der Prozedur und damit die Ä hnlichkeit des synthetisierten Klanges zum originalen Klang. Wehn stellt in seiner Arbeit "Using Ideas from Natural Selection to Evolve Synthesized Sounds" [WEH-98] eine Methode vor, Klänge mit Hilfe von Genetischen Algorithmen zu synthetisieren. Auch er versucht einen schon existierenden Quellklang durch einen evolutionär gestü tzten Syntheseprozeß automatisch zu rekonstruieren. Das von ihm verwendete Schema für die Klangerzeugung ist als Modulare Synthese bekannt. Wehn versucht nicht nur feste Parameter zu finden, sondern auch einen geeigneten Algorithmus, der aus einzelnen untereinander verbundenen Elementen wie Oszillatoren, Filter, additiven Verknü pfungen und Rauschgeneratoren besteht. Mit Hilfe der Genetischen Algorithmen werden bessere Algorithmen mit besseren Parametern gezü chtet. Die 8
9 Fitneß der einzelnen Lösungen wird durch einen Abstandsvergleich der Frequenzspektren von Quell- und Zielklang ermittelt. Das Ergebnis dieser Prozedur ist ein synthetisierter Klang, welcher dem Quellklang ähnelt. Garcia stellt in seiner Arbeit "Automatic Generation of Sound Synthesis Techniques" [GAR-01] ein Verfahren vor, welches Synthesealgorithmen mit Hilfe evolutionärer Methoden herstellt. Bevor der automatisierte Prozeß beginnen kann, muß ein Nutzer einen Klang bereitstellen, aus dem durch freie Kombination der Elemente klassischer Prinzipien der Klangsynthese ein ähnlicher Klang erzeugt wird. Sein Verfahren ist in der Lage bekannte Syntheseformen wie FM-Synthese, Subtraktive Synthese und Additive Synthese nachzuahmen und sogar neue Formen von Syntheseverfahren zu erschaffen. Die Aufgabe einen passenden Synthesealgorithmus zu finden, der einen bestimmten Quellklang nachbilden soll, verwirklicht Garcia mit Hilfe der Genetischen Programmierung. Die Elemente eines Synthesealgorithmus werden in einer Baumstruktur abgelegt, die dann später in einen Graphen umgewandelt wird. Ein solcher Graph repräsentiert eine konkrete Lösung. Mit Hilfe dieser wird der Klang synthetisiert und anschließ end einer Bewertung unterzogen. Die Fitneß eines gezü chteten Synthesizers wird, wie in den Werken von Wehn und Horner schon beschrieben, durch eine Abstandsmessung zwischen den Frequenzbereichen von Original- und Syntheseklang ermittelt. Die Arbeit "Exploring the sound-space of synthesis algorithms using interactive genetic algorithms" [JOH-99] von Johnson beinhaltet einen Ansatz, der sich mit der interaktiven Synthese von Klängen, unterstü tzt durch Evolutionäre Algorithmen, befaß t. Im Gegensatz zu den vorhergehenden Arbeiten wird hier der Mensch in den Mittelpunkt der Klangsynthese gestellt. Die Klänge werden durch Granularsynthese hergestellt und dessen Parameter durch einen Genetischen Algorithmus angepaß t. Am Anfang bekommt der Nutzer eine Menge von Klängen vorgegeben, die zufällig erzeugt werden. Eine interaktive Schnittstelle ermöglicht es dem Nutzer in den Evolutionsprozeß einzugreifen, indem er sich die synthetisierten Klänge einer Generation anhört und bewertet. Danach ü bergibt er wieder dem System die Kontrolle, welches eine neue Generation von Klängen produziert. Diese Prozedur wird wiederholt, solange kein zufriedenstellendes Ergebnis ermittelt wurde. 9
10 Ausgangspunkt dieser Arbeit bilden hauptsächlich die Werke von Garcia und Horner. Beide versuchen einen Klang automatisiert nachzubilden, beschreiten aber unterschiedliche Lösungswege. Mit dieser Arbeit versuche ich einen Mittelweg zwischen diesen Lösungen zu finden. 1.3 Ansatz Diese Arbeit beschreibt ein Verfahren, welches, basierend auf einem gegebenen Originalklang, die Struktur und Parameter fü r das Syntheseverfahren der Frequenzoder Phasenmodulation mit Hilfe von Genetischen Algorithmen ermittelt. Der daraus resultierende Syntheseklang soll dem Original in seinen Grundzü gen ähneln, wird aber keinesfalls eine identische Kopie darstellen. Dabei wird mein Verfahren in 4 Schritten vollzogen: Im ersten Schritt muß der Nutzer einen Originalklang und verschiedene Parameter für den Genetischen Algorithmus (Populationsgröß e, Mutations-, Kreuzungstyp, Selektion), die Frequenzanalyse (Anzahl, Größ e und Verteilung der Analysefenster) sowie fü r das Verfahren der Klangsynthese (Anzahl der Operatoren, Modulationsart) bestimmen. Im zweiten Schritt wird das Frequenzspektrum des Originalklangs durch eine Fourieranalyse (FFT) ermittelt. Im dritten Schritt ü bernimmt der Genetische Algorithmus die Entwicklung eines passenden FM-Synthesizers. Der evolutionäre Prozeß beginnt mit der Erschaffung einer Ausgangspopulation von FM-Synthesizern, die durch Zufall erzeugt werden. Anschließ end werden in jeder Generation neue Individuen durch Kreuzung und Mutation gebildet, analysiert und mit dem Original verglichen. Diejenigen Synthesizer, die den Originalklang am besten nachahmen können, werden in die nächste Generation ü berfü hrt, in der Hoffnung, dort aus den eigenen guten Eigenschaften neue, bessere Synthesizer hervorzubringen. Im vierten Schritt werden dem Nutzer die ermittelten Ergebnisse präsentiert. Wie schon erwähnt, beschreite ich einen Weg, der sich zwischen den Werken von Horner und Garcia befindet. Horner legt in seiner Arbeit den Schwerpunkt auf die Optimierung von Parametern für das Syntheseverfahren der Frequenzmodulation (genau gesehen verwendet er eigentlich die Phasenmodulation). Er nutzt dafü r einen festen Algorithmus. Ich bin allerdings der Meinung, daß auch der Algorithmus (also 10
11 die Struktur) nicht statisch sein sollte, da die Algorithmen so gesehen selbst einen Parameter für das Verfahren darstellen. Garcia dagegen hat die Entwicklung einer geeigneten Struktur eines beliebigen Syntheseverfahrens in den Vordergrund seiner Arbeit gestellt. Ein sehr lohnenswerter Ansatz. Da die Eigenschaften verschiedener Syntheseverfahren meist auch weit auseinander liegen, möchte ich mich in dieser Arbeit auf ein einziges Syntheseverfahren konzentrieren. Meinen Nachforschungen zufolge erscheint auch hier wieder die FM-Synthese als sehr mächtiges Verfahren, welches, im Gegensatz zu anderen Syntheseverfahren, mit bescheidenen Mitteln (Oszillatoren und Hü llkurven) sehr komplexe Klänge erzeugen kann. Die Auswahl eines geeigneten Evolutionären Algorithmus war schnell vollzogen. Wie Horner habe ich mich fü r die Genetischen Algorithmen entschieden, weil sie das am grü ndlichsten erforschte Gebiet der Evolutionären Algorithmen darstellen. Der fü r mich wichtigste Vorteil dieser liegt bei den Genetischen Operatoren, die das Chromosom verändern können, ohne ü ber die Regeln für die zugrunde liegende Struktur etwas wissen zu müssen. Die Genetischen Algorithmen stellen zudem mehrere Kreuzungs- und Mutationsverfahren bereit, die sich bereits bewährt haben. Bei der Genetischen Programmierung, die Garcia verwendet hat, ist dies nicht der Fall. Hier müssen ü blicherweise für jedes Optimierungsproblem neue Kreuzungsund Mutationsoperatoren geschrieben werden, die besondere Anforderungen des strukturierten Chromosoms beachten. Da die Struktur des Chromosoms meistens baumartig ist, sind die Operationen oft sehr langwierig und die Größ e der Chromosomen (Anzahl der Knoten) muß begrenzt werden. 11
12 12
13 2 Genetische Algorithmen 2.1 Grundlagen der Evolution und Genetik In der Natur durchlaufen alle Arten von Lebewesen einen andauernden Entwicklungsprozeß, der vom Drang zum Ü berleben geprägt ist. Dieser Vorgang erstreckt sich ü ber einen sehr langen Zeitraum und kann als ein Lernprozeß angesehen werden, in dem sich alle Lebewesen an die gegebenen Umwelteinflü sse anpassen müssen. An dieser Stelle setzen die zwei wichtigsten Prinzipien der Evolution an. Die Selektion und die Vererbung. Die Individuen, die sich besonders erfolgreich ihrer Umwelt anpassen, werden verstärkt ihre Eigenschaften und Merkmale durch Fortpflanzung an die nächsten Generationen weitergeben. Schwache Individuen dagegen werden aussterben. Die Ergebnisse sprechen fü r sich, denn die Evolution hat erfolgreich aus ganz einfachen Strukturen im Laufe von Millionen von Jahren unglaublich komplexe Strukturen und effektive Mechanismen in allen möglichen Formen und Variationen hervorgebracht. Die Erbinformationen bestimmen sowohl Aufbau als auch Aussehen eines Lebewesens und befinden sich in dessen Zellen. Dort sind sie als ein Satz von Chromosomen im Genom zusammengefaß t. Die Informationen werden hier in einer chemischen Struktur abgespeichert, der sogenannten DNS (Desoxyribonukleinsäure). Die DNS ist aus zwei Einzelsträngen (Phosphat-Zucker-Ketten) aufgebaut, welche durch Basenpaare miteinander verbunden sind. Die Basenpaare werden durch die Kombination der Basen Adenin, Thymin, Cytosin und Guanin gebildet. Aufgrund der chemischen Struktur der Basen passen jeweils nur Adenin mit Thymin und Cytosin mit Guanin zusammen. Diese Basen bilden die Grundlage fü r die gesamten genetischen Informationen eines Lebewesens. Reiht man die Basenpaare aneinander spricht man vom sogenannten Genetischen Code, der sich wie folgt strukturiert: Eine Gruppe von drei nebeneinander liegenden Basenpaaren bilden eine Aminosäure. Betrachtet man nun eine Folge von aneinander gereihten Aminosäuren, erhält man ein Protein (Eiweiß ). Eine Kette von Proteinen wird als Gen bezeichnet. Vereinfacht kann man also sagen, daß die Chromosomen die Träger der Gene sind, die alle 13
