Anwendung genetischer Algorithmen zur Lösung des n Dame Problems und zur Optimierung von Autoprofilen
|
|
- Eva Helga Abel
- vor 6 Jahren
- Abrufe
Transkript
1 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
2 Gliederung 1. Motivation 2. Grundidee 3. Grundlagen 3.1 Biologischer Hintergrund 3.2 Aufbau des Algorithmus 3.3 Ziele und Anwendungsgebiete 4. N Dame Problem 4.1 Allgemein 4.2 Lösungsansatz 5. Praxisbeispiel Autoreifen 6. Fazit 7. Quellen 2
3 1. Motivation starke Vereinfachung komplexer Sachverhalte Natur hat Menschen einiges voraus: Bsp. Katzenpfoten verbreitern sich bei Richtungswechsel bessere Bodenhaftung 50iger Jahren: erste Ideen John H. Holland 1975 Veröffentlichung des Buches Adaption in natural and artificial systems noch heute aktuell 3
4 2. Grundidee Kombinieren und verändern verschiedener Lösungskandidaten Verwendung genetischer/ biologischer Prinzipien 4
5 3. Grundlagen 3.1 Biologischer Hintergrund Genetische Algorithmen Genetik 5
6 3. Grundlagen Genetik: lateinisch geneá = Abstammung Aufbau und Funktionsweise der Erbanlagen (Genen) Weitervererbung der Erbanlagen Vererbung: Weitergabe von Erbinformationen von Generation zu Generation 6
7 3. Grundlagen Selektion (natürliche Auslese) Geprägt durch Charles Darwin Entwickler der Evolutionstheorie Die am besten angepassten Individuen zeugen am meisten Nachkommen, dadurch werden schlechter Angepasste verdrängt. [...] Angepasstheit auch als Fitness bezeichnet Charles Darwin 7
8 3. Grundlagen Rekombination auch als Crossover bezeichnet Kreuzung des Erbguts verschiedener Individuen Resultat: Entstehung neuer Gen und Merkmalskombinationen 8
9 3. Grundlagen Mutationen zufällige Veränderung der Erbinformation durch Modifizierung der Chromosomen durch veränderte Chromosomenanzahl durch veränderte Abfolge der Genbausteine nicht zurückzuführen auf Rekombination Vererbbar 9
10 3. Grundlagen 3.2 Aufbau des Algorithmus 1. Kodierungsvorschrift festlegen 2. Erzeugung der Anfangspopulation 3. Bewertungsfunktion (= Fitnessfunktion) definieren 4. Auswahl der Population (Turniersystem) 5. genetischen Operatoren (Crossover, Mutation) ausführen 6. Fitness bestimmen 7. Selektion 8. Abbruchkriterium Springe zu 5. Ende 10
11 3. Grundlagen 3.3 Ziele und Anwendungsgebiete Allgemein: Lösen von Optimierungsproblemen gegeben: Suchraum, zu optimierende Funktion Lösung soll heuristisch erfolgen Anwendungen: NP Aufgaben (Problem des Handlungsreisenden, Rucksackproblem) Parameteroptimierungen (Verbesserung des Reifenprofils) Erstellung von Fahr, Stunden und Raumplänen Bewegungsabläufen von Robotern Konstruktion komplexer Bauteile und Systeme (Brückenbau) 11
12 4. N Dame Problem 4.1 Allgemein nxn Schachbrett Ziel: Positionieren der Damen, dass keine eine andere bedroht wird 12
13 4. N Dame Problem 4.2 Lösungsansatz Kodierung 13
14 4. N Dame Problem Startpopulation Generierung zufällig Wie viele Individuen sollten generiert werden? weder zu groß, noch zu klein zu wenig Individuen Artenarmut zu Folge zu viele verlangsamt Algorithmus unnötig Richtwert: Individuen 14