14 genetischen Informationen eines Lebewesens beinhalten. Jedes Gen ist durch seine feste Position innerhalb des Chromosoms bestimmt und legt auf diese Weise ganz bestimmte Eigenschaften und Merkmale fü r ein Individuum fest. Die Gesamtheit der Gene bezeichnet man als Genotyp. Man kann sich die Funktionalität des Genotyps als eine Art Schablone für eine Art von Lebewesen vorstellen. Die einzelnen Individuen mit den jeweiligen Ausprägungen der Eigenschaften und Merkmale nennt man Phänotypen. Das Prinzip der Vererbung von Eigenschaften und Merkmalen wird bei fast allen Lebewesen durch Paarung erreicht. Finden sich zwei starke Exemplare einer Art pflanzen sie sich fort, d.h. die Gene der zwei Individuen werden zufällig miteinander vermischt. Damit erhalten die Nachkommen einen Teil der Eigenschaften und Merkmale vom Vater, den anderen Teil von der Mutter. Die Rekombination der Gene verschiedener Organismen der gleichen Art sorgt für eine ständige Durchmischung des Erbmaterials einer ganzen Art. Bei der Rekombination von Individuen können gelegentlich auch Mutationen auftreten. Eine Mutation ist ein Fehler bei der Replikation des DNS-Stranges. Es kann dabei vorkommen, daß eine falsche Base in den aufgeteilten DNS-Strang eingefü gt oder eine beliebige Base daraus entfernt wird. Manchmal treten auch sogenannte spontane Mutationen auf, die durch ganz unterschiedliche Ursachen wie zum Beispiel Radioaktivität, Klimafaktoren oder Stoffwechselstörungen hervorgerufen werden. Eine Mutation kann sich positiv, negativ oder neutral auf ein Individuum auswirken und somit auch auf dessen Ü berlebens- und Fortpflanzungschancen. Auch wenn die Auswirkungen der Mutation ungewiß sind, spielt sie doch eine bedeutende Rolle. Sie sorgt zum einen für neues Erbmaterial und bringt zum anderen Variabilität in den Evolutionsprozeß ein, die durch Rekombination allein nicht erreicht werden kann. Das Prinzip der Selektion (natü rliche Auslese) bevorzugt stärkere und vernachlässigt schwächere Individuen bei der Fortpflanzung. Die Fitneß eines Individuums wird durch die Einwirkung von oft sehr vielen Selektionsfaktoren (Umweltbedingungen) bestimmt, die direkt auf die Eigenschaften eines Phänotyps Einfluß nehmen. Diese Faktoren stellen im Zusammenhang ein sehr komplexes Wirkungsgefü ge dar und steuern auf diese Weise die Evolution in ihrer Richtung und Geschwindigkeit. Durch 14
15 die Bevorzugung stärkerer Individuen wird deren durchschnittliche Zahl an Nachkommen auch deutlich höher sein. Auf diesem Weg wird zum größ ten Teil nur das gute genetische Material in die jeweils nächsten Generationen weitergegeben und damit der Fortbestand der eigenen Art gesichert. 2.2 Informatik und Evolution Theoretisch gesehen, kann man fast jede Aufgabe als Optimierungsproblem auffassen. Das Ziel besteht darin, möglichst schnell ein gutes Ergebnis zu ermitteln. Das hängt allerdings von der Anzahl der Parameter ab, die das Problem beschreiben. Mit einer steigenden Anzahl von Parametern eines Problems werden auch der Grad der Komplexität und die Menge der möglichen Lösungen steigen. Sind die Lösungsräume von Aufgaben relativ klein, dann reicht oft schon ein einfaches Verfahren aus, um die gesuchte Lösung zu finden. Eine mögliche Methode wäre zum Beispiel die Brute-Force-Methode, bei der alle möglichen Lösungen eines Problems berechnet werden und anschließ end aus dieser Menge die beste Lösung herausgesucht wird. Ist ein Problem zu komplex und damit der Lösungsraum zu groß, dann versagt diese Methode aufgrund der fehlenden Rechenleistung. An dieser Stelle setzen oft heuristische Verfahren an, die in das Gebiet des sogenannten Soft Computing einzuordnen sind. Eine Gruppe dieser Verfahren sind die Evolutionären Algorithmen (EA). Diese versuchen im Computer den Prozeß der natü rlichen Evolution zu simulieren. Das Konzept ist vielversprechend, denn der Evolutionsprozeß funktioniert in der Natur schon seit Anbeginn des Lebens und das mit groß em Erfolg. Es ist also nicht verwunderlich, daß dieser Prozeß in die Informatik ü bertragen wurde. Es gibt vier wesentliche Strategien, die auf den Grundlagen der natü rlichen Evolution basieren und unter dem Begriff der Evolutionären Algorithmen zusammengefaß t wurden: Die Genetischen Algorithmen (GA), die Genetische Programmierung (GP), die Evolutionären Strategien (ES) und die Evolutionäre Programmierung (EP). In den folgenden Abschnitten meiner Arbeit werde ich allerdings nur noch auf das Gebiet der Genetischen Algorithmen eingehen, weil es das meist genutzte und erforschte Verfahren der Evolutionären Algorithmen darstellt und ich es aus diesem Grund verwende. Die Grundlagen dafü r wurden schon 15
16 im Jahre 1962 von John Holland entwickelt. Im Gegensatz zu den konventionellen Verfahren (Aufzählung, Zufallssuche und analytische Suche), zeichnen sich die Genetischen Algorithmen vor allem durch ihre höhere Robustheit aus. Diese resultiert aus der Kombination einer mehrfach gerichteten Suche und stochastischen, nicht deterministischen Regeln (Selektion). Sie sind in der Lage eine Menge von Lösungen (Population) parallel zu verarbeiten und nicht nur eine einzige, wie es beim Hillclimbing oder dem Simulated Annealing der Fall ist. Aufgrund dieser Eigenschaften sind die Genetischen Algorithmen für eine Vielzahl von Optimierungsaufgaben geeignet. Trotz der oft sehr komplexen Lösungsräume vieler Probleme finden sie immer wieder Lösungen in erstaunlicher Qualität. 2.3 Abstraktion der Evolution Wie schon erwähnt, dient die natü rliche Evolution als Vorbild. Daher wird auch bei den Genetischen Algorithmen eine Population von Individuen einem künstlichen Evolutionsprozeß ausgesetzt. Die Individuen müssen sich in einer spezifizierten Umgebung behaupten. Um ein Maß fü r den Erfolg eines Individuums zu erhalten, wird dessen Fitneß durch eine Bewertungsfunktion bestimmt. Die erfolgreichen Exemplare werden sich verstärkt fortpflanzen und auf diese Weise ihr genetisches Material weitergeben. Die Wahrscheinlichkeit auf Selektion eines Individuums für den Fortpflanzungsprozeß wird durch ganz unterschiedliche Methoden bestimmt. Die Reproduktion erfolgt, wie auch in der Natur, durch Kreuzung von zwei Elternindividuen. Auch die Mutation von Individuen wurde nachgebildet und soll die Variabilität einer Population erhalten. Diese Prozedur wird so oft wiederholt, bis eine annehmbare Lösung fü r ein Problem gefunden wurde oder die vorgegebene Anzahl an Generationen erschöpft ist. Dieses Verfahren arbeitet, im Gegensatz zu herkömmlichen Suchmethoden, nicht in nur einem Zustandsraum (Lösungsraum), sondern in zwei voneinander getrennten Zustandsräumen (Abb. 1): Suchraum und Lö sungsraum. Der Suchraum enthält die kodierten Lösungen eines Problems, die auch als Genotypen bezeichneten werden. Der Lösungsraum enthält die eigentlichen Lösungen, die Phänotypen, mit den konkreten Parameterwerten eines Problems. Zu jedem Genotyp im Suchraum gibt es 16
17 auch einen entsprechenden Phänotyp im Lösungsraum. Eine Dekodierungsfunktion, die beide Zustandsräume miteinander verbindet, ü berträgt die genotypischen Lösungen in den phänotypischen Raum. Suchraum Lö sungsraum [ ] [ ] Dekodierung [ ] [ ] [ ] [ ] Genotypen (Kreuzung, Mutation) Phänotypen (Bewertung, Selektion) Abbildung 1: Zustandsrä ume Genetischer Algorithmen Bewertung und Selektion von Lösungen finden ausschließ lich im phänotypischen Raum statt, denn nur dort können und mü ssen die konkret ausgebildeten Lösungen in einer rauhen Umwelt um ihr Ü berleben kämpfen. Kreuzung und Mutation werden im Suchraum auf die Genotypen angewendet. Soll eine bestimmte Aufgabe gelöst werden, müssen als erstes die Parameter bestimmt werden, die das Problem beschreiben. Diese könnten zum Beispiel die Parameter a und b einer Funktion f(a, b) sein. Wenn alle Parameter festgelegt wurden, ist die Spezifikation des phänotypischen Raums abgeschlossen und es liegt eine Sammlung von Parametern vor. Danach gilt es eine Form der Kodierung zu finden, um auch den genotypischen Raum zu repräsentieren. Die Art der Kodierung hängt ganz von der Implementation des Algorithmus ab. In den meisten Fällen werden binäre Zeichenketten verwendet. Ein kodierter Parameter wird als Gen bezeichnet. Intern werden die Gene miteinander verkettet und als Chromosom in einem Individuum abgelegt. Neben dem Chromosom wird auch die Rohfitneß einer Lösung im Individuum hinterlegt. Sie wird später benötigt, um die Selektionswahrscheinlichkeit (relative Fitneß ) einer Lösung zu bestimmen. Da der durch den Genetischen Algorithmus simulierte Evolutionsprozeß immer auf eine Population von Individuen wirkt, entspricht dieser 17
18 damit einer parallelen Suche nach potentiellen Lösungen im genotypischen Raum. Laut Michalewicz [MIC-96] ist ein ausgeglichenes Verhältnis zwischen der Erkundung des gesamten Suchraums und der Ausbeutung der bereits gefundenen besten Lösungen entscheidend fü r den Erfolg des Algorithmus. Der einfache Genetische Algorithmus unterliegt einer grundlegenden Prozedur (Abb. 2). Er wurde schon oft realisiert und selbst bei einer schlechten Implementation können meist noch respektable Ergebnisse erzielt werden. Die fortgeschrittenen Genetischen Algorithmen erweitern dieses Verfahren mit einigen zusätzlichen Theorien, ändern aber nichts an der grundsätzlichen Funktionsweise. Den Ablauf der Prozedur kann man sich wie folgt vorstellen: Bevor der Prozeß beginnen kann, mü ssen einige Parameter wie die Populationsgröß e, die Selektionsmethode, ein geeignetes Ersetzungsverfahren sowie die Wahrscheinlichkeiten für Mutation und Kreuzung spezifiziert werden. Danach wird eine Ausgangspopulation der entsprechenden Größ e gebildet. Die Gene der Chromosomen aller Individuen (Genotypen) werden dann mit zufälligen Werten belegt. Anschließ end werden die Phänotypen der Startpopulation bewertet, um eine Maß fü r ihre Fitneßzu erhalten. Jetzt beginnt der iterative Teil des Algorithmus, in welchem der natü rliche Evolutionsprozeß nachgeahmt wird. Am Anfang jeder Generation steht eine Population von Elternindividuen zur Verfü gung, die oft auch als Eltern-Pool bezeichnet wird. Aus diesem werden immer zwei Individuen selektiert. Die Wahrscheinlichkeit auf Selektion zur Fortpflanzung wird durch die Berechnung der Fitneß eines Individuums ermittelt. Stehen die Elternindividuen fest, werden von beiden zwei identische Kopien erzeugt. Mit der vorher festgelegten Kreuzungswahrscheinlichkeit (ca. 60% 90%), findet nun die Reproduktion der Nachkomment statt. Genauer gesagt, werden die Genotypen der Klone an einem zufälligen Punkt des Chromosoms miteinander gekreuzt. Das Ergebnis sind zwei neue Kinder. Findet keine Kreuzung statt, sind die geklonten Individuen selbst die Nachkommen. Bevor die neuen Individuen in den Kinder-Pool gesteckt werden, mü ssen sie sich noch einer Mutation unterziehen, die aber nur mit einer sehr geringen Wahrscheinlichkeit Ä nderungen am Genotyp vornimmt. Dieser Prozeß der Selektion und Reproduktion wird so oft wiederholt, bis der Kinder-Pool die gleiche Größ e aufweist wie der Eltern-Pool. Am Ende einer Generation werden die 18
19 Individuen aus dem Eltern-Pool mit denen aus dem Kinder-Pool ersetzt (Ersetzung). Die neue Population von Elternindividuen für die nächste Generation steht bereit. Der Algorithmus wird erst beendet, wenn eine bestimmte Terminierungsbedingung vorliegt. Dies kann zum Beispiel das Erreichen einer maximalen Anzahl von Generationen sein oder das Auffinden einer zufriedenstellenden Lösung. 1 Einstellung verschiedener Eigenschaften des Genetischen Algorithmus 2 Initialisierung der Ausgangspopulation 3 Wiederhole, solange Terminierungsbedingung nicht wahr ist 4 Evaluation der aktuellen Population 5 Wiederhole, solange nicht genügend Nachkommen gebildet wurden 6 Selektion zweier Eltern in Abhängigkeit ihrer Fitneß 7 Erzeugung von Nachkommen durch Kreuzung beider Eltern 8 Mutation der erzeugten Nachkommen 9 Ersetzung der alten Generation Abbildung 2: Struktur Genetischer Algorithmen Bei der Anwendung der fortgeschrittenen Genetischen Algorithmen können noch bessere Ergebnisse erzielt werden. Im Folgenden sind hier nur drei wesentliche Maß nahmen aufgefü hrt, die verdeutlichen sollen, an welchen Stellen der einfache Genetische Algorithmus noch verbessert werden kann. Als erstes ist es möglich dem Algorithmus eine größ ere Ausgangspopulation zur Verfü gung zu stellen. Dabei ist eine bessere durchschnittliche Fitneß zu erwarten. In einigen Fällen lohnt es sich sogar, die Individuen der Startpopulation mit konkreten Werten zu belegen. Dadurch kann man schon zu Beginn des Algorithmus sicherstellen, daß der gesamte Suchraum abgedeckt wird. Die zweite Möglichkeit setzt bei den Genetischen Operatoren für die Reproduktion an. Hier können neben der Ein-Punkt-Kreuzung auch andere Kreuzungsoperatoren ausgewählt werden. Die bekanntesten sind die Zwei-Punkt-Kreuzung, die Zwei-Punkt-Kreuzung mit Translokation und die gleichmäßige Kreuzung. Diese Operatoren sollen für eine bessere Durchmischung der genetischen Information zweier Individuen sorgen. Weiterhin gibt es neben 19
20 Kreuzung und Mutation auch noch die Inversion und Translokation. Beide Genetische Operatoren wirken, genau wie die Mutation, auf nur ein Individuum. Im Gegensatz zur Mutation, sind sie in der Lage ganze Abschnitte eines Individuums zu verändern, haben aber einen geringeren Einfluß auf die Variabilität in einer Population. Die dritte Möglichkeit befaß t sich mit den Ersetzungsschemata. Durch die Verwendung von Elitismus oder Dynamischen Elitismus wird in der Regel eine durchschnittlich bessere Fitneß erreicht, da nicht alle Individuen der Elternpopulation verworfen, sondern einige mit in die neue Generation mitgefü hrt werden. Die Qualität eines Genetischen Algorithmus wird im Wesentlichen von sieben Faktoren, mit unterschiedlich starker Wirkung, beeinfluß t. Dabei handelt es sich um die folgenden Elemente: Modellierung von Phänotyp und Genotyp (Kodierung), einschließ lich der Ü bertragungsfunktion, die fü r die Dekodierung notwendig ist. Bereitstellung der Möglichkeit eine Ausgangspopulation zu erschaffen. Entwurf einer Bewertungsfunktion, die in der Lage ist Umwelteinflü sse zu simulieren und damit die einzelnen Individuen qualitativ zu bewerten. Einen Mechanismus, der die Selektionswahrscheinlichkeiten der Individuen berechnet und mit Hilfe dieser Individuen selektiert. Ein Ersetzungsverfahren, das aus den Eltern und ihren Nachkommen eine neue Population fü r die nächste Generation bildet. Genetische Operatoren wie Kreuzung und Mutation, die Ä nderungen im genotypischen Raum vornehmen. Einstellung von Parametern wie Populationsgröß e und Wahrscheinlichkeiten fü r Kreuzung und Mutation. Zu den wichtigsten Faktoren gehören die Modellierung von Phänotyp und Genotyp und der Entwurf einer geeigneten Fitneß funktion. Aber auch die Genetischen Operatoren, die Wahl des Ersetzungsverfahrens und der Selektionsmechanismus sollten mit Sorgfalt gewählt werden. Wenn ein Genetischer Algorithmus keine zufriedenstellende Lösung finden sollte, dann ist mit groß er Wahrscheinlichkeit einer 20
21 dieser Faktoren dafü r verantwortlich. Im schlimmsten Fall ist es sogar die Art des Problems, die für den Miß erfolg schuld ist. Trotz der meist sehr guten Ergebnisse muß man sich immer vor Augen halten, daß die Genetischen Algorithmen kein Allheilmittel fü r jedes Problem sind und nach wie vor ein junges Forschungsgebiet darstellen. Die natü rliche Evolution vereint eine Vielzahl von Strategien, die aber nicht alle naturgetreu ü bernommen wurden. Die wichtigsten von ihnen wurden in vereinfachter Form auf die Genetischen Algorithmen ü bertragen und einige andere wurden sogar ganz weggelassen. Die auffälligste Ä nderung betrifft den Aufbau des Genoms. Es besteht aus einem einzigen Chromosom und ist damit haploid. Dagegen besitzen fast alle Lebewesen mehrere Chromosomen, die als doppelter Satz in der Zelle vorliegen. Eine weitere Ä nderung betrifft die Art und Weise der Kodierung der genetischen Informationen im Chromosom, die auf der Grundlage eines anderen Alphabetes (meistens binär) vollzogen wird. Hinzu kommt, daß die Individuen theoretisch unendlich alt werden können und dadurch immer wieder für die Reproduktion bereitstehen, d.h. der Prozeß schließ t zwar die Geburt und das Leben von Individuen ein, aber nicht deren Tod. In Bezug auf das Alter gibt es schon erste Ansätze, die eine Lebenszeit fü r Individuen simuliert und dadurch auch Superindividuen sterblich macht. Neben dem Lebenszyklus wurde auch der Fortpflanzungsprozeß vereinfacht. Individuen sind grundsätzlich geschlechtslos, aber trotzdem werden noch zwei von ihnen zur Reproduktion herangezogen. Auß erdem fehlt jede Form von Familienverhältnissen. Dies kann zur Inzucht führen, wenn sehr wenige gute Individuen die Population beherrschen. Wie bekannt ist, bedeutet ein erhöhtes Maß an Inzucht die Abnahme der Variabilität in einer Population, da die Kombinationsmöglichkeiten der genetischen Informationen der sich ähnelnden Individuen sehr gering sind. Abhilfe soll hier ein Verfahren bieten, das gleich mehrere Populationen parallel entwickelt. In bestimmten Abständen findet dann ein Austausch von Individuen der Populationen statt und soll dadurch die Variabilität des genetischen Materials erhalten. Als letztes möchte ich die in einer Population fehlenden sozialen Strukturen ansprechen. In der Natur ermöglichen diese durch Arbeitsteilung und Zusammenarbeit das Lösen von Problemen. Ein Beispiel dafü r ist eine Ameisenkolonie. Dieser Ansatz wird verstärkt im Forschungsgebiet des 21