15 4. N Dame Problem Fitnessfunktion Berechnung aller Individuen mit Angabe zur Angepasstheit an Anforderungen Wie wird die Fitness berechnet? Kollisionen der Damen zählen Aus Fitnessfunktion folgt Abbruchkriterium 15
16 4. N Dame Problem Turniersystem je höher Fitness, desto größer Chance ausgewählt zu werden Wieso werden nicht immer die Besten genommen? schlechte Lösungen führen auch zum Ziel 16
17 4. N Dame Problem Crossover Austauschen eines Chromosomenstücks zwischen zwei Individuen Ein Punkt Crosssover 17
18 4. N Dame Problem Mutation Zufällige Manipulation Entstehung neuer Genausprägungen (wichtig für Variabilität) Ca. 10% aller Individuen mutieren 18
19 4. N Dame Problem Fitness bestimmen Nochmals Qualität der Individuen bestimmen Selektion Ziel: gleichbleibende Populationsgröße Wie wird selektiert? Durch Turniersystem Abbruchkriterium Fitness = 0? Ja Nein 19
20 5. Praxisbsp. Autoreifen Vorbild für Aquaplaningproblematik: Katzen verbreitern der Pfoten bei Richtungswechsel Bodenkontakt besser Parameter des Ausgangsprofils: Abstand, Breite beschrieben; Durchmesser konstant Besten Individuen Mittelwert gebildet 1. Generation: höhere Geschwindigkeit Komplexe Modellierung digitale Grenzen 20
21 6. Fazit Vorteile Steuerung über Parameter jegliche Verwendungsmöglichkeit von Optimierungsverfahren stets gute Lösung gefunden Nachteile optimale Parametrierung nicht trivial zu viel Artenvielfalt nicht immer die beste Lohnt g.a. einzusetzen Besitzt Zukunft 21
22 7. Quellen I 6.1 Literaturverzeichnis Gerdes, Ingrid. Klawonn, Frank. Kruse, Rudolf. Evolutionäre Algorithmen. 1.Auflage. Vieweg Verlag Saake, Gunter. Sattler, Kai Uwe. Algorithmen und Datenstrukturen. 3.Auflage. dpunkt.verlag. Heidelberg Michalewicz, Zbigniew. Genetic Algorithm + Data Structures = Evolution Programs. Springer Verlag. 3.Auflage. Berlin [u.a.] Heistermann, Jochen. Genetische Algorithmen. Theorie und Praxis evolutionärer Optimierung. Teubner. Stuttgart [u.a.] Webverzeichnis magdeburg.de/studium/ga/ ( ; 18.00Uhr) kassel.de/ki in spielendateien/ki_in_spielen_genetische_algorithmen_ausarbeitung.pdf ( ; Uhr) 22
23 7. Quellen II stuttgart.de/~vs016/documents/elaboration NaturePatterns.pdf ( ; Uhr) ( ; Uhr) 6.3 Bildverzeichnis magdeburg.de/studium/ga/ ( ; Uhr) Otto von Guericke Symbol md.de/theses_howto.html ( ; Uhr) ( ; 18.00Uhr) ( ; Uhr) ( ; Uhr) ( ; Uhr) ( ; Uhr) ( ; Uhr) 23
24 Frohe Weihnachten und einen guten Rutsch ins neue Jahr! 24
25 Danke für Eure Aufmerksamkeit Fragen? 25
Anwendung 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 Studiengang Informatik Jana Müller 11.12.2008 Otto-von-Guericke-Universität Magdeburg Fakultät für
MehrGenetische Algorithmen
Genetische Algorithmen Von Valentina Hoppe und Jan Rörden Seminar: Künstliche Intelligenz II Dozent: Stephan Schwiebert Gliederung Biologische Evolution Genetischer Algorithmus Definition theoretischer
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
MehrSeminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen
Fachhochschule Wedel - SS 2006 Seminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen Marco Lehmann (wi5909) m@rco-l.de 3. Juli 2006 Gliederung 1.