22 Kü nstlichen Lebens (Artificial Life) erforscht und wird den Genetischen Algorithmen wohl auch weiterhin verwehrt bleiben. Trotz der starken Abstraktion der Evolutionsstrategien funktionieren die Genetischen Algorithmen erstaunlich effektiv, wenn auch nicht immer hundertprozentig treffsicher. 2.4 Repräsentation Ein Chromosom besteht grundsätzlich aus einer linearen Zeichenkette. Diese wird häufig auch als String oder Array bezeichnet. Ein Alphabet legt den Wertevorrat der Zeichen fest, die zum Kodieren der Parameter des Optimierungsproblems verwendet werden. Am häufigsten wird das binäre Alphabet eingesetzt. Die Zeichenkette besteht aus n sequentiell aneinander gereihten Teilzeichenketten, die jeweils ein Gen des Chromosoms darstellen. Jeder Parameter wird durch genau ein Gen repräsentiert. Jedes Gen hat eine bestimmte Länge, die von dem zu kodierenden Parameter abhängt. Addiert man die Länge aller Gene, erhält man die Länge des Chromosoms. In der folgenden Abbildung ist der schematische Aufbau kurz dargestellt: Phänotyp (Individuum) Parameter 1 Parameter 2... Parameter n Interpretation Modellierung l = 11 l = 8 l = Gen 1 Gen 2... Gen n Genotyp (Chromosom) Abbildung 3: Modellierung und Interpretation des Chromosoms Die Interpretation eines Gens hängt von den Werten ab, die der repräsentierte Parameter annehmen kann. Die Menge aller zulässigen Werte wird durch den Definitionsbereich bestimmt, der vier unterschiedliche Informationsniveaus besitzen 22
23 kann. Das erste und geringste Niveau wird durch die Nominalskala beschrieben. Die einzigen zur Verfü gung stehenden Operatoren sind Gleichheit und Ungleichheit. Mögliche Ausprägungen eines Parameters wären z.b. männlich (0) und weiblich (1) fü r das Geschlecht oder Auto (00), Bus (10), Bahn (01) und Flugzeug (11) fü r ein Fortbewegungsmittel. Das zweite Niveau ist die Rangskala (auch Ordinalskala), auf der die Werte hinsichtlich ihres Ranges angeordnet sind. Neben Gleichheit und Ungleichheit kann zusätzlich geprü ft werden, ob ein Wert kleiner oder größ er als ein anderer ist. Ein Paradebeispiel sind die Schulnoten 1 (000), 2 (001), 3 (010), 4 (100), 5 (101) und 6 (110). Fü r einen ordinalen oder nominalen Parameter kann die Länge eines Gens (L G ) mit Hilfe der folgenden Beziehung berechnet werden: [1] L G ( XMax 1) ˆ log( 2) Ê log + = AufrundungÁ Ë Alle möglichen Werte eines Parameters sind im Intervall [0; X Max ] festgeschrieben. Die zuvor genannten Beispiele wü rden somit Genlängen von 1 fü r das Geschlecht, 2 fü r die Fortbewegungsmittel und 3 fü r die Schulnoten ergeben. Als nächstes ist die Intervallskala zu nennen, die, ergänzend zur Rangskala, die Differenz von zwei Werten zuläßt. Als Beispiele soll hier die Celsius-Temperaturskala genannt sein. Das höchste Informationsniveau stellt die Verhältnisskala bereit. Neben den Eigenschaften der Intervallskala besitzt sie zusätzlich noch einen absoluten Nullpunkt. Diese Eigenschaften werden von der Kelvin-Temperaturskala, der Gewichtsskala oder der Längenskala verwendet. Die Berechnung der Genlänge fü r eine Intervall- oder Verhältnisskala ist ähnlich wie bei einer Nominal- und Ordinalskala. Bei Parameterwerten im ganzzahligen Bereich kann anstelle von X Max die Differenz der Grenzen des Intervalls [X Min ; X Max ] in die Beziehung [1] eingesetzt werden: [2] L G (( XMax - XMin ) 1) ˆ log( 2) Ê log + = AufrundungÁ Ë Beispielsweise wü rde das Intervall [-8; 22] mit einer Differenz von 30 eine Genlänge von 5 ergeben. Sind die Parameterwerte aus dem Bereich der reellen Zahlen, dann spielt die Genauigkeit der Werte eine Rolle und muß bei der Berechnung der Genlänge beachtet werden. Demnach wird ein reellwertiges Intervall in kleine 23
24 Abschnitte unterteilt. Die Größ e der Teilintervalle wird durch die Genauigkeit, d.h. die Anzahl der Nachkommastellen (n) vorgegeben. Dazu ist noch eine geringfü gige Ä nderung der Beziehung [2] notwendig: [3] L G n ( X ) ) ˆ Max - XMin 10 1 log( 2) Ê log + = AufrundungÁ Ë Eine Verhältnisskala fü r das Intervall [ 0.5; 1.2] wü rde somit eine Differenz von 1.7 ergeben. Verrechnet man dies mit der Genauigkeit von 3 Nachkommastellen, erhält man 1701 Teilintervalle, was zu einer Genlänge von 11 fü hrt. 2.5 Evaluation und Fitneß Die Fitneß der Individuen ist die treibende Kraft in den Genetischen Algorithmen. Sie entscheidet, welche Richtung die simulierte Evolution bei der Lösungssuche einschlägt, oder anders ausgedrü ckt, welche Regionen des Suchraums stärker erkundet werden. Mit ihrer Hilfe kann eine Aussage getroffen werden, wie fähig ein Individuum ist, das in diesem Sinne eine konkrete Lösung des Problems im Suchraum darstellt. In der Natur wird dies als Grad der Anpassung eines Individuums an seine spezifische Umwelt betrachtet. Bei den Genetischen Algorithmen dagegen spiegelt die Fitneß den Grad der Optimierung der Parameter der zu lösenden Aufgabe wider, d.h. wie nahe diese Lösung einer optimalen Lösung ist. Ist ein Individuum erfolgreich, wird es auch mit einer hohen Wahrscheinlichkeit sein genetisches Material mit den guten Eigenschaften durch Fortpflanzung an die nächste Generation weitergeben. Weniger erfolgreiche Individuen können sich zwar auch fortpflanzen, aber die Chance, daß sie fü r den Reproduktionsprozeß ausgewählt werden, ist sehr gering. Eine bisher unbeantwortete Frage ist, wann ein Fitneß wert gut und wann er schlecht ist. Bisher wurde die beste Lösung einer Aufgabe als Optimum beschrieben. Diesen Sachverhalt kann man auch als Suche nach einem Maximum definieren. Sollte einmal ein Minimum gesucht sein, dann wird durch Negation der Fitneß werte auch diese zur Suche nach einem Maximum. Damit gilt, daß ein hoher Fitneß wert gut ist, ein niedriger dagegen schlecht. Doch wie erhält man nun den Wert für die Fitneß eines Individuums? Dies geschieht in zwei Schritten. Im ersten Schritt wird das Chromosom eines Individuums entschlü sselt. 24
25 Dadurch erhält man die Werte fü r die Parameter des Optimierungsproblems, welches ich hier als Zielfunktion definiere. Die soeben dekodierten Parameter setzt man nun in die Zielfunktion ein. Diese gibt die Bewertung eines Individuums, als Maß für den Abstand zum gesuchten Optimum, zurü ck. Die Bewertung von Lösungen wird aufgrund des Problems immer wieder neu spezifiziert. Dennoch werden in den meisten Fällen altbekannte Kriterien wie Belohnungen, Bestrafungen, Gewinn, Verlust, Kosten, Punkte, Leistungen und Preise für die Bewertung von Lösungen herangezogen. Im zweiten Schritt kann die zuvor ermittelte Bewertung noch standardisiert, angepaß t oder gar normalisiert werden. Dies kann notwendig sein, wenn z.b. ein kleiner Wert als gut gilt und damit eine Minimumsuche darstellt. Die Bewertungen müssen dann durch Negation korrigiert werden, um einer Maximumsuche gerecht zu werden. Der zweite Schritt ist nicht in jedem Fall notwendig, denn oft wird das Ergebnis der Zielfunktion selbst als Fitneß wert verwendet. Die Prozedur der Fitneß berechnung wird für alle Individuen einer Population durchgefü hrt. Stehen alle Werte zur Verfü gung, können die Selektionswahrscheinlichkeiten der Individuen, bezogen auf die ganze Population, berechnet werden. Die verschiedenen Methoden dafü r werde ich in den folgenden Abschnitten noch ansprechen. 2.6 Reproduktion Die Erzeugung von Nachkommen ist, neben der natü rlichen Auslese, eine der wichtigsten Strategien der Evolution. Auf diese Weise wird der Fortbestand einer Rasse gesichert. Ist eine Population nicht mehr in der Lage bessere Individuen hervorzubringen, wird sie aussterben. Bei den Genetischen Algorithmen wird die Nachkommensbildung durch die Kombination von Selektion, Kreuzung und Mutation verwirklicht (Abb. 4). Diese Mechanismen wirken auf eine Population von Individuen einer Generation. Grundsätzlich nehmen alle Individuen an diesem Prozeß teil. Es hängt von der Fitneß der Individuen ab, ob und wie oft sie zur Fortpflanzung ausgewählt werden. Die Reproduktion wird in 3 Schritten vollzogen. Als erstes werden zwei Individuen selektiert und geklont. Anschließ end werden die beiden Klone miteinander gekreuzt. Die daraus resultierenden Nachkommen werden zum Schluß noch mutiert und vorläufig in den Kinder-Pool gelegt. Die Bildung von 25
26 Nachkommen wird fortgesetzt, solange nicht genü gend Nachkommen im Kinder- Pool vorhanden sind, um die nächste Generation anzutreten. Eltern-Pool Selektion 2 Elternindividuen Kreuzung 2 Nachkommen Mutation Kinder-Pool Abbildung 4: Bildung von Nachkommen Der Selektionsoperator kann verschiedene Verfahren nutzen, die von Problem zu Problem gewählt werden. Die Kreuzungswahrscheinlichkeit beeinfluß t den Grad der Vermischung der genetischen Information von Individuen. Wenn diese Rate kleiner wird, dann steigt die Anzahl von Individuen aus der vorangegangenen Generation und die Zahl der Nachkommen mit neuen genetischen Variationen sinkt. Deshalb ist eine Kreuzungsrate von 60 bis 90 Prozent ü blich. Die Mutationswahrscheinlichkeit dagegen ist sehr gering, bei Raten von 1 bis 3 Prozent, und sorgt für mehr Variabilität in einer Population. Der allgemeine Prozeß zur Reproduktion wird standardmäßig in den meisten Genetischen Algorithmen implementiert. Andere Strategien fü r die Bildung von Nachkommen sind natü rlich auch möglich Selektion Bevor Individuen für die Fortpflanzung selektiert werden können, muß erst die gesamte Population für diesen Prozeß vorbereitet werden, d.h. es müssen für alle Individuen in Abhängigkeit ihrer Fitneß Selektionswahrscheinlichkeiten berechnet werden. Für diesen Zweck stehen verschiedene Methoden bereit, die sich in ihrer Funktionsweise unterscheiden. Auf der einen Seite gibt es die fitneß proportionalen 26
27 Methoden. Die Normierung zählt hier zu der einfachsten Methode, bei der die Fitneß eines Individuums durch die Summe der Fitneß aller Individuen geteilt wird, um die Selektionswahrscheinlichkeit zu erhalten. Schon etwas aufwendiger ist die Skalierte Selektion. Sie wird eingesetzt, wenn die Fitneß auch negative Werte annehmen kann oder die Differenz zwischen maximaler und minimaler Fitneß einer Population zu klein wird. Auf der anderen Seite sind die rangbasierenden Verfahren zu nennen. Diese sortieren die Individuen absteigend bezü glich ihrer Fitneß, d.h. das Individuum mit der höchsten Fitneß erhält den ersten Rang, das mit der niedrigsten Fitneß den letzten Rang. Alle weiteren Berechnungen beziehen sich dann nur noch auf die Rangordnung der Individuen einer Population. Mögliche Verfahren sind die lineare und nichtlineare Rangselektion. Neben den fitneß proportionalen und rangbasierten Selektionsmethoden gibt es noch zwei andere Verfahren. Die erste Methode ist die Wettkampfselektion, bei der in einem Selektionsschritt eine bestimmte Anzahl Individuen gleichverteilt aus der Population ausgewählt werden. Das Individuum mit der besten Fitneß der teilnehmenden Wettkämpfer gewinnt und gilt damit als selektiert. Die zweite Methode ist die sogenannte (N, m)-selektion, die nur die m besten Individuen ihrer Generation für eine Auswahl in Betracht zieht. Alle anderen Individuen werden nicht beachtet. Jedes der m Individuen wird mit gleicher Wahrscheinlichkeit ausgewählt. Selektionsmethode Index Fitneß Proportion Skalierung Rang Wettkampf (N,m) 0 9 0,33 0,38 0,30 0,36 0, ,30 0,33 0,25 0,28 0, ,19 0,18 0,20 0,20 0, ,11 0,08 0,15 0,12 0, ,07 0,03 0,10 0,04 0,00 1,00 1,00 1,00 1,00 1,00 Abbildung 5: Vergleich verschiedener Selektionsmethoden Wurden alle Wahrscheinlichkeiten ermittelt, kommt das Russische Roulette zum Einsatz, daß nun ein Individuum aus der Population auswählt. Damit das Russische Roulette fü r alle Selektionsmethoden gleichermaß en eingesetzt werden kann, mü ssen die berechneten Werte den Eigenschaften der Normierung genü gen. Ist diese Voraussetzung erfü llt, werden die Wahrscheinlichkeiten proportional auf ein 27
28 virtuelles Roulette-Rad aufgeteilt. Hier ein Beispiel für die Aufteilung der Selektionswahrscheinlichkeiten einer Population mit fü nf Individuen: Index Wahrscheinlichkeit Roulette-Rad Zeiger 4 Σ Abbildung 6: Beispiel für Russisches Roulette Alle Individuen einer Population bekommen so einen bestimmten Abschnitt auf diesem Rad zugeteilt. Ein Individuum mit einer hohen Selektionswahrscheinlichkeit repräsentiert so einen groß en Teil des Rades und umgekehrt. Ist die Aufteilung des Rades abgeschlossen, kann die Selektion beginnen. Dazu wird das virtuelle Rad gedreht, bis es bei einem Abschnitt stehen bleibt, daß einem Individuum zugeteilt wurde. Dieses ist damit selektiert und das Russische Roulette kann wiederholt werden, um das nächste Individuum zu selektieren Kreuzung Die natü rliche Evolution verändert mit Hilfe der Paarung (Kreuzung) die genetischen Informationen der Elternindividuen. Dies geschieht durch Vermischung der elterlichen Eigenschaften, so daß ein Nachkomme eine Kombination aus den Eigenschaften von Mutter und Vater erhält. Die Genetischen Algorithmen setzen dieses Verfahren in den Kreuzungsoperatoren um. Voraussetzung dafü r sind die in Abb. 7 dargestellten Kreuzungspunkte (P X ), mit dessen Hilfe ein auszutauschender Bereich festgelegt wird (auch mehrere Bereiche sind möglich). Ein Chromosom mit L C Zeichen besitzt die gleiche Anzahl an Kreuzungspunkten. Der Kreuzungspunkt des ersten Zeichens trägt den Index 0 und der des letzten Zeichens L C 1. 28
29 Abbildung 7: Kreuzungspunkte Es gibt nun vier wesentliche Strategien der Kreuzung. Die erste Variante, die auch standardmäßig in den meisten Genetischen Algorithmen verwendet wird, ist die Ein- Punkt-Kreuzung (Abb. 8). Hier wird ein Kreuzungspunkt innerhalb des Chromosoms zufällig ausgewählt. Damit ü berhaupt eine Vermischung stattfindet, sollte der zufällige Kreuzungspunkt P X in folgendem Intervall liegen. [4] 0 < P X < LC Der Kreuzungsbereich wird durch den zufällig gewählten und den letzten möglichen Kreuzungspunkt markiert. Alle Zeichen, die in diesem Bereich liegen, werden zwischen beiden Individuen ausgetauscht. Eltern Nachkommen Abbildung 8: Beispiel Ein-Punkt-Kreuzung Das nächste Verfahren ist die Zwei-Punkt-Kreuzung (Abb. 9), bei der zwei zufällig ausgewählte Punkte den Kreuzungsbereich beider Elternindividuen festlegen. Die beiden Punkte dürfen nicht gleich sein. Der kleinere Punkt stellt den Beginn des Kreuzungsbereichs dar und der größ ere Punkt das Ende. Alle Zeichen, die zwischen den beiden Punkten liegen, werden ausgetauscht. Auch hier sollten die Punkte der in [4] genannten Forderung genü gen. 29
30 Eltern Nachkommen Abbildung 9: Beispiel Zwei-Punkt-Kreuzung Die Zwei-Punkt-Kreuzung kann zu einer Zwei-Punkt-Kreuzung mit Translokation (Abb. 10) erweitert werden, indem zusätzlich bei einem der beiden Individuen der Kreuzungsbereich verschoben wird. Die Kreuzungspunkte für das eine Individuum werden wie bei der Zwei-Punkt-Kreuzung ermittelt und spezifizieren einen Bereich der Länge L K. Der Startpunkt fü r den Kreuzungsbereich des anderen Individuums, wird durch eine Zufallszahl ermittelt, die die folgenden Voraussetzungen erfü llen muß : [5] 0 P ( L - L ) Offset C K Stehen beide Bereiche fest, können die betroffenen Zeichen zwischen diesen ausgetauscht werden. Um eine einfache Zwei-Punkt-Kreuzung zu vermeiden, sollten der erste Kreuzungspunkt und der Translokationspunkt verschieden sein. Eltern Nachkommen Abbildung 10: Beispiel Zwei-Punkt-Kreuzung mit Translokation 30
31 Die vierte Strategie ist die gleichmäßige Kreuzung (Abb. 11), bei der die Kreuzungspunkte durch einen binären Vektor der Länge L C gewonnen werden. Die Werte fü r den Vektor werden durch gleichverteilte Zufallszahlen ermittelt. So wü rde der Vektor , mit einer Länge von 15, die Kreuzungsbereiche 1 4 (1111), 7 8 (11) und (111) hervorbringen. In diesen Bereichen werden die Zeichen der Chromosomen der Eltern vertauscht. Die mit 0 markierten Bereiche bleiben unverändert. Eltern Schablone Nachkommen Abbildung 11: Beispiel gleichmä ßige Kreuzung Die Funktionsweise dieser Verfahren ändert sich auch dann nicht, wenn die Chromosomen aus anderen Alphabeten aufgebaut sind. Jedoch können sie aus bestimmten Grü nden auch eine abweichende Funktionalität aufweisen (z.b. Einzigartigkeit der Gene beim Problem des Handlungsreisenden) Mutation Bei der Fortpflanzung schleichen sich gelegentlich Fehler in die Genotypen der Nachkommen ein. In der Natur geschieht dies im Zuge der Zellteilung, bei der dann einzelne oder mehrere Basen im Chromosom verändert, eingesetzt oder entfernt werden. Dieser Prozeß wird bei Evolutionären Algorithmen durch einen Mutationsoperator nachgebildet. Mutationen wirken sich positiv auf die Variabilität 31
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren
Lineargleichungssysteme: Additions-/ Subtraktionsverfahren W. Kippels 22. Februar 2014 Inhaltsverzeichnis 1 Einleitung 2 2 Lineargleichungssysteme zweiten Grades 2 3 Lineargleichungssysteme höheren als
MehrPrimzahlen und RSA-Verschlüsselung
Primzahlen und RSA-Verschlüsselung Michael Fütterer und Jonathan Zachhuber 1 Einiges zu Primzahlen Ein paar Definitionen: Wir bezeichnen mit Z die Menge der positiven und negativen ganzen Zahlen, also
Mehr50. Mathematik-Olympiade 2. Stufe (Regionalrunde) Klasse 11 13. 501322 Lösung 10 Punkte
50. Mathematik-Olympiade. Stufe (Regionalrunde) Klasse 3 Lösungen c 00 Aufgabenausschuss des Mathematik-Olympiaden e.v. www.mathematik-olympiaden.de. Alle Rechte vorbehalten. 503 Lösung 0 Punkte Es seien
MehrZeichen bei Zahlen entschlüsseln
Zeichen bei Zahlen entschlüsseln In diesem Kapitel... Verwendung des Zahlenstrahls Absolut richtige Bestimmung von absoluten Werten Operationen bei Zahlen mit Vorzeichen: Addieren, Subtrahieren, Multiplizieren
MehrLineare Gleichungssysteme
Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der
MehrGrundlagen der Theoretischen Informatik, SoSe 2008
1. Aufgabenblatt zur Vorlesung Grundlagen der Theoretischen Informatik, SoSe 2008 (Dr. Frank Hoffmann) Lösung von Manuel Jain und Benjamin Bortfeldt Aufgabe 2 Zustandsdiagramme (6 Punkte, wird korrigiert)
Mehr1 Mathematische Grundlagen
Mathematische Grundlagen - 1-1 Mathematische Grundlagen Der Begriff der Menge ist einer der grundlegenden Begriffe in der Mathematik. Mengen dienen dazu, Dinge oder Objekte zu einer Einheit zusammenzufassen.