MehrGliederung. Genetische Algorithmen (GA) Einfuehrung II. Einfuehrung I
Genetische (GA) Gliederung 2.1. Grundbegriffe. Anwendungsgebiete GA Jens Mueller 15.12.200 Folie 1 Jens Mueller 15.12.200 Folie 2 Einfuehrung I Einfuehrung II Einordnung: Soft Computing Soft Computing
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"
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
MehrGenetische Algorithmen (GA) Jens Mueller Folie 1
Genetische Algorithmen (GA) Jens Mueller 15.12.2004 Folie 1 Gliederung 1. Einfuehrung 2. Grundlagen Genetischer Algorithmen 2.1. Grundbegriffe 2.2. Elemente eines GAs 3. Bsp.: Magisches Quadrat 4. Anwendungsgebiete
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
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
MehrGenetische und Evolutionäre Algorithmen (Vol. 1)
Vortrag über Genetische und Evolutionäre Algorithmen (Vol. ) von Adam El Sayed Auf und Kai Lienemann Gliederung: ) Einführung 2) Grundkonzept 3) Genaue Beschreibung des Genetischen Algorithmus Lösungsrepräsentation
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.
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
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
MehrGenetische Algorithmen
Genetische Algorithmen Prof. Dr. Ottmar Beucher Dezember 2001 Genetische Algorithmen 1 Optimierungsaufgaben Ein einfaches Beispiel Prinzipielle Formulierung Lösungsansätze Genetische Algorithmen Anwendungen
MehrEntwicklung integrierter HW/SW-Systeme Integrierte Hard- und Softwaresysteme 2 Seminar
Entwicklung integrierter HW/SW-Systeme Integrierte Hard- und Softwaresysteme 2 Seminar Jorge Meza jorge.meza@tu-ilmenau.de Zusebau R2082, Tel: -4128 Prof. Dr.-Ing. habil. Andreas Mitschele-Thiel Integrated
MehrEvolutionäre Algorithmen
Karsten Weicker Evolutionäre Algorithmen 2., überarbeitete und erweiterte Auflage m Teubner Inhaltsverzeichnis 1 Natürliche Evolution 1 1.1 Entwicklung der evolutionären Mechanismen 2 1.2 Evolutionsfaktoren
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
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
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
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
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
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
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,
MehrF A C H H O C H S C H U L E W E D E L
F A C H H O C H S C H U L E W E D E L Seminar Verkehrsinformatik Offline-Optimierung der Lichtsignal-Koordinierung mittels genetischer Algorithmen Eingereicht von: Erarbeitet im: Marco Lehmann Hoheluftchaussee
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
Mehr12. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 12. Vorlesung Stochastische Optimierung Differential Evolution 12. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
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
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
MehrGenetische Programmierung
15. Juli 2007 Anfang der 90er von John R. Koza entwickelt. Verfahren zur automatisierten Erstellung von Programmen. Von der Evolution inspiriert. Anforderungen an die Möglichst korrekte Lösung ergeben
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
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
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
MehrSeminararbeit zum Thema Genetische Algorithmen
Seminararbeit zum Thema Genetische Algorithmen Seminar in Intelligent Management Models in Transportation und Logistics am Institut für Informatik-Systeme Lehrstuhl Verkehrsinformatik Univ.-Prof. Dr.-Ing.
MehrIntelligente Systeme. Einführung. Christian Moewes
Intelligente Systeme Einführung Prof. Dr. Rudolf Kruse Christian Moewes Georg Ruß {kruse,russ,cmoewes}@iws.cs.uni-magdeburg.de Arbeitsgruppe Computational Intelligence Institut für Wissens- und Sprachverarbeitung
MehrUnterrichtsvorhaben I: Thema/Kontext: Evolution in Aktion Welche Faktoren beeinflussen den evolutiven Wandel?