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrInformationsblatt Induktionsbeweis
Sommer 015 Informationsblatt Induktionsbeweis 31. März 015 Motivation Die vollständige Induktion ist ein wichtiges Beweisverfahren in der Informatik. Sie wird häufig dazu gebraucht, um mathematische Formeln
MehrKulturelle Evolution 12
3.3 Kulturelle Evolution Kulturelle Evolution Kulturelle Evolution 12 Seit die Menschen Erfindungen machen wie z.b. das Rad oder den Pflug, haben sie sich im Körperbau kaum mehr verändert. Dafür war einfach
MehrAccess [basics] Rechnen in Berichten. Beispieldatenbank. Datensatzweise berechnen. Berechnung im Textfeld. Reporting in Berichten Rechnen in Berichten
Berichte bieten die gleichen Möglichkeit zur Berechnung von Werten wie Formulare und noch einige mehr. Im Gegensatz zu Formularen bieten Berichte die Möglichkeit, eine laufende Summe zu bilden oder Berechnungen
MehrBehörde für Bildung und Sport Abitur 2008 Lehrermaterialien zum Leistungskurs Mathematik
Abitur 8 II. Insektenpopulation LA/AG In den Tropen legen die Weibchen einer in Deutschland unbekannten Insektenpopulation jedes Jahr kurz vor Beginn der Regenzeit jeweils 9 Eier und sterben bald darauf.
MehrDas große ElterngeldPlus 1x1. Alles über das ElterngeldPlus. Wer kann ElterngeldPlus beantragen? ElterngeldPlus verstehen ein paar einleitende Fakten
Das große x -4 Alles über das Wer kann beantragen? Generell kann jeder beantragen! Eltern (Mütter UND Väter), die schon während ihrer Elternzeit wieder in Teilzeit arbeiten möchten. Eltern, die während
MehrProfessionelle Seminare im Bereich MS-Office
Der Name BEREICH.VERSCHIEBEN() ist etwas unglücklich gewählt. Man kann mit der Funktion Bereiche zwar verschieben, man kann Bereiche aber auch verkleinern oder vergrößern. Besser wäre es, die Funktion
MehrKonzepte der Informatik
Konzepte der Informatik Vorkurs Informatik zum WS 2011/2012 26.09. - 30.09.2011 17.10. - 21.10.2011 Dr. Werner Struckmann / Christoph Peltz Stark angelehnt an Kapitel 1 aus "Abenteuer Informatik" von Jens
MehrLernerfolge sichern - Ein wichtiger Beitrag zu mehr Motivation
Lernerfolge sichern - Ein wichtiger Beitrag zu mehr Motivation Einführung Mit welchen Erwartungen gehen Jugendliche eigentlich in ihre Ausbildung? Wir haben zu dieser Frage einmal die Meinungen von Auszubildenden
MehrDAS PARETO PRINZIP DER SCHLÜSSEL ZUM ERFOLG
DAS PARETO PRINZIP DER SCHLÜSSEL ZUM ERFOLG von Urs Schaffer Copyright by Urs Schaffer Schaffer Consulting GmbH Basel www.schaffer-consulting.ch Info@schaffer-consulting.ch Haben Sie gewusst dass... >
MehrSo funktioniert Ihr Selbstmanagement noch besser
So funktioniert Ihr Selbstmanagement noch besser HANS-FISCHER FISCHER-SEMINARE SEMINARE St. Wendelinsstrasse 9 86932 Pürgen-Lengenfeld Telefon 08196 99 82 10 Fax 08196 99 82 10 www.fischerseminare.de hans.fischer@fischerseminare.de
MehrPädagogik. Melanie Schewtschenko. Eingewöhnung und Übergang in die Kinderkrippe. Warum ist die Beteiligung der Eltern so wichtig?
Pädagogik Melanie Schewtschenko Eingewöhnung und Übergang in die Kinderkrippe Warum ist die Beteiligung der Eltern so wichtig? Studienarbeit Inhaltsverzeichnis 1. Einleitung.2 2. Warum ist Eingewöhnung
Mehr1 topologisches Sortieren
Wolfgang Hönig / Andreas Ecke WS 09/0 topologisches Sortieren. Überblick. Solange noch Knoten vorhanden: a) Suche Knoten v, zu dem keine Kante führt (Falls nicht vorhanden keine topologische Sortierung
MehrLineare Funktionen. 1 Proportionale Funktionen 3 1.1 Definition... 3 1.2 Eigenschaften... 3. 2 Steigungsdreieck 3
Lineare Funktionen Inhaltsverzeichnis 1 Proportionale Funktionen 3 1.1 Definition............................... 3 1.2 Eigenschaften............................. 3 2 Steigungsdreieck 3 3 Lineare Funktionen
MehrWürfelt man dabei je genau 10 - mal eine 1, 2, 3, 4, 5 und 6, so beträgt die Anzahl. der verschiedenen Reihenfolgen, in denen man dies tun kann, 60!.
040304 Übung 9a Analysis, Abschnitt 4, Folie 8 Die Wahrscheinlichkeit, dass bei n - maliger Durchführung eines Zufallexperiments ein Ereignis A ( mit Wahrscheinlichkeit p p ( A ) ) für eine beliebige Anzahl
MehrSimulation LIF5000. Abbildung 1
Simulation LIF5000 Abbildung 1 Zur Simulation von analogen Schaltungen verwende ich Ltspice/SwitcherCAD III. Dieses Programm ist sehr leistungsfähig und wenn man weis wie, dann kann man damit fast alles
MehrGutes Leben was ist das?
Lukas Bayer Jahrgangsstufe 12 Im Hirschgarten 1 67435 Neustadt Kurfürst-Ruprecht-Gymnasium Landwehrstraße22 67433 Neustadt a. d. Weinstraße Gutes Leben was ist das? Gutes Leben für alle was genau ist das
MehrZahlenwinkel: Forscherkarte 1. alleine. Zahlenwinkel: Forschertipp 1
Zahlenwinkel: Forscherkarte 1 alleine Tipp 1 Lege die Ziffern von 1 bis 9 so in den Zahlenwinkel, dass jeder Arm des Zahlenwinkels zusammengezählt das gleiche Ergebnis ergibt! Finde möglichst viele verschiedene
MehrGeld Verdienen im Internet leicht gemacht
Geld Verdienen im Internet leicht gemacht Hallo, Sie haben sich dieses E-book wahrscheinlich herunter geladen, weil Sie gerne lernen würden wie sie im Internet Geld verdienen können, oder? Denn genau das
MehrPersönliche Zukunftsplanung mit Menschen, denen nicht zugetraut wird, dass sie für sich selbst sprechen können Von Susanne Göbel und Josef Ströbl
Persönliche Zukunftsplanung mit Menschen, denen nicht zugetraut Von Susanne Göbel und Josef Ströbl Die Ideen der Persönlichen Zukunftsplanung stammen aus Nordamerika. Dort werden Zukunftsplanungen schon
MehrPlotten von Linien ( nach Jack Bresenham, 1962 )
Plotten von Linien ( nach Jack Bresenham, 1962 ) Ac Eine auf dem Bildschirm darzustellende Linie sieht treppenförmig aus, weil der Computer Linien aus einzelnen (meist quadratischen) Bildpunkten, Pixels
MehrBeweisbar sichere Verschlüsselung
Beweisbar sichere Verschlüsselung ITS-Wahlpflichtvorlesung Dr. Bodo Möller Ruhr-Universität Bochum Horst-Görtz-Institut für IT-Sicherheit Lehrstuhl für Kommunikationssicherheit bmoeller@crypto.rub.de 6
MehrEinführung in. Logische Schaltungen
Einführung in Logische Schaltungen 1/7 Inhaltsverzeichnis 1. Einführung 1. Was sind logische Schaltungen 2. Grundlegende Elemente 3. Weitere Elemente 4. Beispiel einer logischen Schaltung 2. Notation von
MehrSEK II. Auf den Punkt gebracht!
SEK II Profil- und Kurswahl Einbringungspflicht Abitur-Bestimmungen Gesamtqualifikation Auf den Punkt gebracht! 1 Inhaltsverzeichnis Sinn und Zweck dieses Dokuments...3 Profil- und Kurswahl für den 11.
MehrOECD Programme for International Student Assessment PISA 2000. Lösungen der Beispielaufgaben aus dem Mathematiktest. Deutschland
OECD Programme for International Student Assessment Deutschland PISA 2000 Lösungen der Beispielaufgaben aus dem Mathematiktest Beispielaufgaben PISA-Hauptstudie 2000 Seite 3 UNIT ÄPFEL Beispielaufgaben
MehrLernmaterial für die Fernuni Hagen effizient und prüfungsnah
Lernmaterial für die Fernuni Hagen effizient und prüfungsnah www.schema-f-hagen.de Sie erhalten hier einen Einblick in die Dokumente Aufgaben und Lösungen sowie Erläuterungen Beim Kauf erhalten Sie zudem
MehrProjektmanagement in der Spieleentwicklung
Projektmanagement in der Spieleentwicklung Inhalt 1. Warum brauche ich ein Projekt-Management? 2. Die Charaktere des Projektmanagement - Mastermind - Producer - Projektleiter 3. Schnittstellen definieren
MehrAnleitung über den Umgang mit Schildern
Anleitung über den Umgang mit Schildern -Vorwort -Wo bekommt man Schilder? -Wo und wie speichert man die Schilder? -Wie füge ich die Schilder in meinen Track ein? -Welche Bauteile kann man noch für Schilder
MehrBinäre Bäume. 1. Allgemeines. 2. Funktionsweise. 2.1 Eintragen
Binäre Bäume 1. Allgemeines Binäre Bäume werden grundsätzlich verwendet, um Zahlen der Größe nach, oder Wörter dem Alphabet nach zu sortieren. Dem einfacheren Verständnis zu Liebe werde ich mich hier besonders
MehrMehr Geld verdienen! Lesen Sie... Peter von Karst. Ihre Leseprobe. der schlüssel zum leben. So gehen Sie konkret vor!
Peter von Karst Mehr Geld verdienen! So gehen Sie konkret vor! Ihre Leseprobe Lesen Sie...... wie Sie mit wenigen, aber effektiven Schritten Ihre gesteckten Ziele erreichen.... wie Sie die richtigen Entscheidungen
MehrGantt-Diagramm - Diagramm zur Projektverfolgung
Gantt-Diagramm - Diagramm zur Projektverfolgung 5.06.206 3:29:35 FAQ-Artikel-Ausdruck Kategorie: Windows::MS Office::Excel Bewertungen: 0 Status: öffentlich (Alle) Ergebnis: 0.00 % Sprache: de Letzte Aktualisierung:
MehrGleichungen Lösen. Ein graphischer Blick auf Gleichungen
Gleichungen Lösen Was bedeutet es, eine Gleichung zu lösen? Was ist überhaupt eine Gleichung? Eine Gleichung ist, grundsätzlich eine Aussage über zwei mathematische Terme, dass sie gleich sind. Ein Term
Mehr1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung
1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil
MehrErstellen einer Collage. Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu])
3.7 Erstellen einer Collage Zuerst ein leeres Dokument erzeugen, auf dem alle anderen Bilder zusammengefügt werden sollen (über [Datei] > [Neu]) Dann Größe des Dokuments festlegen beispielsweise A4 (weitere
Mehr50 Fragen, um Dir das Rauchen abzugewöhnen 1/6
50 Fragen, um Dir das Rauchen abzugewöhnen 1/6 Name:....................................... Datum:............... Dieser Fragebogen kann und wird Dir dabei helfen, in Zukunft ohne Zigaretten auszukommen
MehrVerband der TÜV e. V. STUDIE ZUM IMAGE DER MPU
Verband der TÜV e. V. STUDIE ZUM IMAGE DER MPU 2 DIE MEDIZINISCH-PSYCHOLOGISCHE UNTERSUCHUNG (MPU) IST HOCH ANGESEHEN Das Image der Medizinisch-Psychologischen Untersuchung (MPU) ist zwiespältig: Das ist
Mehr7 Rechnen mit Polynomen
7 Rechnen mit Polynomen Zu Polynomfunktionen Satz. Zwei Polynomfunktionen und f : R R, x a n x n + a n 1 x n 1 + a 1 x + a 0 g : R R, x b n x n + b n 1 x n 1 + b 1 x + b 0 sind genau dann gleich, wenn
MehrKreativ visualisieren
Kreativ visualisieren Haben Sie schon einmal etwas von sogenannten»sich selbst erfüllenden Prophezeiungen«gehört? Damit ist gemeint, dass ein Ereignis mit hoher Wahrscheinlichkeit eintritt, wenn wir uns
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
MehrModellbildungssysteme: Pädagogische und didaktische Ziele
Modellbildungssysteme: Pädagogische und didaktische Ziele Was hat Modellbildung mit der Schule zu tun? Der Bildungsplan 1994 formuliert: "Die schnelle Zunahme des Wissens, die hohe Differenzierung und
MehrGrundideen der Gentechnik
Grundideen der Gentechnik Die Gentechnik kombiniert Biotechnik und Züchtung. Wie in der Züchtung wird die Erbinformation eines Lebewesen verändert. Dabei nutzte man in den Anfängen der Gentechnik vor allem
MehrPTV VISWALK TIPPS UND TRICKS PTV VISWALK TIPPS UND TRICKS: VERWENDUNG DICHTEBASIERTER TEILROUTEN
PTV VISWALK TIPPS UND TRICKS PTV VISWALK TIPPS UND TRICKS: VERWENDUNG DICHTEBASIERTER TEILROUTEN Karlsruhe, April 2015 Verwendung dichte-basierter Teilrouten Stellen Sie sich vor, in einem belebten Gebäude,
MehrPatienteninformation: Gentestung bei familiärem Brust- und Eierstockkrebs (Basis-Information):
Frauenklinik Gynäkologie und Gynäkologische Onkologie Patienteninformation: Gentestung bei familiärem Brust- und Eierstockkrebs (Basis-Information): Universitätsspital Basel Frauenklinik PD Dr. med. Nicole
Mehr15 Optimales Kodieren
15 Optimales Kodieren Es soll ein optimaler Kodierer C(T ) entworfen werden, welcher eine Information (z.b. Text T ) mit möglichst geringer Bitanzahl eindeutig überträgt. Die Anforderungen an den optimalen
Mehr1 C H R I S T O P H D R Ö S S E R D E R M A T H E M A T I K V E R F Ü H R E R
C H R I S T O P H D R Ö S S E R D E R M A T H E M A T I K V E R F Ü H R E R L Ö S U N G E N Seite 7 n Wenn vier Menschen auf einem Quadratmeter stehen, dann hat jeder eine Fläche von 50 mal 50 Zentimeter
MehrEvangelisieren warum eigentlich?
Predigtreihe zum Jahresthema 1/12 Evangelisieren warum eigentlich? Ich evangelisiere aus Überzeugung Gründe, warum wir nicht evangelisieren - Festes Bild von Evangelisation - Negative Erfahrungen von und
MehrR ist freie Software und kann von der Website. www.r-project.org
R R ist freie Software und kann von der Website heruntergeladen werden. www.r-project.org Nach dem Herunterladen und der Installation von R kann man R durch Doppelklicken auf das R-Symbol starten. R wird
Mehr2.8 Grenzflächeneffekte
- 86-2.8 Grenzflächeneffekte 2.8.1 Oberflächenspannung An Grenzflächen treten besondere Effekte auf, welche im Volumen nicht beobachtbar sind. Die molekulare Grundlage dafür sind Kohäsionskräfte, d.h.
MehrONLINE-AKADEMIE. "Diplomierter NLP Anwender für Schule und Unterricht" Ziele
ONLINE-AKADEMIE Ziele Wenn man von Menschen hört, die etwas Großartiges in ihrem Leben geleistet haben, erfahren wir oft, dass diese ihr Ziel über Jahre verfolgt haben oder diesen Wunsch schon bereits
MehrLEITFADEN ZUR SCHÄTZUNG DER BEITRAGSNACHWEISE
STOTAX GEHALT UND LOHN Stollfuß Medien LEITFADEN ZUR SCHÄTZUNG DER BEITRAGSNACHWEISE Stand 09.12.2009 Seit dem Januar 2006 hat der Gesetzgeber die Fälligkeit der SV-Beiträge vorgezogen. So kann es vorkommen,
MehrL10N-Manager 3. Netzwerktreffen der Hochschulübersetzer/i nnen Mannheim 10. Mai 2016
L10N-Manager 3. Netzwerktreffen der Hochschulübersetzer/i nnen Mannheim 10. Mai 2016 Referentin: Dr. Kelly Neudorfer Universität Hohenheim Was wir jetzt besprechen werden ist eine Frage, mit denen viele
MehrEM-Wellen. david vajda 3. Februar 2016. Zu den Physikalischen Größen innerhalb der Elektrodynamik gehören:
david vajda 3. Februar 2016 Zu den Physikalischen Größen innerhalb der Elektrodynamik gehören: Elektrische Stromstärke I Elektrische Spannung U Elektrischer Widerstand R Ladung Q Probeladung q Zeit t Arbeit
MehrDer Leverage-Effekt wirkt sich unter verschiedenen Umständen auf die Eigenkapitalrendite aus.
Anhang Leverage-Effekt Leverage-Effekt Bezeichnungs- Herkunft Das englische Wort Leverage heisst Hebelwirkung oder Hebelkraft. Zweck Der Leverage-Effekt wirkt sich unter verschiedenen Umständen auf die
MehrAlle Schlüssel-Karten (blaue Rückseite) werden den Schlüssel-Farben nach sortiert und in vier getrennte Stapel mit der Bildseite nach oben gelegt.
Gentlemen", bitte zur Kasse! Ravensburger Spiele Nr. 01 264 0 Autoren: Wolfgang Kramer und Jürgen P. K. Grunau Grafik: Erhard Dietl Ein Gaunerspiel für 3-6 Gentlemen" ab 10 Jahren Inhalt: 35 Tresor-Karten
MehrAnimationen erstellen
Animationen erstellen Unter Animation wird hier das Erscheinen oder Bewegen von Objekten Texten und Bildern verstanden Dazu wird zunächst eine neue Folie erstellt : Einfügen/ Neue Folie... Das Layout Aufzählung
MehrEinführung in die Java- Programmierung
Einführung in die Java- Programmierung Dr. Volker Riediger Tassilo Horn riediger horn@uni-koblenz.de WiSe 2012/13 1 Wichtig... Mittags keine Pommes... Praktikum A 230 C 207 (Madeleine + Esma) F 112 F 113
MehrWir arbeiten mit Zufallszahlen
Abb. 1: Bei Kartenspielen müssen zu Beginn die Karten zufällig ausgeteilt werden. Wir arbeiten mit Zufallszahlen Jedesmal wenn ein neues Patience-Spiel gestartet wird, muss das Computerprogramm die Karten
MehrKreatives Occhi. - V o r s p a n n - Alle Knoten und Knüpfelemente sowie ihre Verwendbarkeit. Die Knoten
Kreatives Occhi - V o r s p a n n - Alle Knoten und Knüpfelemente sowie ihre Verwendbarkeit Die Knoten Der Doppelknoten: Er wird mit nur 1 Schiffchen gearbeitet (s. page Die Handhabung der Schiffchen )
MehrGEVITAS Farben-Reaktionstest
GEVITAS Farben-Reaktionstest GEVITAS Farben-Reaktionstest Inhalt 1. Allgemeines... 1 2. Funktionsweise der Tests... 2 3. Die Ruhetaste und die Auslösetaste... 2 4. Starten der App Hauptmenü... 3 5. Auswahl
MehrZwischenablage (Bilder, Texte,...)
Zwischenablage was ist das? Informationen über. die Bedeutung der Windows-Zwischenablage Kopieren und Einfügen mit der Zwischenablage Vermeiden von Fehlern beim Arbeiten mit der Zwischenablage Bei diesen
MehrLange Nacht der Wissenschaft. Ein Klassiker. Die Mathematik der Kürzesten Wege
Lange Nacht der Wissenschaft Ein Klassiker Die Mathematik der Kürzesten Wege 09.06.2007 schlechte@zib.de Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) http://www.zib.de/schlechte 2 Überblick
MehrBetragsgleichungen und die Methode der Fallunterscheidungen
mathe online Skripten http://www.mathe-online.at/skripten/ Betragsgleichungen und die Methode der Fallunterscheidungen Franz Embacher Fakultät für Mathematik der Universität Wien E-mail: franz.embacher@univie.ac.at
MehrMedia Teil III. Begriffe, Definitionen, Übungen
Media Teil III. Begriffe, Definitionen, Übungen Kapitel 1 (Intermedia- Vergleich: Affinität) 1 Affinitätsbewertung als Mittel des Intermedia-Vergleichs Um die Streugenauigkeit eines Werbeträgers zu bestimmen,
MehrV 2 B, C, D Drinks. Möglicher Lösungsweg a) Gleichungssystem: 300x + 400 y = 520 300x + 500y = 597,5 2x3 Matrix: Energydrink 0,7 Mineralwasser 0,775,
Aufgabenpool für angewandte Mathematik / 1. Jahrgang V B, C, D Drinks Ein gastronomischer Betrieb kauft 300 Dosen Energydrinks (0,3 l) und 400 Liter Flaschen Mineralwasser und zahlt dafür 50, Euro. Einen
MehrZeit lässt sich nicht wie Geld für schlechte Zeiten zur Seite legen. Die Zeit vergeht egal, ob genutzt oder ungenutzt.