Unterrichtsvorhaben I: Thema/Kontext: Evolution in Aktion Welche Faktoren beeinflussen den evolutiven Wandel? Inhaltsfeld: IF 6: Evolution Inhaltliche Schwerpunkte: Schwerpunkte übergeordneter Kompetenzerwartungen:
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
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,
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
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
MehrGenetische Algorithmen von der Evolution lernen
Genetische Algorithmen von der Evolution lernen (c) Till Hänisch 2003, BA Heidenheim Literatur zusätzlich zum Lit. Verz. Nils J. Nilsson Artificial Intelligence Morgan Kaufmann, 1998 Ansatz Bisher: Problemlösung
MehrEvolutionäre Algorithmen Einführung
Evolutionäre Algorithmen Einführung Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Wissens- und Sprachverarbeitung
MehrEvolutionsstrategien
Evolutionsstrategien zum Seminar Evolutionäre Algorithmen von Jana Schäfer INHALTVERZEICHNIS 1. Einführung... 3 2. Die Geschichte der Evolutionsstrategien...4 3. Grundlegendes... 6 3.1 Begriffe... 6 3.2
MehrGenetisches Programmieren einfacher Roboterfähigkeiten
Genetisches Programmieren einfacher Roboterfähigkeiten Ingo Boersch SG Informatik Vortrag Motivation Problemstellung Lösungsidee, Versuchsaufbau Experimente Video Ergebnisse, Zukunft 2 Motivation Lebewesen
Mehr1. Inhaltsverzeichnis
1. Inhaltsverzeichnis Inhaltsverzeichnis 1. Einleitung 1.1. Darwins Evolutionstheorie 1.2. Darwins Evolutionstheorie als Inspiration für Evolutionäre Algorithmen 1.3. Die Unterschiede der verschiedenen
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
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
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
MehrComputational Intelligence
/ 44 Computational Intelligence Wintersemester 0/04. Evolutionäre Algorithmen II Stefan Berlik Fachgruppe Praktische Informatik Fakultät IV, Department Elektrotechnik und Informatik Universität Siegen
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
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
MehrGenetische Algorithmen
Projekt für Algorithmische Anwendungen Genetische Algorithmen Von Mike Müller 11037091 Dennis Freese 11038517 Gruppe: B-ROT 1 Inhaltsverzeichnis Allgemeines...3 Geschichtliche Entwicklung der genetischen
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
MehrTEUBNER-TEXTE zur Informatik Band 9. J. Heistermann. Genetische Algorithmen
TEUBNER-TEXTE zur Informatik Band 9 J. Heistermann Genetische Algorithmen TEUBNER-TEXTE zur Informatik Herausgegeben von Prof. Dr. Johannes Buchmann, Saarbrücken Prof. Dr. Udo Lipeck, Hannover Prof. Dr.
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
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
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
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen Teil II Evolutionsfenster durch Mutation und sexuelle Rekombination Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Evolutionäre Algorithmen
MehrEvolutionäre Algorithmen
Evolutionäre Algorithmen Karsten Weicker Evolutionäre Algorithmen 3., überarbeitete und erweiterte Auflage Karsten Weicker HTWK Leipzig IMN Leipzig, Deutschland ISBN 978-3-658-09957-2 DOI 10.1007/978-3-658-09958-9
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
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,
Mehr4 Genetische Algorithmen
WS1993/94 AuD II 113 4 Genetische Algorithmen Gegeben: Problem P Menge potentieller Lösungen S= {L 1,,L s } (auch Suchraum) Zielfunktion z : S [0,1] IR (manchmal auch z : S IR ) Gesucht: z(l) > z(l') L
Mehr4. Eine Einführung in Konzept und Arbeitsweise genetischer Algorithmen
4. Eine Einführung in Konzept und Arbeitsweise genetischer Algorithmen 4.1 Evolution und Genetik Lernprozeß Evolution Die Natur hat es geschafft, aus Milliarden denkbarer Eiweißmoleküle gerade diejenigen
MehrBewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung
Weimarer Optimierungs- und Stochastiktage 4.0 Bewertung von Optimierungs- und Zuverlässigkeitsalgorithmen für die virtuelle Produktauslegung Dr.-Ing. Andreas Plotzitza, PT/EST4 29. November 2007 1 Inhalt
MehrOptimierung technischer Systeme mittels Evolutionsstrategien - ein Standardverfahren in SIMUL_R
- 1 - Optimierung technischer Systeme mittels Evolutionsstrategien - ein Standardverfahren in SIMUL_R R. Ruzicka SIMUTECH Hadikgasse 150, A-1140 Wien Kurzfassung Die Methode der Evolutionsstrategien wurde
MehrEinführung genetischer Algorithmen mit Anwendungsbeispiel
Einführung genetischer Algorithmen mit Anwendungsbeispiel Steffen Harbich 26. Dezember 2007 Zusammenfassung Im Rahmen des Seminars Das virtuelle Labor enstand die vorliegende Ausarbeitung zum Thema genetische
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
MehrEvolutionäre Algorithmen Variation und genetische Operatoren
Evolutionäre Algorithmen Variation und genetische Operatoren Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut
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
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 21. Kombinatorische Optimierung und lokale Suche Malte Helmert Universität Basel 10. April 2015 Kombinatorische Optimierung Kombinatorische Optimierung: Einführung
MehrImplementation und Evaluierung innovativer Heuristiken für die Anordnung von Entwurfsentscheidungen
Implementation und Evaluierung innovativer Heuristiken für die Anordnung von Entwurfsentscheidungen Diplomarbeit Thomas Scharler Universität Hamburg, FB Informatik, AB Tech Implementation und Evaluierung
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
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
MehrGP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness
GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness Raters Brad Johanson, Riccardo Poli Seminarvortrag von Thomas Arnold G ˇ ˇ ˇ ˇ WS 2012/13 TU Darmstadt Seminar
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
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]
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
MehrDie interne Evolution von Organisationen
Jürgen Kumbartzki Die interne Evolution von Organisationen Evolutionstheoretischer Ansatz zur Erklärung organisationalen Wandels Mit Geleitworten von Prof. Dr. Egon Franck und Prof. Dr. Peter-J. Jost A
MehrUNIVERSITÄT ZU KÖLN AUSGEWÄHLTE THEMEN DES OPERATIONS RESEARCH. Heuristiken. Genetischer Algorithmus Simulated annealing Ameisenkolonie Neurale Netze
UNIVERSITÄT ZU KÖLN AUSGEWÄHLTE THEMEN DES OPERATIONS RESEARCH Heuristiken Genetischer Algorithmus Simulated annealing Ameisenkolonie Neurale Netze Eingereicht von: Thomas Ilg 13.12.2007 Genetischer Algorithmus
MehrGenetische Algorithmen und Evolutionsstrategien
Eberhard Schöneburg Frank Heinzmann Sven Feddersen Genetische Algorithmen und Evolutionsstrategien Eine Einführung in Theorie und Praxis der simulierten Evolution Tschnische UnsversSsät Darmstadt Fachbereich
MehrAlgorithmen und Datenstrukturen II
Algorithmen und Datenstrukturen II D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Sommer 2009, 26. März 2009, c 2009 D.Rösner D.