Zeitmanagement Allgemeine Einleitung Wie oft haben Sie schon gehört Ich habe leider keine Zeit? Und wie oft haben Sie diesen Satz schon selbst gesagt? Wahrscheinlich nahezu jeden Tag. Dabei stimmt der
MehrZahlen auf einen Blick
Zahlen auf einen Blick Nicht ohne Grund heißt es: Ein Bild sagt mehr als 1000 Worte. Die meisten Menschen nehmen Informationen schneller auf und behalten diese eher, wenn sie als Schaubild dargeboten werden.
MehrFAQ Spielvorbereitung Startspieler: Wer ist Startspieler?
FAQ Spielvorbereitung Startspieler: Wer ist Startspieler? In der gedruckten Version der Spielregeln steht: der Startspieler ist der Spieler, dessen Arena unmittelbar links neben dem Kaiser steht [im Uhrzeigersinn].
MehrKorrigenda Handbuch der Bewertung
Korrigenda Handbuch der Bewertung Kapitel 3 Abschnitt 3.5 Seite(n) 104-109 Titel Der Terminvertrag: Ein Beispiel für den Einsatz von Future Values Änderungen In den Beispielen 21 und 22 ist der Halbjahressatz
MehrBerechnung der Erhöhung der Durchschnittsprämien
Wolfram Fischer Berechnung der Erhöhung der Durchschnittsprämien Oktober 2004 1 Zusammenfassung Zur Berechnung der Durchschnittsprämien wird das gesamte gemeldete Prämienvolumen Zusammenfassung durch die
MehrWie heißt das Zauberwort? Sofort! Mobile Zeiterfassung in Echtzeit.
Wie heißt das Zauberwort? Sofort! Mobile Zeiterfassung in Echtzeit. Mobile Zeiterfassung in Echtzeit. Die nächste Generation der mobilen Zeiterfassung. Ohne den genauen Überblick über die Zeit geht es
MehrRohstoffanalyse - COT Daten - Gold, Fleischmärkte, Orangensaft, Crude Oil, US Zinsen, S&P500 - KW 07/2009
MikeC.Kock Rohstoffanalyse - COT Daten - Gold, Fleischmärkte, Orangensaft, Crude Oil, US Zinsen, S&P500 - KW 07/2009 Zwei Märkte stehen seit Wochen im Mittelpunkt aller Marktteilnehmer? Gold und Crude
MehrDie Gleichung A x = a hat für A 0 die eindeutig bestimmte Lösung. Für A=0 und a 0 existiert keine Lösung.
Lineare Gleichungen mit einer Unbekannten Die Grundform der linearen Gleichung mit einer Unbekannten x lautet A x = a Dabei sind A, a reelle Zahlen. Die Gleichung lösen heißt, alle reellen Zahlen anzugeben,
MehrStellen Sie bitte den Cursor in die Spalte B2 und rufen die Funktion Sverweis auf. Es öffnet sich folgendes Dialogfenster
Es gibt in Excel unter anderem die so genannten Suchfunktionen / Matrixfunktionen Damit können Sie Werte innerhalb eines bestimmten Bereichs suchen. Als Beispiel möchte ich die Funktion Sverweis zeigen.
MehrMarkus 13,24-33. Wie ist es, wenn die Welt aufhört? Und wenn die neue Welt von Gott anfängt.
Markus 13,24-33 Leichte Sprache Jesus erzählt von der neuen Welt von Gott Einmal fragten die Jünger Jesus: Wie ist es, wenn die Welt aufhört? Und wenn die neue Welt von Gott anfängt. Jesus sagte: Wenn
Mehr2.5.2 Primärschlüssel
Relationale Datenbanken 0110 01101110 01110 0110 0110 0110 01101 011 01110 0110 010 011011011 0110 01111010 01101 011011 0110 01 01110 011011101 01101 0110 010 010 0110 011011101 0101 0110 010 010 01 01101110
MehrBitte beantworten Sie die nachfolgenden Verständnisfragen. Was bedeutet Mediation für Sie?
Bearbeitungsstand:10.01.2007 07:09, Seite 1 von 6 Mediation verstehen Viele reden über Mediation. Das machen wir doch schon immer so! behaupten sie. Tatsächlich sind die Vorstellungen von dem, was Mediation
MehrMobile Intranet in Unternehmen
Mobile Intranet in Unternehmen Ergebnisse einer Umfrage unter Intranet Verantwortlichen aexea GmbH - communication. content. consulting Augustenstraße 15 70178 Stuttgart Tel: 0711 87035490 Mobile Intranet
MehrManager. von Peter Pfeifer, Waltraud Pfeifer, Burkhard Münchhagen. Spielanleitung
Manager von Peter Pfeifer, Waltraud Pfeifer, Burkhard Münchhagen Spielanleitung Manager Ein rasantes Wirtschaftsspiel für 3 bis 6 Spieler. Das Glück Ihrer Firma liegt in Ihren Händen! Bestehen Sie gegen
Mehr6.2 Scan-Konvertierung (Scan Conversion)
6.2 Scan-Konvertierung (Scan Conversion) Scan-Konvertierung ist die Rasterung von einfachen Objekten (Geraden, Kreisen, Kurven). Als Ausgabemedium dient meist der Bildschirm, der aus einem Pixelraster
MehrOptimierung und Fertigung eines Bogenmittelteils aus einer Magnesiumlegierung
363 Optimierung und Fertigung eines Bogenmittelteils aus einer Magnesiumlegierung Jürgen Edelmann-Nusser 1 (Projektleiter), Sándor Vajna 2 & Konstantin Kittel 2 1 Universität Magdeburg, Institut für Sportwissenschaft
MehrDIE IEDLE VON CATAN THEMEN-SET ZUM ARTENSPIE FÜR ZWEI SPIELER WIND & WETTER. Stefan Strohschneider Stephan Leinhäuser
K S DIE IEDLE VON CATAN R THEMEN-SET ZUM ARTENSPIE FÜR ZWEI SPIELER L WIND & WETTER www.das-leinhaus.de Stefan Strohschneider Stephan Leinhäuser Das Themenset Wind & Wetter Idee Stefan Strohschneider hatte
MehrWachstum 2. Michael Dröttboom 1 LernWerkstatt-Selm.de
1. Herr Meier bekommt nach 3 Jahren Geldanlage 25.000. Er hatte 22.500 angelegt. Wie hoch war der Zinssatz? 2. Herr Meiers Vorfahren haben bei der Gründung Roms (753. V. Chr.) 1 Sesterze auf die Bank gebracht
MehrLeseprobe. Wilhelm Kleppmann. Versuchsplanung. Produkte und Prozesse optimieren ISBN: 978-3-446-42033-5. Weitere Informationen oder Bestellungen unter
Leseprobe Wilhelm Kleppmann Versuchsplanung Produkte und Prozesse optimieren ISBN: -3-44-4033-5 Weitere Informationen oder Bestellungen unter http://www.hanser.de/-3-44-4033-5 sowie im Buchhandel. Carl
MehrErfolg beginnt im Kopf
Erfolg beginnt im Kopf Wie Sie ausgeglichen bleiben und Ihre Ziele einfacher erreichen 8. VR-Unternehmerforum AGRAR Die Ausgangslage Am Markt 6 49406 Barnstorf Am Markt 6 49406 Barnstorf Alles verändert
MehrOhne den gewerkschaftlichen Rechtsschutz hätte ich meine Rechte nicht durchsetzen können.
Ohne den gewerkschaftlichen Rechtsschutz hätte ich meine Rechte nicht durchsetzen können. Auswertung der Mandantenbefragung 2009 Kurzfassung November 2009 DGB Rechtsschutz GmbH Seite 1 Inhaltsangabe Vorbemerkung
MehrSkript und Aufgabensammlung Terme und Gleichungen Mathefritz Verlag Jörg Christmann Nur zum Privaten Gebrauch! Alle Rechte vorbehalten!
Mathefritz 5 Terme und Gleichungen Meine Mathe-Seite im Internet kostenlose Matheaufgaben, Skripte, Mathebücher Lernspiele, Lerntipps, Quiz und noch viel mehr http:// www.mathefritz.de Seite 1 Copyright
MehrWelches Übersetzungsbüro passt zu mir?
1 Welches Übersetzungsbüro passt zu mir? 2 9 Kriterien für Ihre Suche mit Checkliste! Wenn Sie auf der Suche nach einem passenden Übersetzungsbüro das Internet befragen, werden Sie ganz schnell feststellen,
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrLösungsmethoden gewöhnlicher Differentialgleichungen (Dgl.)
Lösungsmethoden gewöhnlicher Dierentialgleichungen Dgl) Allgemeine und partikuläre Lösung einer gewöhnlichen Dierentialgleichung Eine Dierentialgleichung ist eine Gleichung! Zum Unterschied von den gewöhnlichen
MehrHandbuch. NAFI Online-Spezial. Kunden- / Datenverwaltung. 1. Auflage. (Stand: 24.09.2014)
Handbuch NAFI Online-Spezial 1. Auflage (Stand: 24.09.2014) Copyright 2016 by NAFI GmbH Unerlaubte Vervielfältigungen sind untersagt! Inhaltsangabe Einleitung... 3 Kundenauswahl... 3 Kunde hinzufügen...
MehrAnmerkungen zur Übergangsprüfung
DM11 Slide 1 Anmerkungen zur Übergangsprüfung Aufgabeneingrenzung Aufgaben des folgenden Typs werden wegen ihres Schwierigkeitsgrads oder wegen eines ungeeigneten fachlichen Schwerpunkts in der Übergangsprüfung
MehrSoftware Engineering. Sommersemester 2012, Dr. Andreas Metzger
Software Engineering (Übungsblatt 2) Sommersemester 2012, Dr. Andreas Metzger Übungsblatt-Themen: Prinzip, Technik, Methode und Werkzeug; Arten von Wartung; Modularität (Kohäsion/ Kopplung); Inkrementelle
Mehr