MehrAlgorithmen und Datenstrukturen 2
Algorithmen und Datenstrukturen 2 Sommersemester 2007 12. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Genetische Algorithmen Übersicht Wie funktionieren
MehrSFB. Entwurf von Parallelrobotern. Entwurf von Parallelrobotern. Gliederung. M. Krefft J. Hesselbach. Fertigungsmaschinen Übersicht
Gliederung Fertigungsmaschinen Übersicht Anforderungen Bestimmung von Kennwerten Kinematik Dynamik Parametrierung der Kinematiken Normierung der Jacobi-Matrix Optimierungsverfahren Normierung der Jacobi-Matrix
MehrEvolutionäre Algorithmen
Evolutionäre Algorithmen Variation und genetische Operatoren Prof. Dr. Rudolf Kruse Christian Moewes {kruse,cmoewes}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
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
MehrIngrid Gerdes Frank Klawonn Rudolf Kruse. Evolutionare Algorithmen
Ingrid Gerdes Frank Klawonn Rudolf Kruse Evolutionare Algorithmen Herausgegeben von Wolfgang Bibel, Rudolf Kruse und Bernhard Nebel Aus den Kinderschuhen der nkunstlichen Intelligenz" entwachsen bietet
MehrBetriebliche Optimierung
Betriebliche Optimierung Joachim Schauer Joachim Schauer Betriebliche Optimierung 1 / 31 1 Metaheuristische Verfahren 2 Joachim Schauer Betriebliche Optimierung 2 / 31 Einleitendes Metaheuristische Verfahren
MehrA. Anhang Daubechies-Wavelets General characteristics: Compactly supported wavelets with extremal phase and highest number of vanishing moments for a
A. Anhang A.1. Eigenschaften von Wavelets und Wavelet-Familien Die folgenden tabellarischen Zusammenstellungen der wichtigsten Eigenschaften der in dieser Arbeit verwendeten Wavelet-Typen und Wavelet-Familien
MehrOptimierung auf rekonfigurierbaren Rechensystemen
Optimierung auf rekonfigurierbaren Rechensystemen Evolution in dynamisch rekonfigurierbarer Hardware Peter Bungert Hartmut Schmeck Institut für Angewandte Informatik und Formale Bescheibungsverfahren (AIFB)
MehrGliederung. Algorithmen und Datenstrukturen II. Java: Objektorientierung. Java: Objektorientierung. Objektorientierung in JAVA. D.
Gliederung Algorithmen und Datenstrukturen II in JAVA D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Sommer 2009, 4. Mai 2009, c
MehrAlgorithmen und Datenstrukturen II
Algorithmen und Datenstrukturen II in JAVA D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg Sommer 2009, 4. Mai 2009, c 2009 D.Rösner
MehrLinsenberechnung mit Evolutionsstrategien
Linsenberechnung mit Evolutionsstrategien Ralf Gruber und Rainer Müller Lehrstuhl für Didaktik der Physik, Universität München Schellingstr. 4, 80799 München E-mail: rainer.mueller@physik.uni-muenchen.de
MehrEvolutionstheorien und -faktoren erforschen S 2. Colourbox II/I2. Thinkstock
Evolutionstheorien und -faktoren erforschen Reihe 4 Verlauf Material S 2 LEK Glossar M1 Colourbox t h c i s n a r o V Thinkstock Evolutionstheorien und -faktoren erforschen Reihe 4 M2 Verlauf Material
MehrPharmazeutische Biologie Grundlagen der Biochemie
Pharmazeutische Biologie Grundlagen der Biochemie Prof. Dr. Theo Dingermann Institut für Pharmazeutische Biologie Goethe-Universität Frankfurt Dingermann@em.uni-frankfurt.de Empfohlene Literatur Empfohlene
MehrFundamente der Computational Intelligence
Fundamente der Computational Intelligence Dozent: Günter Rudolph Vertretung: Nicola Beume Wintersemester 2006/07 Universität Dortmund Fachbereich Informatik Lehrstuhl für Algorithm Engineering (LS11) Fachgebiet
MehrSoftware Engineering Übung 1 Programmverständnis, Dokumentation
software evolution & architecture lab Software Engineering Übung 1 Programmverständnis, Dokumentation 1 Informationen 1.1 Daten Ausgabe Di 20.09.2011 Abgabe So 02.10.2011 bis 23:59 Uhr Besprechung am Di
Mehr